YOLOv8 🚀 AzureML'de
Azure nedir?
Azure, Microsoft'un bulut bilişim platformudur ve kurumların iş yüklerini şirket içi veri merkezlerinden buluta taşımalarına yardımcı olmak için tasarlanmıştır. Bilgi işlem, veritabanları, analitik, makine öğrenimi ve ağ oluşturma dahil olmak üzere tüm bulut hizmetleri yelpazesiyle kullanıcılar, genel bulutta yeni uygulamalar geliştirmek ve ölçeklendirmek veya mevcut uygulamaları çalıştırmak için bu hizmetler arasından seçim yapabilir.
Azure Machine Learning (AzureML) nedir?
Genellikle AzureML olarak adlandırılan Azure Machine Learning, veri bilimcilerin ve geliştiricilerin uygulamalarına verimli bir şekilde tahmine dayalı analitik eklemesine olanak tanıyan, kuruluşların büyük veri kümelerini kullanmasına ve bulutun tüm avantajlarını makine öğrenimine getirmesine yardımcı olan tam olarak yönetilen bir bulut hizmetidir. AzureML, makine öğrenimini erişilebilir, kullanımı kolay ve ölçeklenebilir hale getirmeyi amaçlayan çeşitli hizmetler ve yetenekler sunar. Geliştiricilerin makine öğrenimi modellerinden en iyi şekilde yararlanabilmeleri için otomatik makine öğrenimi, sürükle ve bırak model eğitimi gibi özelliklerin yanı sıra sağlam bir Python SDK sağlar.
AzureML YOLO Kullanıcılarına Nasıl Fayda Sağlar?
YOLO (You Only Look Once) kullanıcıları için AzureML, makine öğrenimi modellerini hem eğitmek hem de dağıtmak için sağlam, ölçeklenebilir ve verimli bir platform sağlar. İster hızlı prototipler çalıştırmak ister daha kapsamlı verileri işlemek için ölçeklendirmek isteyin, AzureML'nin esnek ve kullanıcı dostu ortamı ihtiyaçlarınıza uygun çeşitli araçlar ve hizmetler sunar. AzureML'den şu amaçlarla yararlanabilirsiniz
- Eğitim için büyük veri kümelerini ve hesaplama kaynaklarını kolayca yönetin.
- Veri ön işleme, özellik seçimi ve model eğitimi için yerleşik araçları kullanın.
- Modellerin ve verilerin izlenmesi, denetlenmesi ve sürümlendirilmesi dahil ancak bunlarla sınırlı olmamak üzere MLOps (Makine Öğrenimi Operasyonları) yetenekleriyle daha verimli bir şekilde işbirliği yapın.
Sonraki bölümlerde, AzureML kullanarak YOLOv8 nesne algılama modellerini bir işlem terminalinden veya bir not defterinden nasıl çalıştıracağınızı açıklayan bir hızlı başlangıç kılavuzu bulacaksınız.
Ön Koşullar
Başlamadan önce, bir AzureML çalışma alanına erişiminiz olduğundan emin olun. Eğer yoksa, Azure'un resmi belgelerini takip ederek yeni bir AzureML çalışma alanı oluşturabilirsiniz. Bu çalışma alanı, tüm AzureML kaynaklarını yönetmek için merkezi bir yer görevi görür.
Hesaplama örneği oluşturma
AzureML çalışma alanınızdan Hesaplama > Hesaplama örnekleri > Yeni'yi seçin, ihtiyacınız olan kaynaklara sahip örneği seçin.
Terminalden Hızlı Başlangıç
Bilgisayarınızı başlatın ve bir Terminal açın:
virtualenv oluşturun
Conda virtualenv'inizi oluşturun ve içine pip yükleyin:
Gerekli bağımlılıkları yükleyin:
YOLOv8 görevlerini gerçekleştirin
Tahmin et:
Başlangıç learning_rate değeri 0,01 olan bir algılama modelini 10 epok boyunca eğitin:
Ultralytics CLI adresini kullanmak için daha fazla talimatı burada bulabilirsiniz.
Not Defterinden Hızlı Başlangıç
Yeni bir IPython çekirdeği oluşturun
Hesaplama Terminalini açın.
Hesaplama terminalinizden, bağımlılıklarınızı yönetmek için not defteriniz tarafından kullanılacak yeni bir ipykernel oluşturmanız gerekir:
conda create --name yolov8env -y
conda activate yolov8env
conda install pip -y
conda install ipykernel -y
python -m ipykernel install --user --name yolov8env --display-name "yolov8env"
Terminalinizi kapatın ve yeni bir not defteri oluşturun. Not defterinizden yeni çekirdeği seçebilirsiniz.
Ardından bir Notebook hücresi açabilir ve gerekli bağımlılıkları yükleyebilirsiniz:
%%bash
source activate yolov8env
cd ultralytics
pip install -r requirements.txt
pip install ultralytics
pip install onnx>=1.12.0
Kullanmamız gerektiğini unutmayın source activate yolov8env tüm %%bash hücreleri için, %%bash hücresinin istediğimiz ortamı kullandığından emin olmak için.
Kullanarak bazı tahminler çalıştırın Ultralytics CLI:
%%bash
source activate yolov8env
yolo predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg'
Ya da Ultralytics Python arayüzüyle, örneğin modeli eğitmek için:
from ultralytics import YOLO
# Load a model
model = YOLO("yolov8n.pt") # load an official YOLOv8n model
# Use the model
model.train(data="coco8.yaml", epochs=3) # train the model
metrics = model.val() # evaluate model performance on the validation set
results = model("https://ultralytics.com/images/bus.jpg") # predict on an image
path = model.export(format="onnx") # export the model to ONNX format
Yukarıdaki terminal bölümünde açıklandığı gibi, YOLOv8 görevlerini çalıştırmak için Ultralytics CLI veya Python arayüzünü kullanabilirsiniz.
Bu adımları izleyerek, hızlı denemeler için YOLOv8 adresini AzureML'de hızlı bir şekilde çalıştırabilmeniz gerekir. Daha gelişmiş kullanımlar için, bu kılavuzun başında bağlantısı verilen AzureML belgelerinin tamamına başvurabilirsiniz.
AzureML ile Daha Fazlasını Keşfedin
Bu kılavuz, AzureML üzerinde YOLOv8 ile çalışmaya başlamanız için bir giriş niteliğindedir. Ancak, AzureML'nin sunabileceklerinin yalnızca yüzeyini çizer. Daha derine inmek ve makine öğrenimi projeleriniz için AzureML'in tüm potansiyelini ortaya çıkarmak için aşağıdaki kaynakları keşfetmeyi düşünün:
- Veri Varlığı Oluşturma: AzureML ortamında veri varlıklarınızı etkili bir şekilde nasıl kuracağınızı ve yöneteceğinizi öğrenin.
- Bir AzureML İşi Başlatın: AzureML'de makine öğrenimi eğitim işlerinizi nasıl başlatacağınızı kapsamlı bir şekilde anlayın.
- Bir Model Kaydedin: Kayıt, sürüm oluşturma ve dağıtım dahil olmak üzere model yönetimi uygulamalarına aşina olun.
- AzureML Python SDK ile YOLOv8 'u eğitin: YOLOv8 modellerinizi eğitmek için AzureML Python SDK'yı kullanmaya ilişkin adım adım kılavuzu keşfedin.
- AzureML ile YOLOv8 'u eğitin CLI: AzureML'de YOLOv8 modellerinin kolaylaştırılmış eğitimi ve yönetimi için komut satırı arayüzünü nasıl kullanacağınızı keşfedin.