AzureML'de Ultralytics YOLOv5 🚀 Hızlı Başlangıç#

Microsoft Azure Machine Learning (AzureML) için Ultralytics YOLOv5 hızlı başlangıç kılavuzuna hoş geldin! Bu kılavuzda YOLOv5'i bir AzureML işlem örneğinde kurma; sanal ortam oluşturmadan modelle eğitim ve çıkarım çalıştırmaya kadar tüm adımları öğreneceksin.

Azure nedir?#

Azure, Microsoft'un kapsamlı bulut bilişim platformudur. İşlem gücü, veritabanları, analiz araçları, makine öğrenmesi özellikleri ve ağ çözümleri dahil olmak üzere çok çeşitli hizmetler sunar. Azure, kuruluşların Microsoft tarafından yönetilen veri merkezleri üzerinden uygulama ve hizmetler oluşturmasına, dağıtmasına ve yönetmesine olanak tanıyarak iş yüklerinin şirket içi altyapıdan buluta taşınmasını kolaylaştırır.

Azure Machine Learning (AzureML) nedir?#

Azure Machine Learning (AzureML), makine öğrenmesi modelleri geliştirmek, eğitmek ve dağıtmak için tasarlanmış özel bir bulut hizmetidir. Her beceri düzeyindeki veri bilimcileri ve geliştiriciler için uygun araçlarla iş birliğine dayalı bir ortam sunar. Temel özellikleri arasında otomatik makine öğrenmesi (AutoML), model oluşturmak için sürükle ve bırak arayüzü ve ML yaşam döngüsü üzerinde daha ayrıntılı denetim sağlayan güçlü bir Python SDK bulunur. AzureML, tahmine dayalı modellemenin uygulamalara eklenmesi sürecini basitleştirir.

Ön koşullar#

Bu kılavuzu izlemek için etkin bir Azure aboneliğine ve bir AzureML çalışma alanına erişime ihtiyacın var. Henüz bir çalışma alanı oluşturmadıysan, oluşturmak için resmi Azure belgelerine başvur.

Hesaplama Örneği Oluşturma#

AzureML'deki bir işlem örneği, veri bilimcileri için yönetilen, bulut tabanlı bir çalışma istasyonu sağlar.

1. AzureML çalışma alanına git.
2. Sol bölmede Compute'u seç.
3. Compute instances sekmesine git ve New'e tıkla.
4. Eğitim veya çıkarım ihtiyaçlarına göre uygun CPU ya da GPU kaynaklarını seçerek örneğini yapılandır.

Terminali Aç#

İşlem örneğin çalışmaya başladıktan sonra terminaline doğrudan AzureML Studio'dan erişebilirsin.

1. Sol bölmedeki Notebooks bölümüne git.
2. Üstteki açılır menüde işlem örneğini bul.
3. Örneğinde bir komut satırı arayüzü açmak için dosya tarayıcısının altındaki Terminal seçeneğine tıkla.

YOLOv5'i Kurma ve Çalıştırma#

Şimdi ortamı kurup Ultralytics YOLOv5'i çalıştıralım.

1. Sanal Ortam Oluşturma#

Bağımlılıkları yönetmek için sanal ortam kullanmak en iyi uygulamadır. AzureML işlem örneklerinde önceden yüklü olan Conda'yı kullanacağız. Ayrıntılı Conda kurulum kılavuzu için Ultralytics Conda Hızlı Başlangıç Kılavuzu'na bak.

Belirli bir Python sürümüne sahip bir Conda ortamı (ör. yolov5env) oluştur ve etkinleştir:

conda create --name yolov5env -y python=3.10 # Create a new Conda environment
conda activate yolov5env                     # Activate the environment
conda install pip -y                         # Ensure pip is installed

2. YOLOv5 Deposu'nu Klonlama#

Resmi Ultralytics YOLOv5 deposunu GitHub'dan Git kullanarak klonla:

git clone https://github.com/ultralytics/yolov5 # Clone the repository
cd yolov5                                       # Navigate into the directory

3. Bağımlılıkları Yükleme#

requirements.txt dosyasında listelenen gerekli Python paketlerini yükle. Model dışa aktarma özellikleri için ONNX'i de yüklüyoruz.

pip install -r requirements.txt # Install core dependencies
pip install "onnx>=1.12.0"      # Install ONNX for exporting

4. YOLOv5 Görevlerini Gerçekleştirme#

Kurulum tamamlandığında artık YOLOv5 modelini eğitebilir, doğrulayabilir, çıkarım gerçekleştirebilir ve dışa aktarabilirsin.

• COCO128 gibi bir veri kümesinde modeli eğit (Train). Daha fazla ayrıntı için Özel Verileri Eğit eğitimine bak.

  # Start training using yolov5s pretrained weights on the COCO128 dataset
  python train.py --data coco128.yaml --weights yolov5s.pt --img 640 --epochs 10 --batch 16

• Precision, Recall ve mAP gibi metrikleri kullanarak eğitilen modelin performansını doğrula (Validate). Tüm seçenekler için python val.py --help çalıştır.

  # Validate the yolov5s model on the COCO128 validation set
  python val.py --weights yolov5s.pt --data coco128.yaml --img 640

• Yeni görüntüler veya videolar üzerinde Çıkarım Çalıştır (Run Inference). Desteklenen çıkarım kaynakları için YOLOv5 Hızlı Başlangıç kılavuzuna göz at.

  # Run inference with yolov5s on sample images
  python detect.py --weights yolov5s.pt --source data/images --img 640

• Dağıtım için modeli ONNX, TensorRT veya CoreML gibi farklı biçimlere dışa aktar (Export). Model Dışa Aktarma eğitimine ve ONNX Entegrasyonu sayfasına bak.

  # Export yolov5s to ONNX format
  python export.py --weights yolov5s.pt --include onnx --img 640

Notebook Kullanma#

Etkileşimli bir deneyimi tercih ediyorsan bu komutları bir AzureML Notebook'u içinde çalıştırabilirsin. Conda ortamına bağlı özel bir IPython çekirdeği oluşturman gerekecek.

Yeni IPython Çekirdeği Oluşturma#

Aşağıdaki komutları işlem örneğinin terminalinde çalıştır:

# Ensure your Conda environment is active
# conda activate yolov5env

# Install ipykernel if not already present
conda install ipykernel -y

# Create a new kernel linked to your environment
python -m ipykernel install --user --name yolov5env --display-name "Python (yolov5env)"

Çekirdeği oluşturduktan sonra tarayıcını yenile. Bir .ipynb notebook dosyasını açtığında veya oluşturduğunda, sağ üstteki çekirdek açılır menüsünden yeni çekirdeğini ("Python (yolov5env)") seç.

Notebook Hücrelerinde Komutları Çalıştırma#

• Python Hücreleri: Python hücrelerindeki kod, seçilen yolov5env çekirdeği kullanılarak otomatik olarak çalıştırılır.

• Bash Hücreleri: Kabuk komutlarını çalıştırmak için hücrenin başında %%bash magic komutunu kullan. Her bash hücresinde Conda ortamını etkinleştirmeyi unutma; bu hücreler notebook'un çekirdek ortamı bağlamını otomatik olarak devralmaz.

  %%bash
  source activate yolov5env # Activate environment within the cell
  
  # Example: Run validation using the activated environment
  python val.py --weights yolov5s.pt --data coco128.yaml --img 640

Tebrikler! Ultralytics YOLOv5'i AzureML üzerinde başarıyla kurup çalıştırdın. Daha fazla bilgi edinmek için diğer Ultralytics Entegrasyonları veya ayrıntılı YOLOv5 belgelerine göz atabilirsin. Dağıtık eğitim ya da modelin uç nokta olarak dağıtılması gibi gelişmiş senaryolar için AzureML belgelerini de yararlı bulabilirsin.

SSS#