AzureML'de Ultralytics YOLOv5 🚀 Hızlı Başlangıç

Bu kılavuz, Ultralytics YOLOv5'i bir Microsoft Azure Machine Learning (AzureML) işlem örneğinde kurma sürecinde, sanal ortam oluşturmaktan modelle eğitim yapıp çıkarım çalıştırmaya kadar sana adım adım yol gösterir.

Azure nedir?#

Azure, Microsoft'un bulut bilişim platformudur. İşlem gücü, veritabanları, analiz araçları, makine öğrenimi yetenekleri ve ağ çözümleri gibi hizmetler sunar. Azure, kuruluşların Microsoft tarafından yönetilen veri merkezleri üzerinden uygulama ve hizmetler oluşturmasına, dağıtmasına ve yönetmesine olanak tanır; iş yüklerinin şirket içi altyapıdan buluta taşınmasını kolaylaştırır.

Azure Machine Learning (AzureML) nedir?#

Azure Machine Learning (AzureML), makine öğrenimi modelleri geliştirmek, eğitmek ve dağıtmak için tasarlanmış özel bir bulut hizmetidir. Her beceri düzeyindeki veri bilimcileri ve geliştiriciler için uygun araçlar içeren ortak çalışma ortamı sağlar. Temel özellikleri arasında otomatik makine öğrenimi (AutoML), model oluşturmaya yönelik sürükle-bırak arayüzü ve makine öğrenimi yaşam döngüsü üzerinde daha ayrıntılı denetim sağlayan bir Python SDK'si bulunur. AzureML, tahmine dayalı modellemenin uygulamalara eklenme sürecini kolaylaştırır.

Ön koşullar#

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

İşlem Örneği Oluştur#

AzureML'deki işlem örneği, veri bilimciler için yönetilen, bulut tabanlı bir iş istasyonu sağlar.

1. AzureML çalışma alanına git.
2. Sol bölmeden 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. Örneğine komut satırı arayüzü açmak için dosya tarayıcısının altındaki Terminal seçeneğine tıkla.

YOLOv5'i kur ve çalıştır#

Ardından ortamı kur ve Ultralytics YOLOv5'i çalıştır.

1. Sanal ortam oluştur#

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

Belirli bir Python sürümünü kullanan 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 deposunu klonla#

Resmî 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 yükle#

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

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

4. YOLOv5 görevlerini gerçekleştir#

Kurulum tamamlandı; artık YOLOv5 modelini eğitebilir, doğrulayabilir, çıkarım çalıştırabilir ve dışa aktarabilirsin.

• Modeli COCO128 gibi bir veri kümesinde eğit.

  # 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

• Eğitilmiş modelin performansını Precision, Recall ve mAP gibi metriklerle Doğrula. Tüm seçenekler için python val.py --help komutunu 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. Desteklenen çıkarım kaynakları için YOLOv5 Hızlı Başlangıç sayfasına bak.

  # 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. Model Dışa Aktarma eğitimine ve ONNX Entegrasyonu sayfasına başvur.

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

Notebook kullanma#

Etkileşimli bir deneyimi tercih ediyorsan bu komutları AzureML Notebook içinde çalıştırabilirsin. Conda ortamına bağlı özel bir IPython kernel oluşturman gerekir.

Yeni bir IPython Çekirdeği Oluştur#

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)"

Kernel'i oluşturduktan sonra tarayıcını yenile. Bir .ipynb notebook dosyasını açarken veya oluştururken sağ üstteki kernel açılır menüsünden yeni kernel'ini ("Python (yolov5env)") seç.

Notebook hücrelerinde komut çalıştırma#

• Python hücreleri: Python hücrelerindeki kod, seçilen yolov5env kernel'ini kullanarak otomatik olarak çalıştırılır.

• Bash hücreleri: Kabuk komutlarını çalıştırmak için hücrenin başında %%bash sihirli komutunu kullan. Her Bash hücresinde Conda ortamını etkinleştirmeyi unutma; bu hücreler notebook'un kernel 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

Artık AzureML üzerinde Ultralytics YOLOv5 kurulumunu ve çalıştırmasını tamamladın. Dağıtık eğitim veya uç nokta olarak model dağıtımı gibi gelişmiş senaryolar için AzureML belgeleri de işine yarayabilir.

Sık Sorulan Sorular#