Link to this sectionAzureML üzerinde Ultralytics YOLOv5 🚀 Hızlı Başlangıç#

Microsoft Azure Machine Learning (AzureML) için Ultralytics YOLOv5 hızlı başlangıç rehberine hoş geldin! Bu rehber, bir sanal ortam oluşturmaktan modeli eğitmeye ve çıkarım çalıştırmaya kadar her adımı kapsayacak şekilde, bir AzureML işlem örneği (compute instance) üzerinde YOLOv5 kurulumunu adım adım anlatacaktır.

Link to this sectionAzure nedir?#

Azure, Microsoft'un kapsamlı bulut bilişim platformudur. İşlem gücü, veritabanları, analiz araçları, makine öğrenimi yetenekleri ve ağ çözümleri dahil olmak üzere çok geniş bir hizmet yelpazesi sunar. Azure, kuruluşların Microsoft tarafından yönetilen veri merkezleri aracılığıyla uygulamalar ve hizmetler oluşturmasını, dağıtmasını ve yönetmesini sağlar; böylece şirket içi altyapıdan buluta iş yükü geçişini kolaylaştırır.

Link to this sectionAzure Machine Learning (AzureML) nedir?#

Azure Machine Learning (AzureML), makine öğrenimi modellerini geliştirmek, eğitmek ve dağıtmak için tasarlanmış özel bir bulut hizmetidir. Veri bilimcileri ve her seviyeden geliştirici için uygun araçlarla iş birliğine dayalı bir ortam sağlar. Temel özellikleri arasında otomatik makine öğrenimi (AutoML), model oluşturma için sürükle-bırak arayüzü ve makine öğrenimi yaşam döngüsü üzerinde daha ayrıntılı kontrol sağlayan güçlü bir Python SDK bulunur. AzureML, tahminleyici modelleme süreçlerinin uygulamalara entegre edilmesini kolaylaştırır.

Link to this sectionÖn koşullar#

Bu rehberi takip etmek için aktif bir Azure aboneliğine ve bir AzureML çalışma alanına erişimin olmalıdır. Eğer kurulu bir çalışma alanın yoksa, bir tane oluşturmak için lütfen resmi Azure belgelerine başvur.

Link to this sectionBir İşlem Örneği (Compute Instance) Oluştur#

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

1. AzureML çalışma alanına git.
2. Sol bölmede Compute (İşlem) seçeneğini belirle.
3. Compute instances (İşlem örnekleri) sekmesine git ve New (Yeni) düğmesine tıkla.
4. Eğitim veya çıkarım ihtiyaçlarına göre uygun CPU veya GPU kaynaklarını seçerek örneğini yapılandır.

Link to this sectionBir Terminal Aç#

İşlem örneğin çalışmaya başladığında, terminaline doğrudan AzureML stüdyosu içinden erişebilirsin.

1. Sol bölmedeki Notebooks bölümüne git.
2. Üst açılır menüden işlem örneğini bul.
3. Örneğine ait komut satırı arayüzünü açmak için dosya tarayıcısının altındaki Terminal seçeneğine tıkla.

Link to this sectionYOLOv5'i Kur ve Çalıştır#

Şimdi ortamı kuralım ve Ultralytics YOLOv5'i çalıştıralım.

Link to this sectionSanal Ortam Oluştur#

Bağımlılıkları yönetmek için bir sanal ortam kullanmak en iyi uygulamadır. AzureML işlem örneklerinde önceden yüklü gelen Conda'yı kullanacağız. Ayrıntılı Conda kurulum rehberi için Ultralytics Conda Hızlı Başlangıç Rehberi sayfasına bakabilirsin.

Belirli bir Python sürümüyle bir Conda ortamı (örneğin yolov5env) oluştur ve bunu 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

Link to this sectionYOLOv5 Deposunu Klonla#

Clone the official Ultralytics YOLOv5 repository from GitHub using Git:

git clone https://github.com/ultralytics/yolov5 # Clone the repository
cd yolov5                                       # Navigate into the directory
# Initialize submodules (if any, though YOLOv5 typically doesn't require this step)
# git submodule update --init --recursive

Link to this sectionBağımlılıkları Yükle#

requirements.txt dosyasında listelenen gerekli Python paketlerini yükle. Ayrıca model dışa aktarma yetenekleri için ONNX paketini de yüklüyoruz.

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

Link to this sectionYOLOv5 Görevlerini Gerçekleştir#

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

• Modeli COCO128 gibi bir veri kümesi üzerinde eğit. Daha fazla ayrıntı için Eğitim Modu belgelerini kontrol et.

  # 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 metrikleri kullanarak doğrula. Seçenekler için Doğrulama Modu rehberine bak.

  # 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. Çeşitli çıkarım kaynakları için Tahmin Modu belgelerini incele.

  # 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 formatlara dışa aktar. Dışa Aktarma Modu rehberine ve ONNX Entegrasyonu sayfasına başvur.

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

Link to this sectionNotebook Kullanımı#

Etkileşimli bir deneyim tercih edersen, bu komutları bir AzureML Notebook içinde çalıştırabilirsin. Conda ortamına bağlı özel bir IPython çekirdeği (kernel) oluşturman gerekecektir.

Link to this sectionYeni bir IPython Çekirdeği Oluştur#

İşlem örneği terminalinde şu komutları 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 dosyası açtığında veya oluşturduğunda, sağ üstteki çekirdek açılır menüsünden yeni çekirdeğini ("Python (yolov5env)") seç.

Link to this sectionNotebook Hücrelerinde Komut Çalıştırma#

• Python Hücreleri: Python hücrelerindeki kodlar, seçilen yolov5env çekirdeği kullanılarak otomatik olarak yürütülecektir.

• Bash Hücreleri: Kabuk komutlarını çalıştırmak için hücrenin başında %%bash sihirli komutunu kullan. Her bash hücresinde Conda ortamını etkinleştirmeyi unutma, çünkü bunlar notebook'un çekirdek ortamı bağlamını otomatik olarak devralmazlar.

  %%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! AzureML üzerinde Ultralytics YOLOv5'i başarıyla kurdun ve çalıştırdın. Daha fazla keşif için diğer Ultralytics Entegrasyonlarına veya ayrıntılı YOLOv5 belgelerine göz atmayı düşün. Ayrıca dağıtık eğitim veya uç nokta olarak model dağıtımı gibi ileri seviye senaryolar için AzureML belgelerini faydalı bulabilirsin.