Ultralytics YOLOv5 🚀 on AzureML Hızlı Başlangıç

Ultralytics 'e Hoş Geldiniz YOLOv5Microsoft Azure Machine Learning (AzureML) için hızlı başlangıç kılavuzu! Bu kılavuz, bir AzureML işlem örneğinde YOLOv5 'i ayarlama konusunda size yol gösterecek ve sanal bir ortam oluşturmaktan modelle eğitim vermeye ve çıkarım yapmaya kadar her şeyi kapsayacaktır.

Azure nedir?

Azure, Microsoft'un kapsamlı bulut bilişim platformudur. Bilgi işlem gücü, veritabanları, analiz araçları, makine öğrenimi yetenekleri ve ağ çözümleri dahil olmak üzere çok çeşitli hizmetler sunar. Azure, kurumların Microsoft veri merkezleri aracılığıyla uygulamalar ve hizmetler oluşturmasına, dağıtmasına ve yönetmesine olanak tanıyarak iş yüklerinin şirket içi altyapıdan buluta geçişini kolaylaştırır.

Azure Machine Learning (AzureML) nedir?

Azure Machine Learning (AzureML), makine öğrenmesi modellerini geliştirmek, eğitmek ve dağıtmak için tasarlanmış özel bir bulut hizmetidir. Tüm beceri seviyelerindeki veri bilimcileri ve geliştiricileri için uygun araçlarla işbirliğine dayalı bir ortam sağlar. Temel özellikler arasında otomatik makine öğrenimi (AutoML), model oluşturma için sürükle ve bırak arayüzü ve güçlü bir Python ML yaşam döngüsü üzerinde daha ayrıntılı denetim için SDK. AzureML, uygulamalara tahmine dayalı modelleme ekleme sürecini basitleştirir.

Ön Koşullar

Bu kılavuzu takip etmek için etkin bir Azure aboneliğine ve bir AzureML çalışma alanına erişime ihtiyacınız olacaktır. Ayarlanmış bir çalışma alanınız yoksa, lütfen bir çalışma alanı oluşturmak için resmi Azure belgelerine bakın.

Hesaplama Örneği Oluşturma

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

1. AzureML çalışma alanınıza gidin.
2. Sol bölmede Hesaplama'yı seçin.
3. Hesaplama örnekleri sekmesine gidin ve Yeni'ye tıklayın.
4. Uygun CPU 'yu seçerek örneğinizi yapılandırın veya GPU Eğitim veya çıkarım ihtiyaçlarınıza göre kaynaklar.

Bir Terminal Açın

Hesaplama örneğiniz çalıştığında, terminaline doğrudan AzureML stüdyosundan erişebilirsiniz.

1. Sol bölmedeki Not Defterleri bölümüne gidin.
2. Üst açılır menüden hesaplama örneğinizi bulun.
3. Örneğinize bir komut satırı arayüzü açmak için dosya tarayıcısının altındaki Terminal seçeneğine tıklayın.

YOLOv5'i Kurun ve Çalıştırın

Şimdi, ortamı kuralım ve Ultralytics YOLOv5'i çalıştıralım.

1. Sanal Ortam Oluşturun

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

Bir Conda ortamı oluşturun (örn, yolov5env) belirli bir Python sürümü ile çalıştırın ve etkinleştirin:

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 Klonlayın

Git kullanarak GitHub'dan resmi Ultralytics YOLOv5 deposunu klonlayın:

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

3. Bağımlılıkları Yükleyin

Listelenen gerekli Python paketlerini yükleyin requirements.txt dosya. Ayrıca yükleriz ONNX model dışa aktarma yetenekleri için.

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

4. YOLOv5 Görevlerini Gerçekleştirin

Kurulum tamamlandıktan sonra artık YOLOv5 modelinizi eğitebilir, doğrulayabilir, çıkarım yapabilir ve dışa aktarabilirsiniz.

• Modeli COCO128 gibi bir veri kümesi üzerinde eğitin. Daha fazla ayrıntı için Eğitim Modu belgelerine bakın.

  # 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
  

• Hassasiyet, Geri Çağırma ve mAP gibi ölçümleri kullanarak eğitilen modelin performansını doğrulayın. Seçenekler için Doğrulama Modu kılavuzuna bakın.

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

• Çıkarsamayı yeni görüntüler veya videolar üzerinde çalıştırın. Çeşitli çıkarım kaynakları için Tahmin Modu belgelerini inceleyin.

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

• Modeli ONNX gibi farklı formatlara aktarın, TensorRTveya CoreML dağıtım için. Dışa Aktarma Modu kılavuzuna ve ONNX Entegrasyonu sayfasına bakın.

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

Not Defteri Kullanma

Etkileşimli bir deneyim tercih ediyorsanız, bu komutları bir AzureML Notebook içinde çalıştırabilirsiniz. Conda ortamınıza bağlı özel bir IPython çekirdeği oluşturmanız gerekir.

Yeni bir IPython Çekirdeği Oluşturma

Hesaplama örneği terminalinizde aşağıdaki komutları çalıştırın:

# 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 tarayıcınızı yenileyin. Bir çekirdek açtığınızda veya oluşturduğunuzda .ipynb notebook dosyasında, sağ üstteki çekirdek açılır menüsünden yeni çekirdeğinizi (Python (yolov5env)") seçin.

Komutları Not Defteri Hücrelerinde Çalıştırma

• Python Hücreleri: Python hücrelerindeki kod, seçilen kod kullanılarak otomatik olarak yürütülecektir. yolov5env Çekirdek.

• Bash Hücreleri: Kabuk komutlarını çalıştırmak için %%bash sihirli komutunu hücrenin başına ekleyin. Conda ortamınızı her bash hücresi içinde etkinleştirmeyi unutmayın, çünkü bunlar not defterinin çekirdek ortam 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 kurdunuz ve çalıştırdınız. Daha fazla keşif için diğer Ultralytics Entegrasyonlarına veya ayrıntılı YOLOv5 belgelerine göz atmayı düşünün. AzureML belgelerini, dağıtılmış eğitim veya uç nokta olarak model dağıtımı gibi gelişmiş senaryolar için de yararlı bulabilirsiniz.

📅1 yıl önce oluşturuldu ✏️ 16 gün önce güncellendi

Yorumlar