YOLOv8 🚀 trên AzureML
Azure là gì?
Azure là nền tảng điện toán đám mây của Microsoft, được thiết kế để giúp các tổ chức di chuyển khối lượng công việc của họ lên đám mây từ các trung tâm dữ liệu tại chỗ. Với toàn bộ các dịch vụ đám mây bao gồm các dịch vụ điện toán, cơ sở dữ liệu, phân tích, học máy và kết nối mạng, người dùng có thể chọn và chọn từ các dịch vụ này để phát triển và mở rộng các ứng dụng mới hoặc chạy các ứng dụng hiện có trên đám mây công cộng.
Azure Machine Learning (AzureML) là gì?
Azure Machine Learning, thường được gọi là AzureML, là một dịch vụ đám mây được quản lý hoàn toàn cho phép các nhà khoa học và nhà phát triển dữ liệu nhúng hiệu quả các phân tích dự đoán vào ứng dụng của họ, giúp các tổ chức sử dụng các bộ dữ liệu khổng lồ và mang tất cả các lợi ích của đám mây vào học máy. AzureML cung cấp nhiều dịch vụ và khả năng nhằm giúp máy học có thể truy cập, dễ sử dụng và có thể mở rộng. Nó cung cấp các khả năng như học máy tự động, đào tạo mô hình kéo và thả, cũng như mạnh mẽ Python SDK để các nhà phát triển có thể tận dụng tối đa các mô hình học máy của họ.
AzureML mang lại lợi ích như thế nào YOLO Người dùng?
Đối với người dùng của YOLO (Bạn chỉ nhìn một lần), AzureML cung cấp một nền tảng mạnh mẽ, có thể mở rộng và hiệu quả để đào tạo và triển khai các mô hình học máy. Cho dù bạn đang tìm cách chạy các nguyên mẫu nhanh hay mở rộng quy mô để xử lý dữ liệu phong phú hơn, môi trường linh hoạt và thân thiện với người dùng của AzureML cung cấp nhiều công cụ và dịch vụ khác nhau để phù hợp với nhu cầu của bạn. Bạn có thể tận dụng AzureML để:
- Dễ dàng quản lý các bộ dữ liệu lớn và tài nguyên tính toán để đào tạo.
- Sử dụng các công cụ tích hợp để tiền xử lý dữ liệu, lựa chọn tính năng và đào tạo mô hình.
- Cộng tác hiệu quả hơn với các chức năng cho MLOps (Machine Learning Operations), bao gồm nhưng không giới hạn ở việc giám sát, kiểm tra và lập phiên bản các mô hình và dữ liệu.
Trong các phần tiếp theo, bạn sẽ tìm thấy hướng dẫn bắt đầu nhanh chi tiết cách chạy YOLOv8 mô hình phát hiện đối tượng bằng AzureML, từ thiết bị đầu cuối điện toán hoặc sổ ghi chép.
Điều kiện tiên quyết
Trước khi bạn có thể bắt đầu, hãy đảm bảo bạn có quyền truy cập vào không gian làm việc AzureML. Nếu chưa có, bạn có thể tạo không gian làm việc AzureML mới bằng cách làm theo tài liệu chính thức của Azure. Không gian làm việc này hoạt động như một nơi tập trung để quản lý tất cả các tài nguyên AzureML.
Tạo phiên bản điện toán
Từ không gian làm việc AzureML của bạn, chọn Phiên bản điện toán > > Mới, chọn phiên bản có tài nguyên bạn cần.
Bắt đầu nhanh từ Terminal
Bắt đầu tính toán và mở Terminal:
Tạo virtualenv
Tạo conda virtualenv của bạn và cài đặt pip trong đó:
Cài đặt các phụ thuộc cần thiết:
Diễn YOLOv8 Nhiệm vụ
Dự đoán:
Đào tạo mô hình phát hiện cho 10 kỷ nguyên với learning_rate ban đầu là 0,01:
Bạn có thể tìm thêm Hướng dẫn sử dụng Ultralytics CLI tại đây.
Bắt đầu nhanh từ Sổ ghi chép
Tạo hạt nhân IPython mới
Mở thiết bị đầu cuối điện toán.
Từ thiết bị đầu cuối điện toán, bạn cần tạo một ipykernel mới sẽ được sổ ghi chép của bạn sử dụng để quản lý các phần phụ thuộc của bạn:
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"
Đóng thiết bị đầu cuối của bạn và tạo sổ ghi chép mới. Từ Notebook của bạn, bạn có thể chọn hạt nhân mới.
Sau đó, bạn có thể mở một ô Sổ ghi chép và cài đặt các phần phụ thuộc cần thiết:
%%bash
source activate yolov8env
cd ultralytics
pip install -r requirements.txt
pip install ultralytics
pip install onnx>=1.12.0
Lưu ý rằng chúng ta cần sử dụng source activate yolov8env Đối với tất cả các ô %%bash, để đảm bảo rằng ô %%bash sử dụng môi trường chúng ta muốn.
Chạy một số dự đoán bằng cách sử dụng Ultralytics CLI:
%%bash
source activate yolov8env
yolo predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg'
Hoặc với Ultralytics Python Giao diện, ví dụ để đào tạo mô hình:
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
Bạn có thể sử dụng Ultralytics CLI hoặc Python Giao diện để chạy YOLOv8 Nhiệm vụ, như được mô tả trong phần thiết bị đầu cuối ở trên.
Bằng cách làm theo các bước sau, bạn sẽ có thể nhận được YOLOv8 chạy nhanh trên AzureML để dùng thử nhanh. Để sử dụng nâng cao hơn, bạn có thể tham khảo tài liệu AzureML đầy đủ được liên kết ở đầu hướng dẫn này.
Khám phá thêm với AzureML
Hướng dẫn này đóng vai trò giới thiệu để giúp bạn bắt đầu và chạy với YOLOv8 trên AzureML. Tuy nhiên, nó chỉ làm trầy xước bề mặt của những gì AzureML có thể cung cấp. Để tìm hiểu sâu hơn và khai phá toàn bộ tiềm năng của AzureML cho các dự án máy học của bạn, hãy cân nhắc khám phá các tài nguyên sau:
- Tạo tài sản dữ liệu: Tìm hiểu cách thiết lập và quản lý tài sản dữ liệu của bạn một cách hiệu quả trong môi trường AzureML.
- Bắt đầu công việc AzureML: Hiểu biết toàn diện về cách khởi động các công việc đào tạo máy học của bạn trên AzureML.
- Đăng ký Mô hình: Tự làm quen với các phương pháp quản lý mô hình bao gồm đăng ký, lập phiên bản và triển khai.
- Xe lửa YOLOv8 với AzureML Python SDK: Khám phá hướng dẫn từng bước về cách sử dụng AzureML Python SDK để đào tạo YOLOv8 Mô hình.
- Xe lửa YOLOv8 với AzureML CLI: Khám phá cách sử dụng giao diện dòng lệnh để đào tạo và quản lý hợp lý YOLOv8 mô hình trên AzureML.