Ultralytics YOLOv5 🚀 trên AzureML Quickstart#

Chào mừng bạn đến với hướng dẫn bắt đầu nhanh Ultralytics YOLOv5 cho Microsoft Azure Machine Learning (AzureML)! Hướng dẫn này sẽ dẫn dắt bạn thiết lập YOLOv5 trên một compute instance của AzureML, bao gồm mọi thứ từ việc tạo môi trường ảo đến huấn luyện và chạy inference với model.

Azure là gì?#

Azure là nền tảng cloud computing toàn diện của Microsoft. Nền tảng này cung cấp vô số dịch vụ, bao gồm năng lực tính toán, cơ sở dữ liệu, công cụ phân tích, khả năng machine learning và giải pháp mạng. Azure cho phép các tổ chức xây dựng, triển khai và quản lý ứng dụng cũng như dịch vụ thông qua các trung tâm dữ liệu do Microsoft quản lý, tạo điều kiện thuận lợi cho việc di chuyển các workload từ cơ sở hạ tầng tại chỗ lên cloud.

Azure Machine Learning (AzureML) là gì?#

Azure Machine Learning (AzureML) là một dịch vụ cloud chuyên dụng được thiết kế để phát triển, huấn luyện và triển khai các model machine learning. Dịch vụ này cung cấp một môi trường cộng tác với các công cụ phù hợp cho các nhà khoa học dữ liệu và lập trình viên ở mọi cấp độ kỹ năng. Các tính năng chính bao gồm automated machine learning (AutoML), giao diện kéo thả để tạo model và Python SDK mạnh mẽ để kiểm soát chi tiết hơn đối với vòng đời ML. AzureML đơn giản hóa quy trình tích hợp predictive modeling vào các ứng dụng.

Điều kiện tiên quyết#

Để thực hiện theo hướng dẫn này, bạn cần có một Azure subscription đang hoạt động và quyền truy cập vào một AzureML workspace. Nếu bạn chưa thiết lập workspace, vui lòng tham khảo Azure documentation chính thức để tạo một cái.

Tạo một Compute Instance#

Một compute instance trong AzureML cung cấp một workstation dựa trên cloud được quản lý dành cho data scientist.

Điều hướng đến AzureML workspace của bạn.
Trên ngăn bên trái, chọn Compute.
Đi tới tab Compute instances và nhấp vào New.
Cấu hình instance của bạn bằng cách chọn tài nguyên CPU hoặc GPU phù hợp dựa trên nhu cầu huấn luyện hoặc inference.

Azure ML create compute instance interface

Mở một Terminal#

Khi compute instance của bạn đang chạy, bạn có thể truy cập terminal của nó trực tiếp từ AzureML studio.

Đi tới phần Notebooks ở ngăn bên trái.
Tìm compute instance của bạn trong menu thả xuống phía trên.
Nhấp vào tùy chọn Terminal bên dưới trình duyệt tệp để mở giao diện dòng lệnh cho instance của bạn.

Thiết lập và chạy YOLOv5#

Bây giờ, hãy thiết lập môi trường và chạy Ultralytics YOLOv5.

Tạo môi trường ảo#

Best practice là sử dụng môi trường ảo để quản lý các dependency. Chúng ta sẽ sử dụng Conda, được cài đặt sẵn trên các compute instance của AzureML. Để có hướng dẫn thiết lập Conda chi tiết, hãy xem Conda Quickstart Guide của Ultralytics.

Tạo một môi trường Conda (ví dụ: yolov5env) với phiên bản Python cụ thể và kích hoạt nó:

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

Clone Repository YOLOv5#

Clone repository Ultralytics YOLOv5 chính thức từ GitHub bằng 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

Cài đặt các Dependencies#

Cài đặt các gói Python cần thiết được liệt kê trong tệp requirements.txt. Chúng tôi cũng cài đặt ONNX để có khả năng xuất model.

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

Thực hiện các tác vụ YOLOv5#

Sau khi thiết lập hoàn tất, giờ đây bạn có thể huấn luyện, kiểm thử (validate), thực hiện inference và xuất model YOLOv5 của mình.

Huấn luyện model trên một dataset như COCO128. Kiểm tra tài liệu Training Mode để biết thêm chi tiết.

# 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

Đánh giá hiệu suất của model đã huấn luyện bằng cách sử dụng các metric như Precision, Recall và mAP. Xem hướng dẫn Validation Mode để biết các tùy chọn.
```
# Validate the yolov5s model on the COCO128 validation set
python val.py --weights yolov5s.pt --data coco128.yaml --img 640
```
Chạy Inference trên các hình ảnh hoặc video mới. Khám phá tài liệu Prediction Mode để biết các nguồn inference khác nhau.
```
# Run inference with yolov5s on sample images
python detect.py --weights yolov5s.pt --source data/images --img 640
```
Xuất model sang các định dạng khác nhau như ONNX, TensorRT hoặc CoreML để triển khai. Tham khảo hướng dẫn Export Mode và trang ONNX Integration.
```
# Export yolov5s to ONNX format
python export.py --weights yolov5s.pt --include onnx --img 640
```

Sử dụng Notebook#

Nếu bạn thích trải nghiệm tương tác, bạn có thể chạy các lệnh này trong một AzureML Notebook. Bạn sẽ cần tạo một IPython kernel tùy chỉnh liên kết với môi trường Conda của mình.

Tạo một IPython Kernel mới#

Chạy các lệnh sau trong terminal của compute instance:

# 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)"

Sau khi tạo kernel, hãy làm mới trình duyệt của bạn. Khi bạn mở hoặc tạo tệp notebook .ipynb, hãy chọn kernel mới của bạn ("Python (yolov5env)") từ menu thả xuống kernel ở phía trên bên phải.

Chạy lệnh trong các Notebook Cell#

Python Cells: Code trong các Python cell sẽ tự động thực thi bằng cách sử dụng kernel yolov5env đã chọn.
Bash Cells: Để chạy các lệnh shell, hãy sử dụng magic command %%bash ở đầu cell. Hãy nhớ kích hoạt môi trường Conda của bạn trong mỗi bash cell, vì chúng không tự động kế thừa ngữ cảnh môi trường kernel của notebook.
```
%%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
```

Xin chúc mừng! Bạn đã thiết lập và chạy thành công Ultralytics YOLOv5 trên AzureML. Để khám phá thêm, hãy cân nhắc xem các Ultralytics Integrations khác hoặc tài liệu YOLOv5 documentation chi tiết. Bạn cũng có thể thấy tài liệu AzureML documentation hữu ích cho các kịch bản nâng cao như huấn luyện phân tán hoặc triển khai model dưới dạng endpoint.

Những người đóng góp

RAraimbekovm¹ GLglenn-jocher¹

Đã tạo 2 tháng trướcĐã cập nhật tháng trước