YOLO Vision 2026：

Ultralytics YOLOv5 🚀 AzureML 快速入门#

欢迎阅读 Ultralytics YOLOv5 快速入门指南，了解如何使用 Microsoft Azure 机器学习（AzureML）！本指南将带你完成在 AzureML 计算实例上设置 YOLOv5 的过程，涵盖从创建虚拟环境到使用模型进行训练和推理的全部步骤。

什么是 Azure？#

Azure 是 Microsoft 全面的云计算平台。它提供了丰富的服务，包括计算能力、数据库、分析工具、机器学习功能和网络解决方案。Azure 让组织能够通过 Microsoft 管理的数据中心构建、部署和管理应用程序与服务，从而促进将工作负载从本地基础设施迁移到云端。

什么是 Azure 机器学习（AzureML）？#

Azure 机器学习（AzureML）是一项专为开发、训练和部署机器学习模型而设计的云服务。它提供了一个协作环境，并配备适合各种技能水平的数据科学家和开发者使用的工具。主要功能包括自动化机器学习（AutoML）、用于创建模型的拖放式界面，以及功能强大的 Python SDK，以便更细致地控制 ML 生命周期。AzureML 简化了将预测建模嵌入应用程序的过程。

前置条件#

要按照本指南操作，你需要一个有效的 Azure 订阅，并有权访问一个 AzureML 工作区。如果你还没有设置工作区，请参阅官方 Azure 文档来创建一个。

创建计算实例#

AzureML 中的计算实例为数据科学家提供了一个托管的云端工作站。

  1. 导航到你的 AzureML 工作区。
  2. 在左侧窗格中，选择 Compute。
  3. 转到 Compute instances 选项卡，然后点击 New。
  4. 根据训练或推理需求，通过选择适当的 CPU 或 GPU 资源来配置实例。
Azure ML create compute instance interface

打开终端#

计算实例运行后，你可以直接从 AzureML studio 访问其终端。

  1. 在左侧窗格中转到 Notebooks 部分。
  2. 在顶部下拉菜单中找到你的计算实例。
  3. 点击文件浏览器下方的 Terminal 选项，为你的实例打开命令行界面。

Azure ML 打开终端按钮的位置

设置并运行 YOLOv5#

现在，让我们设置环境并运行 Ultralytics YOLOv5。

1. 创建虚拟环境#

使用虚拟环境管理依赖项是最佳实践。我们将使用 Conda，它已预安装在 AzureML 计算实例上。有关详细的 Conda 设置指南，请参阅 Ultralytics 的 Conda 快速入门指南。

创建一个具有指定 Python 版本的 Conda 环境（例如 yolov5env），并将其激活：

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. 克隆 YOLOv5 仓库#

使用 Git 从 GitHub 克隆官方 Ultralytics YOLOv5 仓库：

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. 安装依赖项#

安装 requirements.txt 文件中列出的必要 Python 软件包。我们还会安装 ONNX，以支持模型导出功能。

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

4. 执行 YOLOv5 任务#

设置完成后，你现在可以训练、验证、执行推理并导出 YOLOv5 模型。

  • 在类似 COCO128 的数据集上训练模型。有关详细信息，请查看训练模式文档。

    # 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

  • 使用精确率、召回率和 mAP 等指标验证训练模型的性能。有关可用选项，请参阅验证模式指南。

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

  • 在新图像或视频上运行推理。查看预测模式文档，了解各种推理来源。

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

  • 将模型导出为 ONNX、TensorRT 或 CoreML 等不同格式，以便部署。请参阅导出模式指南和 ONNX 集成页面。

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

使用 Notebook#

如果你更喜欢交互式体验，可以在 AzureML Notebook 中运行这些命令。你需要创建一个与你的 Conda 环境关联的自定义 IPython 内核。

创建新的 IPython 内核#

在计算实例终端中运行以下命令：

# 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)"

创建内核后，刷新浏览器。当你打开或创建 .ipynb notebook 文件时，从右上角的内核下拉菜单中选择新内核（"Python (yolov5env)"）。

在 Notebook 单元格中运行命令#

  • Python 单元格： Python 单元格中的代码会自动使用选定的 yolov5env 内核执行。

  • Bash 单元格： 要运行 shell 命令，请在单元格开头使用 %%bash 魔术命令。请记住在每个 bash 单元格中激活你的 Conda 环境，因为它们不会自动继承 Notebook 的内核环境上下文。

    %%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

恭喜！你已成功在 AzureML 上设置并运行 Ultralytics YOLOv5。要进一步探索，可以查看其他 Ultralytics 集成或详细的 YOLOv5 文档。你可能还会发现 AzureML 文档对分布式训练或将模型部署为终结点等高级场景很有帮助。

贡献者
RAraimbekovm2GLglenn-jocher1

评论