Ultralytics YOLOv5 🚀 على AzureML Quickstart

مرحبًا بك في دليل البدء السريع لـ Ultralytics YOLOv5 لـ Microsoft Azure Machine Learning ‏(AzureML)! سيرشدك هذا الدليل خلال إعداد YOLOv5 على مثيل حساب AzureML، ويغطي كل شيء بدءًا من إنشاء بيئة افتراضية وحتى التدريب وتشغيل الاستدلال باستخدام النموذج.

ما هو Azure؟

Azure هي منصة الحوسبة السحابية الشاملة من Microsoft. وهي تقدم مجموعة واسعة من الخدمات، بما في ذلك قوة الحوسبة وقواعد البيانات وأدوات التحليل وقدرات تعلم الآلة وحلول الشبكات. يمكّن Azure المؤسسات من إنشاء ونشر وإدارة التطبيقات والخدمات من خلال مراكز البيانات التي تديرها Microsoft، مما يسهل ترحيل أعباء العمل من البنية التحتية المحلية إلى السحابة.

ما هو Azure Machine Learning (AzureML)؟

Azure Machine Learning (AzureML) هي خدمة سحابية متخصصة مصممة لتطوير وتدريب ونشر نماذج تعلم الآلة. توفر بيئة تعاونية مع أدوات مناسبة لعلماء البيانات والمطورين من جميع مستويات المهارة. تتضمن الميزات الرئيسية تعلم الآلة الآلي (AutoML)، وواجهة سحب وإفلات لإنشاء النماذج، و Python SDK قوي لتحكم أكثر دقة في دورة حياة تعلم الآلة. يبسط AzureML عملية تضمين النماذج التنبؤية في التطبيقات.

المتطلبات الأساسية

لمتابعة هذا الدليل، ستحتاج إلى اشتراك Azure نشط والوصول إلى مساحة عمل AzureML. إذا لم يكن لديك مساحة عمل مُعدة، فيرجى الرجوع إلى وثائق Azure الرسمية لإنشاء واحدة.

إنشاء مثيل حساب

توفر مثيل الحساب في AzureML محطة عمل مدارة قائمة على السحابة لعلماء البيانات.

انتقل إلى مساحة عمل AzureML الخاصة بك.
في الجزء الأيسر، حدد Compute.
انتقل إلى علامة التبويب Compute instances وانقر فوق New.
قم بتهيئة المثيل الخاص بك عن طريق تحديد موارد CPU أو GPU المناسبة بناءً على احتياجاتك للتدريب أو الاستدلال.

افتح Terminal

بمجرد تشغيل مثيل الحوسبة الخاص بك، يمكنك الوصول إلى الجهاز الطرفي الخاص به مباشرةً من استوديو AzureML.

انتقل إلى قسم Notebooks في الجزء الأيسر.
ابحث عن مثيل الحساب الخاص بك في القائمة المنسدلة العلوية.
انقر فوق خيار Terminal أسفل مستعرض الملفات لفتح واجهة سطر أوامر للمثيل الخاص بك.

إعداد وتشغيل YOLOv5

الآن، دعنا نقم بإعداد البيئة وتشغيل Ultralytics YOLOv5.

1. إنشاء بيئة افتراضية

من أفضل الممارسات استخدام بيئة افتراضية لإدارة التبعيات. سوف نستخدم Conda، المثبتة مسبقًا على مثيلات حساب AzureML. للحصول على دليل إعداد Conda مفصل، راجع دليل البدء السريع لـ Conda الخاص بـ Ultralytics.

إنشاء بيئة Conda (على سبيل المثال، yolov5env) بإصدار Python محدد وتفعيله:

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. استنساخ مستودع YOLOv5

استنسخ مستودع Ultralytics YOLOv5 الرسمي من GitHub باستخدام 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

3. تثبيت التبعيات

قم بتثبيت حزم python الضرورية المدرجة في requirements.txt الملف. نقوم أيضًا بتثبيت ONNX لقدرات تصدير النموذج.

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

4. تنفيذ مهام YOLOv5

بعد إكمال الإعداد، يمكنك الآن تدريب نموذج YOLOv5 الخاص بك والتحقق منه وإجراء الاستدلال عليه وتصديره.

تدريب النموذج على مجموعة بيانات مثل COCO128. تحقق من وثائق وضع التدريب لمزيد من التفاصيل.

# 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

تحقق من أداء النموذج المدرب باستخدام مقاييس مثل الدقة و الاسترجاع و mAP. راجع دليل وضع التحقق للحصول على خيارات.
```
# Validate the yolov5s model on the COCO128 validation set
python val.py --weights yolov5s.pt --data coco128.yaml --img 640
```
تشغيل الاستدلال على الصور أو مقاطع الفيديو الجديدة. استكشف وثائق وضع التنبؤ لمصادر استدلال متنوعة.
```
# Run inference with yolov5s on sample images
python detect.py --weights yolov5s.pt --source data/images --img 640
```
تصدير النموذج إلى تنسيقات مختلفة مثل ONNX أو TensorRT أو CoreML للنشر. ارجع إلى دليل وضع التصدير وصفحة تكامل ONNX.
```
# Export yolov5s to ONNX format
python export.py --weights yolov5s.pt --include onnx --img 640
```

استخدام دفتر ملاحظات

إذا كنت تفضل تجربة تفاعلية، فيمكنك تشغيل هذه الأوامر داخل AzureML Notebook. ستحتاج إلى إنشاء نواة IPython مخصصة مرتبطة ببيئة Conda الخاصة بك.

إنشاء نواة IPython جديدة

شغّل الأوامر التالية في طرفية مثيل الحوسبة الخاص بك:

# 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)"

بعد إنشاء النواة، قم بتحديث المتصفح الخاص بك. عندما تفتح أو تنشئ .ipynb ملف دفتر الملاحظات، حدد النواة الجديدة ("Python (yolov5env)") من القائمة المنسدلة للنواة في أعلى اليمين.

تشغيل الأوامر في خلايا دفتر الملاحظات

خلايا Python: سيتم تنفيذ التعليمات البرمجية في خلايا Python تلقائيًا باستخدام المحدد yolov5env النواة.
خلايا Bash: لتشغيل أوامر shell، استخدم %%bash الأمر السحري bash في بداية الخلية. تذكر تفعيل بيئة Conda الخاصة بك داخل كل خلية bash، لأنها لا ترث تلقائيًا سياق بيئة kernel الخاص بالدفتر.
```
%%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
```

تهانينا! لقد نجحت في إعداد وتشغيل Ultralytics YOLOv5 على AzureML. لمزيد من الاستكشاف، ضع في اعتبارك التحقق من تكاملات Ultralytics الأخرى أو وثائق YOLOv5 التفصيلية. قد تجد أيضًا وثائق AzureML مفيدة للسيناريوهات المتقدمة مثل التدريب الموزع أو نشر النموذج كنقطة نهاية.

📅 أُنشئ منذ سنة واحدة ✏️ تم التحديث منذ 3 أشهر