تخطي إلى المحتوى

Ultralytics YOLOv5 🚀 على AzureML Quickstart

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

ما هو أزور؟

Azure هي منصة الحوسبة السحابية الشاملة من Microsoft. وهي تقدم مجموعة واسعة من الخدمات، بما في ذلك قوة الحوسبة وقواعد البيانات وأدوات التحليلات وقدرات التعلم الآلي وحلول الشبكات. تُمكِّن Azure المؤسسات من إنشاء التطبيقات والخدمات ونشرها وإدارتها من خلال مراكز البيانات 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 نماذج التعلم الآلي وتدريبها ونشرها. وهي توفر بيئة تعاونية مع أدوات مناسبة لعلماء البيانات والمطورين من جميع مستويات المهارة. تتضمن الميزات الرئيسية التعلم الآلي الآلي (AutoML)، وواجهة سحب وإفلات لإنشاء النماذج، و Python SDK قوية للتحكم بشكل أكثر دقة في دورة حياة التعلم الآلي. يعمل AzureML على تبسيط عملية تضمين النمذجة التنبؤية في التطبيقات.

المتطلبات الأساسية

لاتباع هذا الدليل، ستحتاج إلى اشتراك Azure نشط والوصول إلى مساحة عمل AzureML. إذا لم يكن لديك إعداد مساحة عمل، يُرجى الرجوع إلى وثائق Azure الرسمية لإنشاء واحدة.

إنشاء مثيل حوسبة

يوفّر مثيل الحوسبة في AzureML محطة عمل مُدارة قائمة على السحابة لعلماء البيانات.

  1. انتقل إلى مساحة عمل AzureML الخاصة بك.
  2. في الجزء الأيمن، حدد حساب.
  3. انتقل إلى علامة التبويب مثيلات الحوسبة وانقر فوق جديد.
  4. قم بتهيئة المثيل الخاص بك عن طريق تحديد CPU أو GPU المناسبة بناءً على احتياجاتك للتدريب أو الاستدلال.

إنشاء-حساب-سهم-حساب-إنشاء

افتح محطة طرفية

بمجرد تشغيل مثيل الحوسبة الخاص بك، يمكنك الوصول إلى طرفه مباشرةً من استوديو AzureML.

  1. انتقل إلى قسم دفاتر الملاحظات في الجزء الأيمن.
  2. ابحث عن مثيل الحوسبة الخاص بك في القائمة المنسدلة العلوية.
  3. انقر على الخيار Terminal الموجود أسفل متصفح الملفات لفتح واجهة سطر الأوامر للمثيل الخاص بك.

سهم-طرف-طرف-مفتوح-سهم

إعداد YOLOv5 وتشغيله

والآن، لنقم بإعداد البيئة وتشغيل Ultralytics YOLOv5.

1. إنشاء بيئة افتراضية

من أفضل الممارسات استخدام بيئة افتراضية لإدارة التبعيات. سنستخدم Conda، والذي يتم تثبيته مسبقًا على مثيلات حوسبة AzureML. للحصول على دليل مفصل لإعداد Conda، راجعدليل البدء السريع لـ Ultralytics Conda.

إنشاء بيئة كوندا (على سبيل المثال, yolov5env) مع إصدار 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 المستنسخ

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 ملف. نقوم أيضًا بتثبيت ONNX لإمكانيات تصدير النماذج.

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

4. تنفيذ مهام YOLOv5

بعد اكتمال الإعداد، يمكنك الآن تدريب نموذج YOLOv5 والتحقق من صحته وإجراء الاستدلال وتصديره.

  • تدريب النموذج على مجموعة بيانات مثل COCO128. راجع 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 صحة أداء النموذج المُدرَّب باستخدام مقاييس مثل الدقة والاستدعاء و mAP. راجع دليل وضع التحقق من الصحة لمعرفة الخيارات.

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

  • تشغيل الاستدلال على صور أو مقاطع فيديو جديدة. استكشف وثائق وضع التنبؤ لمصادر الاستدلال المختلفة.

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

  • تصدير النموذج إلى صيغ مختلفة مثل ONNX, TensorRTأو CoreML للنشر. ارجع إلى دليل وضع التصدير وصفحة تكاملONNX .

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

استخدام دفتر الملاحظات

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

إنشاء نواة IPython جديدة

قم بتشغيل الأوامر التالية في طرفية مثيل الحوسبة الخاصة 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. عند فتح أو إنشاء .ipynb ملف دفتر الملاحظات، اختر النواة الجديدة (Python (yolov5env)") من القائمة المنسدلة للنواة في أعلى اليمين.

تشغيل الأوامر في خلايا دفتر الملاحظات

  • خلايا Python : ستنفذ التعليمات البرمجية في خلايا Python تلقائيًا باستخدام yolov5env النواة.

  • خلايا Bash : لتشغيل أوامر الصدفة، استخدم الأداة %%bash أمر سحري في بداية الخلية. تذكّر تفعيل بيئة كوندا داخل كل خلية من خلايا bash حيث أنها لا ترث تلقائيًا سياق بيئة نواة الدفتر.

    %%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 قمت بإعداد وتشغيل Ultralytics YOLOv5 بنجاح على AzureML. لمزيد من الاستكشاف، فكر في الاطلاع على تكاملاتUltralytics الأخرى أو وثائقYOLOv5 المفصلة. قد تجد أيضًا وثائق AzureML مفيدة لسيناريوهات متقدمة مثل التدريب الموزع أو نشر النموذج كنقطة نهاية.



📅 تم إنشاؤها منذ 1 سنة مضت ✏️ تم التحديث منذ 2 شهر
غلين-جوتشر رضوان منور أوفي

التعليقات