AzureML Hızlı Başlangıcında Ultralytics YOLOv5 🚀

Microsoft Azure Machine Learning (AzureML) için Ultralytics YOLOv5 hızlı başlangıç kılavuzuna hoş geldiniz! Bu kılavuz, sanal bir ortam oluşturmaktan modelle eğitim ve çıkarım çalıştırmaya kadar her şeyi kapsayan bir AzureML işlem örneğinde YOLOv5'i kurma konusunda size yol gösterecektir.

Azure nedir?

Azure, Microsoft'un kapsamlı bulut bilişim platformudur. İşlem gücü, veritabanları, analiz araçları, makine öğrenimi yetenekleri ve ağ çözümleri dahil olmak üzere çok çeşitli hizmetler sunar. Azure, kuruluşların Microsoft tarafından yönetilen veri merkezleri aracılığıyla uygulamalar ve hizmetler oluşturmasına, dağıtmasına ve yönetmesine olanak tanıyarak iş yüklerinin şirket içi altyapıdan buluta geçişini kolaylaştırır.

Azure Machine Learning (AzureML) nedir?

Azure Machine Learning (AzureML), makine öğrenimi modelleri geliştirmek, eğitmek ve dağıtmak için tasarlanmış özel bir bulut hizmetidir. Her beceri düzeyindeki veri bilimcileri ve geliştiriciler için uygun araçlarla işbirlikçi bir ortam sağlar. Temel özellikler arasında otomatik makine öğrenimi (AutoML), model oluşturma için bir sürükle ve bırak arayüzü ve ML yaşam döngüsü üzerinde daha ayrıntılı kontrol için güçlü bir Python SDK'sı bulunur. AzureML, tahmine dayalı modellemeyi uygulamalara yerleştirme sürecini basitleştirir.

Ön koşullar

Bu kılavuzu takip etmek için, aktif bir Azure aboneliğine ve bir AzureML çalışma alanına erişiminiz olması gerekir. Bir çalışma alanınız yoksa, lütfen bir tane oluşturmak için resmi Azure belgelerine bakın.

Bir İşlem Örneği Oluşturun

AzureML'deki bir işlem örneği, veri bilimcileri için yönetilen bulut tabanlı bir iş istasyonu sağlar.

1. AzureML çalışma alanınıza gidin.
2. Sol bölmede İşlem öğesini seçin.
3. Compute instances sekmesine gidin ve New seçeneğine tıklayın.
4. Eğitim veya çıkarım ihtiyaçlarınıza göre uygun CPU veya GPU kaynaklarını seçerek örneğinizi yapılandırın.

Bir Terminal Açın

İşlem örneğiniz çalıştıktan sonra, terminaline doğrudan AzureML stüdyosundan erişebilirsiniz.

1. Sol bölmedeki Notebooks bölümüne gidin.
2. Üstteki açılır menüde işlem örneğinizi bulun.
3. Örneğiniz için bir komut satırı arayüzü açmak üzere dosya tarayıcısının altındaki Terminal seçeneğine tıklayın.

YOLOv5'i Kurulum ve Çalıştırma

Şimdi, ortamı ayarlayalım ve Ultralytics YOLOv5'i çalıştıralım.

1. Sanal Ortam Oluşturun

Bağımlılıkları yönetmek için sanal bir ortam kullanmak en iyi uygulamadır. AzureML işlem örneklerinde önceden yüklenmiş olan Conda'yı kullanacağız. Ayrıntılı bir Conda kurulum kılavuzu için Ultralytics Conda Hızlı Başlangıç Kılavuzu'na bakın.

Bir Conda ortamı oluşturun (örneğin, yolov5env) belirli bir python sürümüyle ve etkinleştirin:

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. YOLOv5 Depoyu Klonlayın

Git kullanarak GitHub'dan resmi Ultralytics YOLOv5 deposunu klonlayın:

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. Bağımlılıkları Yükleyin

Şurada listelenen gerekli python paketlerini yükleyin requirements.txt dosyası. Ayrıca şunu da kuruyoruz: ONNX model dışa aktarma yetenekleri için.

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

4. YOLOv5 Görevlerini Gerçekleştirin

Kurulum tamamlandığında, artık YOLOv5 modelinizi eğitebilir, doğrulayabilir, çıkarım yapabilir ve dışa aktarabilirsiniz.

• COCO128 gibi bir veri kümesi üzerinde modeli eğitin. Daha fazla ayrıntı için Eğitim Modu belgelerine bakın.

  # 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
  

• Doğrulama: Eğitilmiş modelin performansını Hassasiyet, Geri Çağırma ve mAP gibi metrikleri kullanarak doğrulayın. Seçenekler için Doğrulama Modu kılavuzuna bakın.

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

• Yeni resimler veya videolar üzerinde Çıkarım Çalıştırın. Çeşitli çıkarım kaynakları için Tahmin Modu belgelerini inceleyin.

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

• Modeli ONNX, TensorRT veya CoreML gibi farklı formatlara aktarın. Dağıtım için Dışa Aktarma Modu kılavuzuna ve ONNX Entegrasyonu sayfasına bakın.

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

Not Defteri Kullanımı

Etkileşimli bir deneyimi tercih ederseniz, bu komutları bir AzureML Notebook içinde çalıştırabilirsiniz. Conda ortamınıza bağlı özel bir IPython çekirdeği oluşturmanız gerekecektir.

Yeni Bir IPython Çekirdeği Oluşturun

Aşağıdaki komutları işlem örneği terminalinizde çalıştırın:

# 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)"

Çekirdeği oluşturduktan sonra tarayıcınızı yenileyin. Bir .ipynb not defteri dosyasında, sağ üstteki çekme menüsünden yeni çekirdeğinizi ("Python (yolov5env)") seçin.

Not Defteri Hücrelerinde Komutları Çalıştırma

• python Hücreleri: Python hücrelerindeki kod, otomatik olarak seçilen kullanılarak yürütülecektir yolov5env çekirdek.

• Bash Hücreleri: Shell komutlarını çalıştırmak için şunu kullanın: %%bash hücrenin başında magic komutu. Her bash hücresi içinde Conda ortamınızı etkinleştirmeyi unutmayın, çünkü bunlar not defterinin çekirdek ortam bağlamını otomatik olarak devralmaz.

  %%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
  

Tebrikler! Ultralytics YOLOv5'i AzureML üzerinde başarıyla kurdunuz ve çalıştırdınız. Daha fazla keşif için diğer Ultralytics Entegrasyonlarına veya ayrıntılı YOLOv5 belgelerine göz atmayı düşünebilirsiniz. Dağıtılmış eğitim veya modelin bir uç nokta olarak dağıtılması gibi gelişmiş senaryolar için AzureML belgelerini de faydalı bulabilirsiniz.

📅 1 yıl önce oluşturuldu ✏️ 3 ay önce güncellendi

Yorumlar