انتقل إلى المحتوى

YOLO11 🚀 على AzureML

ما هو Azure؟

Azure is Microsoft's cloud computing platform, designed to help organizations move their workloads to the cloud from on-premises data centers. With the full spectrum of cloud services including those for computing, databases, analytics, machine learning, and networking, users can pick and choose from these services to develop and scale new applications, or run existing applications, in the public cloud.

ما المقصود بالتعلم الآلي من Azure (AzureML)؟

Azure التعلم الآلي، الذي يشار إليه عادة باسم AzureML، هو خدمة سحابية مدارة بالكامل تمكن علماء البيانات والمطورين من تضمين التحليلات التنبؤية بكفاءة في تطبيقاتهم، مما يساعد المؤسسات على استخدام مجموعات البيانات الضخمة وتحقيق جميع فوائد السحابة للتعلم الآلي. يقدم AzureML مجموعة متنوعة من الخدمات والإمكانات التي تهدف إلى جعل التعلم الآلي متاحا وسهل الاستخدام وقابلا للتطوير. يوفر إمكانات مثل التعلم الآلي الآلي ، والتدريب على نموذج السحب والإفلات ، بالإضافة إلى قوة Python SDK حتى يتمكن المطورون من تحقيق أقصى استفادة من نماذج التعلم الآلي الخاصة بهم.

كيف يستفيد AzureML YOLO المستعملون؟

لمستخدمي YOLO (أنت تنظر مرة واحدة فقط)، يوفر AzureML نظاما أساسيا قويا وقابلا للتطوير وفعالا لتدريب نماذج التعلم الآلي ونشرها. سواء كنت تتطلع إلى تشغيل نماذج أولية سريعة أو التوسع للتعامل مع بيانات أكثر شمولا، فإن بيئة AzureML المرنة وسهلة الاستخدام توفر أدوات وخدمات متنوعة لتناسب احتياجاتك. يمكنك الاستفادة من AzureML من أجل:

  • إدارة مجموعات البيانات الكبيرة والموارد الحسابية للتدريب بسهولة.
  • استخدم الأدوات المضمنة للمعالجة المسبقة للبيانات واختيار الميزات وتدريب النماذج.
  • تعاون بشكل أكثر كفاءة مع إمكانات MLOps (عمليات التعلم الآلي)، بما في ذلك على سبيل المثال لا الحصر مراقبة النماذج والبيانات وتدقيقها وتعيين إصدارها.

في الأقسام التالية، ستجد في الأقسام التالية دليلاً للبدء السريع يشرح بالتفصيل كيفية تشغيل نماذج اكتشاف كائنات YOLO11 باستخدام AzureML، إما من محطة حوسبة أو دفتر ملاحظات.

المتطلبات المسبقه

قبل أن تتمكن من البدء، تأكد من أن لديك حق الوصول إلى مساحة عمل AzureML. إذا لم يكن لديك واحدة، فيمكنك إنشاء مساحة عمل AzureML جديدة باتباع وثائق Azure الرسمية. تعمل مساحة العمل هذه كمكان مركزي لإدارة جميع موارد AzureML.

إنشاء مثيل حساب

من مساحة عمل AzureML، حدد حساب مثيلات > الحساب > جديد، وحدد المثيل بالموارد التي تحتاجها.

إنشاء مثيل حساب Azure

التشغيل السريع من المحطة الطرفية

ابدأ الحوسبة الخاصة بك وافتح المحطة الطرفية:

فتح المحطة الطرفية

Create virtualenv

قم بإنشاء conda virtualenv الخاص بك وقم بتثبيت النقطة فيه:

conda create --name yolo11env -y
conda activate yolo11env
conda install pip -y

قم بتثبيت التبعيات المطلوبة:

cd ultralytics
pip install -r requirements.txt
pip install ultralytics
pip install onnx>=1.12.0

تنفيذ مهام YOLO11

تنبأ:

yolo predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'

Train a detection model for 10 epochs with an initial learning_rate of 0.01:

yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01

يمكنك العثور على المزيد تعليمات لاستخدام Ultralytics CLI هنا.

التشغيل السريع من دفتر ملاحظات

إنشاء نواة IPython جديدة

افتح محطة الحوسبة.

فتح المحطة الطرفية

من محطة الحوسبة الخاصة بك ، تحتاج إلى إنشاء ipykernel جديد سيتم استخدامه بواسطة دفتر الملاحظات الخاص بك لإدارة تبعياتك:

conda create --name yolo11env -y
conda activate yolo11env
conda install pip -y
conda install ipykernel -y
python -m ipykernel install --user --name yolo11env --display-name "yolo11env"

أغلق جهازك الطرفي وأنشئ دفتر ملاحظات جديدا. من دفتر الملاحظات، يمكنك تحديد النواة الجديدة.

ثم يمكنك فتح خلية دفتر ملاحظات وتثبيت التبعيات المطلوبة:

%%bash
source activate yolo11env
cd ultralytics
pip install -r requirements.txt
pip install ultralytics
pip install onnx>=1.12.0

لاحظ أننا بحاجة إلى استخدام source activate yolo11env لجميع خلايا ٪٪bash ، للتأكد من أن خلية ٪٪bash تستخدم البيئة التي نريدها.

قم بتشغيل بعض التوقعات باستخدام الزر Ultralytics CLI:

%%bash
source activate yolo11env
yolo predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'

أو مع Ultralytics Python واجهة ، على سبيل المثال لتدريب النموذج:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load an official YOLO11n model

# Use the model
model.train(data="coco8.yaml", epochs=3)  # train the model
metrics = model.val()  # evaluate model performance on the validation set
results = model("https://ultralytics.com/images/bus.jpg")  # predict on an image
path = model.export(format="onnx")  # export the model to ONNX format

يمكنك استخدام إما الواجهة Ultralytics CLI أو الواجهة Python لتشغيل مهام YOLO11، كما هو موضح في قسم المحطة الطرفية أعلاه.

من خلال اتباع هذه الخطوات، يجب أن تكون قادرًا على تشغيل YOLO11 بسرعة على AzureML لإجراء تجارب سريعة. لمزيد من الاستخدامات المتقدمة، يمكنك الرجوع إلى وثائق AzureML الكاملة المرتبطة في بداية هذا الدليل.

استكشاف المزيد باستخدام AzureML

هذا الدليل بمثابة مقدمة لتتمكن من تشغيل YOLO11 على AzureML. ومع ذلك، فهو يخدش فقط سطح ما يمكن أن يقدمه AzureML. للتعمق أكثر وإطلاق العنان للإمكانات الكاملة ل AzureML لمشاريع التعلم الآلي الخاصة بك، فكر في استكشاف الموارد التالية:

  • إنشاء أصل بيانات: تعرف على كيفية إعداد أصول البيانات وإدارتها بفعالية داخل بيئة AzureML.
  • بدء مهمة AzureML: احصل على فهم شامل لكيفية بدء مهام التدريب على التعلم الآلي على AzureML.
  • تسجيل نموذج: تعرف على ممارسات إدارة النموذج بما في ذلك التسجيل والإصدار والنشر.
  • Train YOLO11 with AzureML Python SDK: Explore a step-by-step guide on using the AzureML Python SDK to train your YOLO11 models.
  • Train YOLO11 with AzureML CLI: Discover how to utilize the command-line interface for streamlined training and management of YOLO11 models on AzureML.

الأسئلة المتداولة

كيف يمكنني تشغيل YOLO11 على AzureML لتدريب النموذج؟

يتضمن تشغيل YOLO11 على AzureML لتدريب النموذج عدة خطوات:

  1. إنشاء مثيل حوسبة: من مساحة عمل AzureML الخاصة بك، انتقل إلى حوسبة > مثيلات الحوسبة > جديد، وحدد المثيل المطلوب.

  2. إعداد البيئة: ابدأ تشغيل مثيل الحوسبة الخاص بك، وافتح محطة طرفية، وأنشئ بيئة كوندا:

    conda create --name yolo11env -y
conda activate yolo11env
conda install pip -y
pip install ultralytics onnx>=1.12.0

  3. Run YOLO11 Tasks: Use the Ultralytics CLI to train your model:

    yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01

لمزيد من التفاصيل، يمكنك الرجوع إلى تعليمات استخدام Ultralytics CLI .

ما هي فوائد استخدام AzureML في تدريب YOLO11؟

يوفر AzureML نظامًا بيئيًا قويًا وفعالًا لتدريب نماذج YOLO11:

  • قابلية التوسع: يمكنك توسيع نطاق موارد الحوسبة بسهولة مع زيادة تعقيد بياناتك ونموذجك.
  • تكامل MLOps: استفد من ميزات مثل الإصدار، والمراقبة، والتدقيق لتبسيط عمليات تعلّم الآلة.
  • التعاون: مشاركة الموارد وإدارتها داخل الفرق، وتعزيز سير العمل التعاوني.

هذه المزايا تجعل من AzureML منصة مثالية للمشاريع التي تتراوح من النماذج الأولية السريعة إلى عمليات النشر واسعة النطاق. لمزيد من النصائح، راجع وظائف AzureML.

كيف يمكنني استكشاف المشكلات الشائعة وإصلاحها عند تشغيل YOLO11 على AzureML؟

يمكن أن يتضمن استكشاف المشكلات الشائعة في YOLO11 على AzureML وإصلاحها الخطوات التالية:

  • قضايا التبعية: تأكد من تثبيت جميع الحزم المطلوبة. ارجع إلى requirements.txt ملف للتبعيات.
  • إعداد البيئة: تحقق من تنشيط بيئة كوندا بشكل صحيح قبل تشغيل الأوامر.
  • تخصيص الموارد: تأكد من أن مثيلات الحوسبة لديك لديها موارد كافية للتعامل مع عبء عمل التدريب.

لمزيد من الإرشادات الإضافية، راجع وثائق المشكلات الشائعةYOLO .

هل يمكنني استخدام كل من الواجهة Ultralytics CLI و Python على AzureML؟

نعم، يتيح لك AzureML استخدام كل من Ultralytics CLI وواجهة Python بسلاسة:

  • CLI: مثالي للمهام السريعة وتشغيل البرامج النصية القياسية مباشرةً من المنصة.

    yolo predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'

  • Python الواجهة: مفيدة للمهام الأكثر تعقيدًا التي تتطلب ترميزًا مخصصًا وتكاملًا داخل دفاتر الملاحظات.

    from ultralytics import YOLO

model = YOLO("yolo11n.pt")
model.train(data="coco8.yaml", epochs=3)

راجع أدلة البدء السريع للحصول على إرشادات أكثر تفصيلاً هنا وهنا.

What is the advantage of using Ultralytics YOLO11 over other object detection models?

Ultralytics يقدم YOLO11 العديد من المزايا الفريدة مقارنةً بنماذج اكتشاف الأجسام المنافسة:

  • السرعة: أوقات استدلال وتدريب أسرع مقارنةً بنماذج مثل Faster R-CNN و SSD.
  • Accuracy: High accuracy in detection tasks with features like anchor-free design and enhanced augmentation strategies.
  • سهولة الاستخدام: واجهة برمجة تطبيقات بديهية و CLI للإعداد السريع، مما يجعلها في متناول كل من المبتدئين والخبراء.

To explore more about YOLO11's features, visit the Ultralytics YOLO page for detailed insights.

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

التعليقات