Ultralytics YOLO27:

YOLO26 🚀 على AzureML#

ما هي Azure؟#

‏Azure هي منصة الحوسبة السحابية التابعة لشركة Microsoft، وقد صُممت لمساعدة المؤسسات على نقل أعباء العمل لديها إلى السحابة من مراكز البيانات المحلية. وبفضل المجموعة الشاملة من خدمات السحابة، بما في ذلك خدمات الحوسبة وقواعد البيانات والتحليلات وتعلّم الآلة والشبكات، يمكن للمستخدمين اختيار الخدمات التي يحتاجون إليها لتطوير التطبيقات الجديدة وتوسيع نطاقها، أو لتشغيل التطبيقات الحالية في السحابة العامة.

ما هو تعلّم الآلة من Azure (AzureML)؟#

AzureML هي خدمة سحابية مُدارة بالكامل لبناء نماذج تعلّم الآلة وتدريبها ونشرها على نطاق واسع. وتوفر تعلّمًا آليًا آليًا، وتدريبًا للنماذج بالسحب والإفلات، وSDK لـ Python للتحكم البرمجي الكامل في نماذجك.

كيف تستفيد AzureML لمستخدمَي YOLO؟#

تتيح لك AzureML تدريب نماذج Ultralytics YOLO26 ونشرها في السحابة، بدءًا من النماذج الأولية السريعة ووصولًا إلى عمليات التشغيل واسعة النطاق. وباستخدامها، يمكنك:

  • إدارة مجموعات البيانات الكبيرة وموارد الحوسبة اللازمة للتدريب بسهولة.
  • الاستفادة من الأدوات المضمّنة للمعالجة المسبقة للبيانات، واختيار الميزات، وتدريب النماذج.
  • التعاون بكفاءة أكبر بفضل إمكانات عمليات تعلّم الآلة (MLOps)، بما في ذلك، على سبيل المثال لا الحصر، مراقبة النماذج والبيانات وتدقيقها وإدارة إصداراتها.

ستجد في الأقسام التالية دليل بدء سريع يوضّح كيفية تشغيل نماذج اكتشاف الكائنات YOLO26 باستخدام AzureML، سواء من محطة طرفية للحوسبة أو من دفتر ملاحظات.

المتطلبات الأساسية#

قبل البدء، تأكد من أن لديك صلاحية الوصول إلى مساحة عمل AzureML. وإذا لم تكن لديك واحدة، فيمكنك إنشاء مساحة عمل AzureML جديدة باتباع الوثائق الرسمية لـ Azure. وتعمل مساحة العمل هذه كمكان مركزي لإدارة جميع موارد AzureML.

إنشاء مثيل حوسبة#

من مساحة عمل AzureML، اختر Compute > Compute instances > New، ثم اختر المثيل الذي يضم الموارد التي تحتاج إليها.

Create Azure Compute Instance

بدء سريع من المحطة الطرفية#

شغّل الحوسبة وافتح محطة طرفية:

Open Terminal

إنشاء بيئة افتراضية#

أنشئ بيئة افتراضية باستخدام conda وثبّت pip فيها:

conda create --name yolo26env -y python=3.12
conda activate yolo26env
conda install pip -y
إصدار Python

يواجه Python 3.13 حاليًا مشكلات في التبعيات على AzureML، لذا استخدم Python 3.12 بدلًا منه.

ثبّت التبعيات المطلوبة:

pip install ultralytics onnx

تنفيذ مهام YOLO26#

التنبؤ:

yolo predict model=yolo26n.pt source='https://ultralytics.com/images/bus.jpg'

درّب نموذج اكتشاف لمدة 10 عصور تدريب باستخدام قيمة أولية لمعدل التعلم_rate تبلغ 0.01:

yolo train data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01

يمكنك العثور على المزيد من التعليمات لاستخدام واجهة سطر أوامر Ultralytics هنا.

بدء سريع من دفتر ملاحظات#

إنشاء نواة IPython جديدة#

افتح محطة الحوسبة الطرفية.

Open Terminal

من محطة الحوسبة الطرفية، أنشئ ipykernel جديدًا باستخدام Python 3.12 ليستخدمه دفتر الملاحظات لإدارة التبعيات:

conda create --name yolo26env -y python=3.12
conda activate yolo26env
conda install pip -y
conda install ipykernel -y
python -m ipykernel install --user --name yolo26env --display-name "yolo26env"

أغلِق المحطة الطرفية وأنشئ دفتر ملاحظات جديدًا. ومن دفتر الملاحظات، اختر النواة التي أنشأتها حديثًا.

بعد ذلك، افتح خلية في دفتر الملاحظات وثبّت التبعيات المطلوبة:

%%bash
source activate yolo26env
pip install ultralytics onnx
فعّل البيئة في كل خلية

شغّل source activate yolo26env في أعلى كل خلية %%bash حتى تستخدم الخلية البيئة المقصودة.

شغّل بعض التنبؤات باستخدام واجهة سطر أوامر Ultralytics:

%%bash
source activate yolo26env
yolo predict model=yolo26n.pt source='https://ultralytics.com/images/bus.jpg'

أو باستخدام واجهة Ultralytics لـ Python، مثلًا لتدريب النموذج:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load an official YOLO26n 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 واجهة سطر أوامر Ultralytics أو واجهة Python لتشغيل مهام YOLO26. كما يصدّر مثال Python أعلاه النموذج المدرَّب إلى ONNX للنشر.

باتباع هذه الخطوات، يمكنك تشغيل YOLO26 بسرعة على AzureML. ولمزيد من عمليات سير العمل المتقدمة، راجع وثائق AzureML.

استكشف المزيد باستخدام AzureML#

يغطي هذا الدليل أساسيات تشغيل YOLO26 على AzureML. وللتعمق أكثر، استكشف هذه الموارد:

الأسئلة الشائعة#

  • لتشغيل YOLO26 على AzureML بغرض التدريب، أنشئ مثيل حوسبة، وأعدّ بيئة Conda، وثبّت Ultralytics، ثم شغّل أمر التدريب:

    1. إنشاء مثيل حوسبة: من مساحة عمل AzureML، انتقل إلى Compute > Compute instances > New، ثم اختر المثيل المطلوب.

    2. إعداد البيئة: شغّل مثيل الحوسبة، وافتح محطة طرفية، وأنشئ بيئة Conda باستخدام Python 3.12 (يواجه Python 3.13 حاليًا مشكلات في التبعيات على AzureML):

      conda create --name yolo26env -y python=3.12
conda activate yolo26env
conda install pip -y
pip install ultralytics onnx

    3. تنفيذ مهام YOLO26: استخدم واجهة سطر أوامر Ultralytics لتدريب نموذجك:

      yolo train data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01

    لمزيد من التفاصيل، يمكنك الرجوع إلى التعليمات الخاصة باستخدام واجهة سطر أوامر Ultralytics.

  • توفر AzureML منظومة قوية وفعّالة لتدريب نماذج YOLO26:

    • قابلية التوسع: وسّع نطاق موارد الحوسبة بسهولة مع نمو بياناتك وتعقيد نموذجك.
    • تكامل عمليات تعلّم الآلة (MLOps): استفد من ميزات مثل إدارة الإصدارات والمراقبة والتدقيق لتبسيط عمليات تعلّم الآلة.
    • التعاون: شارك الموارد وأدرها ضمن الفرق، مما يعزز عمليات سير العمل التعاونية.

    تجعل هذه المزايا AzureML منصة مثالية للمشروعات التي تتراوح بين النماذج الأولية السريعة وعمليات النشر واسعة النطاق. ولمزيد من النصائح، راجع مهام AzureML.

  • لاستكشاف أخطاء YOLO26 على AzureML وإصلاحها، تحقّق من تثبيت التبعيات، وتأكد من تفعيل بيئة Conda، وتأكد من أن مثيل الحوسبة يضم موارد كافية:

    • مشكلات التبعيات: تأكد من تثبيت جميع الحزم المطلوبة باستخدام pip install ultralytics onnx.
    • إعداد البيئة: تحقّق من تفعيل بيئة conda بشكل صحيح قبل تشغيل الأوامر.
    • تخصيص الموارد: تأكد من أن مثيلات الحوسبة لديك تملك موارد كافية للتعامل مع عبء عمل التدريب.

    للحصول على إرشادات إضافية، راجع وثائق المشكلات الشائعة في YOLO.

  • نعم، تتيح لك AzureML استخدام كلٍّ من واجهة سطر أوامر Ultralytics وواجهة Python بسلاسة:

    • واجهة سطر الأوامر (CLI): مثالية للمهام السريعة وتشغيل البرامج النصية القياسية مباشرةً من المحطة الطرفية.

      yolo predict model=yolo26n.pt source='https://ultralytics.com/images/bus.jpg'

    • واجهة Python: مفيدة للمهام الأكثر تعقيدًا التي تتطلب برمجة مخصصة وتكاملًا ضمن دفاتر الملاحظات.

      from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.train(data="coco8.yaml", epochs=3)

    للحصول على تعليمات خطوة بخطوة، راجع دليل البدء السريع لواجهة سطر الأوامر ودليل البدء السريع لـ Python.

  • يوفر Ultralytics YOLO26 عدة مزايا فريدة مقارنةً بنماذج اكتشاف الكائنات المنافسة:

    • السرعة: أوقات استدلال وتدريب أسرع مقارنةً بنماذج مثل Faster R-CNN وSSD.
    • الدقة: دقة عالية في مهام الاكتشاف بفضل ميزات مثل التصميم الخالي من المراسي واستراتيجيات التعزيز المحسّنة.
    • سهولة الاستخدام: API وCLI بديهيان للإعداد السريع، مما يجعلهما متاحين للمبتدئين والخبراء على حد سواء.

    لاستكشاف المزيد حول ميزات YOLO26، تفضل بزيارة صفحة Ultralytics YOLO للاطلاع على رؤى تفصيلية.

المساهمون
GLglenn-jocher12RAraimbekovm3PDpderrenger1Y-Y-T-G1LULucashygi1RIRizwanMunawar1

التعليقات