تخطي إلى المحتوى

YOLO11 🚀 على AzureML

ما هو أزور؟

Azure هي منصة الحوسبة الس حابية Microsoft ، وهي مصممة لمساعدة المؤسسات على نقل أعباء العمل الخاصة بها إلى السحابة من مراكز البيانات المحلية. مع مجموعة كاملة من الخدمات السحابية بما في ذلك خدمات الحوسبة وقواعد البيانات والتحليلات والتعلم الآلي والشبكات، يمكن للمستخدمين الاختيار من بين هذه الخدمات لتطوير تطبيقات جديدة وتوسيع نطاقها أو تشغيل التطبيقات الحالية في السحابة العامة.

ما هو Azure Machine Learning (AzureML)؟

Azure Machine Learning، والتي يُشار إليها عادةً باسم AzureML، هي خدمة سحابية مُدارة بالكامل تُمكّن علماء البيانات والمطورين من تضمين التحليلات التنبؤية بكفاءة في تطبيقاتهم، مما يساعد المؤسسات على استخدام مجموعات البيانات الضخمة وجلب جميع مزايا السحابة إلى التعلم الآلي. تقدم AzureML مجموعة متنوعة من الخدمات والقدرات التي تهدف إلى جعل التعلم الآلي متاحًا وسهل الاستخدام وقابلًا للتطوير. ويوفر إمكانات مثل التعلم الآلي الآلي، والتدريب على نماذج السحب والإفلات، بالإضافة إلى مجموعة أدوات تطوير البرمجيات القوية Python بحيث يمكن للمطورين تحقيق أقصى استفادة من نماذج التعلم الآلي الخاصة بهم.

كيف يفيد AzureML مستخدمي YOLO ؟

بالنسبة لمستخدمي YOLO (أنت تنظر مرة واحدة فقط)، يوفر AzureML منصة قوية وقابلة للتطوير وفعالة لتدريب نماذج التعلم الآلي ونشرها. سواءً كنت تتطلع إلى تشغيل نماذج أولية سريعة أو التوسع للتعامل مع بيانات أكثر شمولاً، فإن بيئة AzureML المرنة وسهلة الاستخدام توفر أدوات وخدمات متنوعة تناسب احتياجاتك. يمكنك الاستفادة من AzureML في:

  • إدارة مجموعات البيانات الكبيرة والموارد الحاسوبية للتدريب بسهولة.
  • استخدم الأدوات المدمجة للمعالجة المسبقة للبيانات، واختيار الميزات، وتدريب النماذج.
  • تعاون بشكل أكثر كفاءة مع إمكانات عمليات التعلُّم الآلي (MLOps)، بما في ذلك على سبيل المثال لا الحصر المراقبة والتدقيق وإصدار النماذج والبيانات.

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

المتطلبات الأساسية

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

إنشاء مثيل حوسبة

من مساحة عمل AzureML الخاصة بك، حدد الحوسبة > مثيلات الحوسبة > جديد، وحدد المثيل الذي يحتوي على الموارد التي تحتاجها.

إنشاء مثيل حوسبة Azure

بدء التشغيل السريع من المحطة الطرفية

ابدأ الحوسبة وافتح طرفية:

المحطة الطرفية المفتوحة

إنشاء Virtualenv

أنشئ متغير كوندا الظاهري 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

أداء المهام YOLO11

توقع:

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

تدريب نموذج اكتشاف ل 10 حلقات بمعدل_تعلم_أولي 0.01:

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

يمكنك العثور على المزيد من الإرشادات لاستخدام Ultralytics CLI هنا.

بداية سريعة من دفتر ملاحظات

إنشاء نواة IPython جديدة

افتح محطة الحوسبة الطرفية.

المحطة الطرفية المفتوحة

من محطة الحوسبة الطرفية الخاصة بك، تحتاج إلى إنشاء ipykernel جديد سيستخدمه دفتر ملاحظاتك 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 جديد. من دفتر ملاحظاتك، 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 نحتاج إلى استخدام source activate yolo11env لجميع خلايا %%باش، للتأكد من أن خلية %%باش تستخدم البيئة التي نريدها.

قم بإجراء بعض التنبؤات باستخدام Ultralytics CLI:

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

أو باستخدام واجهةUltralytics Python ، 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 المهام 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.

استكشف المزيد مع AzureML

يُستخدم هذا الدليل كمقدمة لتتمكن من استخدام 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:

الأسئلة الشائعة

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 الحوسبة > 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. تشغيل YOLO11 المهام: استخدم Ultralytics CLI لتدريب نموذجك: 

    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 للتدريب على 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.

ما هي ميزة استخدام Ultralytics YOLO11 على نماذج اكتشاف الأجسام الأخرى؟

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

  • السرعة: أوقات استدلال وتدريب أسرع مقارنةً بنماذج مثل Faster R-CNN و SSD.
  • الدقة: دقة عالية في مهام الاكتشاف مع ميزات مثل التصميم الخالي من الارتكاز واستراتيجيات التعزيز المحسّنة.
  • سهولة الاستخدام: واجهة برمجة تطبيقات بديهية و CLI للإعداد السريع، مما يجعلها في متناول كل من المبتدئين والخبراء.

لاستكشاف المزيد حول ميزات YOLO11 ، قم بزيارة صفحة Ultralytics YOLO للحصول على رؤى مفصلة.

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

التعليقات