YOLO26 🚀 auf AzureML#

Was ist Azure?#

Azure ist die Cloud-Computing-Plattform von Microsoft. Sie wurde entwickelt, um Organisationen dabei zu unterstützen, ihre Workloads von lokalen Rechenzentren in die Cloud zu verlagern. Mit dem vollständigen Spektrum an Cloud-Diensten, einschließlich Diensten für Computing, Datenbanken, Analysen, maschinelles Lernen und Netzwerke, können Nutzer die benötigten Dienste auswählen, um neue Anwendungen zu entwickeln und zu skalieren oder bestehende Anwendungen in der Public Cloud auszuführen.

Was ist Azure Machine Learning (AzureML)?#

Azure Machine Learning (AzureML) ist ein vollständig verwalteter Cloud-Dienst zum Erstellen, Trainieren und Bereitstellen von Modellen für maschinelles Lernen in großem Maßstab. Er bietet automatisiertes maschinelles Lernen, das Modelltraining per Drag-and-drop sowie ein Python SDK für die vollständige programmgesteuerte Kontrolle über deine Modelle.

Wie profitieren YOLO-Nutzer von AzureML?#

Mit AzureML kannst du Ultralytics YOLO26-Modelle in der Cloud trainieren und bereitstellen – von schnellen Prototypen bis hin zu umfangreichen Durchläufen. Damit kannst du:

• Große Datensätze und Rechenressourcen für das Training einfach verwalten.
• Integrierte Werkzeuge für die Datenvorverarbeitung, die Merkmalsauswahl und das Modelltraining nutzen.
• Effizienter zusammenarbeiten dank Funktionen für MLOps (Betrieb maschineller Lernsysteme), einschließlich, aber nicht beschränkt auf, Überwachung, Auditierung und Versionierung von Modellen und Daten.

In den folgenden Abschnitten findest du eine Kurzanleitung, in der beschrieben wird, wie du Modelle zur Objekterkennung mit YOLO26 mithilfe von AzureML ausführst – entweder über ein Compute-Terminal oder ein Notebook.

Voraussetzungen#

Bevor du loslegst, stelle sicher, dass du Zugriff auf einen AzureML-Arbeitsbereich hast. Falls du noch keinen hast, kannst du anhand der offiziellen Dokumentation von Azure einen neuen AzureML-Arbeitsbereich erstellen. Dieser Arbeitsbereich dient als zentrale Stelle zur Verwaltung aller AzureML-Ressourcen.

Compute-Instanz erstellen#

Wähle in deinem AzureML-Arbeitsbereich Compute > Compute-Instanzen > Neu aus und wähle die Instanz mit den benötigten Ressourcen aus.

Schnellstart über das Terminal#

Starte deine Compute-Instanz und öffne ein Terminal:

Virtuelle Umgebung erstellen#

Erstelle eine virtuelle Conda-Umgebung und installiere pip darin:

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

Installiere die erforderlichen Abhängigkeiten:

pip install ultralytics onnx

YOLO26-Aufgaben ausführen#

Vorhersagen:

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

Trainiere ein Modell zur Objekterkennung über 10 Epochen mit einer anfänglichen learning_rate von 0.01:

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

Weitere Anleitungen zur Verwendung der Ultralytics CLI findest du hier.

Schnellstart über ein Notebook#

Neuen IPython-Kernel erstellen#

Öffne das Compute-Terminal.

Erstelle in deinem Compute-Terminal mit Python 3.12 einen neuen ipykernel, den dein Notebook zur Verwaltung der Abhängigkeiten verwenden wird:

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"

Schließe dein Terminal und erstelle ein neues Notebook. Wähle in deinem Notebook den neu erstellten Kernel aus.

Öffne anschließend eine Notebook-Zelle und installiere die erforderlichen Abhängigkeiten:

%%bash
source activate yolo26env
pip install ultralytics onnx

Führe einige Vorhersagen mit der Ultralytics CLI aus:

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

Oder verwende die Ultralytics-Python-Schnittstelle, beispielsweise zum Trainieren des Modells:

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

Du kannst entweder die Ultralytics CLI oder die Python-Schnittstelle verwenden, um YOLO26-Aufgaben auszuführen. Das obige Python-Beispiel exportiert das trainierte Modell außerdem für die Bereitstellung nach ONNX.

Wenn du diese Schritte befolgst, kannst du YOLO26 schnell auf AzureML ausführen. Weitere Informationen zu fortgeschritteneren Workflows findest du in der AzureML-Dokumentation.

Mehr mit AzureML entdecken#

Diese Anleitung behandelt die Grundlagen der Ausführung von YOLO26 auf AzureML. Wenn du weiterführende Informationen suchst, sieh dir diese Ressourcen an:

• Datenressource erstellen: Richte deine Datenressourcen in der AzureML-Umgebung ein und verwalte sie.
• AzureML-Auftrag starten: Starte deine Trainingsaufträge für maschinelles Lernen auf AzureML.
• Modell registrieren: Verwalte die Modellregistrierung, Versionierung und Bereitstellung.
• Modal-Schnellstart: Führe YOLO26 als Alternative zu AzureML in der serverlosen GPU-Cloud von Modal aus.

FAQ#