YOLO26 🚀 auf AzureML#

Was ist Azure?#

Azure ist die Cloud-Computing-Plattform von Microsoft, die Unternehmen dabei unterstützen soll, ihre Workloads von lokalen Rechenzentren in die Cloud zu verlagern. Mit dem gesamten Spektrum an Cloud-Diensten, einschließlich solcher für Computing, Datenbanken, Analysen, Machine Learning und Netzwerke, können Benutzer diese Dienste auswählen und kombinieren, um neue Anwendungen in der Public Cloud zu entwickeln und zu skalieren oder bestehende auszuführen.

Was ist Azure Machine Learning (AzureML)?#

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

Welche Vorteile bietet AzureML für YOLO-Benutzer?#

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

• Große Datensätze und Rechenressourcen für das Training einfach verwalten.
• Integrierte Tools für die Datenvorverarbeitung, Feature-Selektion und das Modelltraining nutzen.
• Effizienter zusammenarbeiten dank Funktionen für MLOps (Machine Learning Operations), einschließlich, aber nicht beschränkt auf Überwachung, Prüfung und Versionierung von Modellen und Daten.

In den folgenden Abschnitten findest du eine Schnellstartanleitung, die detailliert beschreibt, wie du YOLO26-Objekterkennungsmodelle mit AzureML ausführst, entweder über ein Compute-Terminal oder ein Notebook.

Voraussetzungen#

Bevor du beginnst, stelle sicher, dass du Zugriff auf einen AzureML-Arbeitsbereich hast. Wenn du keinen hast, kannst du durch Befolgen der offiziellen Azure-Dokumentation einen neuen AzureML-Arbeitsbereich erstellen. Dieser Arbeitsbereich dient als zentraler Ort zur Verwaltung aller AzureML-Ressourcen.

Erstelle eine Recheninstanz#

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

Schnellstart über das Terminal#

Starte dein Compute und öffne ein Terminal:

Erstelle eine virtuelle Umgebung#

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

Führe YOLO26-Aufgaben aus#

Vorhersagen treffen:

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

Trainiere ein Erkennungsmodell für 10 Epochen mit einer anfänglichen learning_rate von 0.01:

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

Weitere Anweisungen zur Verwendung der Ultralytics CLI findest du hier.

Schnellstart aus einem Notebook#

Erstelle einen neuen IPython-Kernel#

Öffne das Compute-Terminal.

Erstelle von deinem Compute-Terminal aus einen neuen ipykernel unter Verwendung von Python 3.12, der von deinem Notebook zur Verwaltung der Abhängigkeiten verwendet 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 dann 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 mit der Ultralytics Python-Schnittstelle, zum Beispiel um das Modell zu trainieren:

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 auch zur Bereitstellung nach ONNX.

Wenn du diese Schritte befolgst, kannst du YOLO26 schnell auf AzureML ausführen. Fortgeschrittene Workflows findest du in der AzureML-Dokumentation.

Entdecke mehr mit AzureML#

Dieser Leitfaden deckt die Grundlagen der Ausführung von YOLO26 auf AzureML ab. Um weiter zu gehen, erkunde diese Ressourcen:

• Einen Datensatz erstellen: Richte deine Daten-Assets in der AzureML-Umgebung ein und verwalte sie.
• Einen AzureML-Job starten: Starte deine Machine-Learning-Trainingjobs auf AzureML.
• Ein Modell registrieren: Verwalte die Modellregistrierung, Versionierung und Bereitstellung.
• Modal Quickstart: Führe YOLO26 auf Modals serverloser GPU-Cloud als Alternative zu AzureML aus.

FAQ#