YOLO26 🚀 auf AzureML#

Was ist Azure?#

Azure ist die Cloud-Computing-Plattform von Microsoft. Sie soll Organisationen dabei helfen, ihre Workloads von lokalen Rechenzentren in die Cloud zu verlagern. Das umfassende Angebot an Cloud-Diensten umfasst unter anderem Computing, Datenbanken, Analysen, maschinelles Lernen und Netzwerke. Nutzer können diese Dienste beliebig kombinieren, 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 Machine-Learning-Modellen in großem Maßstab. Der Dienst bietet automatisiertes maschinelles Lernen, Modelltraining per Drag-and-drop sowie ein Python-SDK für die vollständige programmgesteuerte Kontrolle über deine Modelle.

Welche Vorteile bietet AzureML für YOLO-Nutzer?#

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

• Große Datensätze und Rechenressourcen für das Training einfach verwalten.
• Integrierte Tools zur Datenvorverarbeitung, Merkmalsauswahl und zum Modelltraining nutzen.
• Effizienter zusammenarbeiten – mit Funktionen für MLOps (Betrieb von Machine-Learning-Systemen), darunter unter anderem die Überwachung, Prüfung und Versionsverwaltung von Modellen und Daten.

In den folgenden Abschnitten findest du einen Schnellstartleitfaden, der beschreibt, wie du YOLO26-Modelle zur Objekterkennung mit AzureML ausführst – entweder über ein Rechenterminal 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 AzureML-Arbeitsbereich erstellen. Dieser Arbeitsbereich dient als zentraler Ort zur Verwaltung aller AzureML-Ressourcen.

Eine Compute-Instanz erstellen#

Wähle in deinem AzureML-Arbeitsbereich Compute > Compute instances > New aus und dann die Instanz mit den benötigten Ressourcen.

Schnellstart über das Terminal#

Starte deine Compute-Instanz und öffne ein Terminal:

Eine virtuelle Umgebung erstellen#

Erstelle eine virtuelle Conda-Umgebung und installiere darin pip:

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#

Vorhersage:

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

Ein Erkennungsmodell über 10 Epochen trainieren:

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

Weitere Anweisungen zur Verwendung der Ultralytics-CLI findest du hier.

Schnellstart mit einem Notebook#

Einen neuen IPython-Kernel erstellen#

Öffne das Compute-Terminal.

Erstelle über dein Compute-Terminal mit Python 3.12 einen neuen ipykernel, den dein Notebook zur Verwaltung der Abhängigkeiten verwendet:

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 das Terminal und erstelle ein neues Notebook. Wähle darin den neu erstellten Kernel aus.

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

%%bash
source activate yolo26env
pip install ultralytics onnx

Führe mit der Ultralytics-CLI einige Vorhersagen aus:

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

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

from ultralytics import YOLO

# Ein Modell laden
model = YOLO("yolo26n.pt")  # ein offizielles YOLO26n-Modell laden

# das Modell verwenden
model.train(data="coco8.yaml", epochs=3)  # das Modell trainieren
metrics = model.val()  # die Modellleistung anhand des Validierungssatzes bewerten
results = model("https://ultralytics.com/images/bus.jpg")  # Eine Vorhersage für ein Bild erstellen
path = model.export(format="onnx")  # das Modell ins ONNX-Format exportieren

Du kannst YOLO26-Aufgaben entweder mit der Ultralytics-CLI oder der Python-Schnittstelle ausführen. Das Python-Beispiel oben exportiert das trainierte Modell außerdem für die Bereitstellung nach ONNX.

Mit diesen Schritten kannst du YOLO26 schnell auf AzureML zum Laufen bringen. Weiterführende Arbeitsabläufe findest du in der AzureML-Dokumentation.

AzureML weiter erkunden#

Diese Anleitung behandelt die Grundlagen zur Ausführung von YOLO26 auf AzureML. Wenn du tiefer einsteigen möchtest, findest du hier weitere Ressourcen:

• Ein Datenobjekt erstellen: Richte deine Datenobjekte in der AzureML-Umgebung ein und verwalte sie.
• Einen AzureML-Auftrag starten: Starte deine Machine-Learning-Trainingsaufträge auf AzureML.
• Ein Modell registrieren: Verwalte die Modellregistrierung, Versionsverwaltung und Bereitstellung.
• Modal-Schnellstart: Führe YOLO26 als Alternative zu AzureML in der serverlosen GPU-Cloud von Modal aus.

Häufig gestellte Fragen#