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 im großen Maßstab. Der Dienst bietet automatisiertes Machine Learning, Modelltraining per Drag-and-drop und ein Python SDK zur vollständigen programmgesteuerten Steuerung deiner 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:
- Verwalte große Datensätze und Rechenressourcen für das Training.
- Nutze integrierte Tools zur Datenvorverarbeitung, Merkmalsauswahl und zum Modelltraining.
- Arbeite mit den MLOps-Funktionen (Machine Learning Operations) effizienter zusammen, darunter 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 und anschließend eine Instanz mit den benötigten Ressourcen aus.
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 -yPython 3.13 weist derzeit Abhängigkeitsprobleme in AzureML auf. Verwende daher stattdessen Python 3.12.
Installiere die erforderlichen Abhängigkeiten:
pip install ultralytics onnxYOLO26-Aufgaben ausführen#
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=10Schnellstart 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 onnxFühre am Anfang jeder %%bash-Zelle source activate yolo26env aus, damit die Zelle die vorgesehene Umgebung verwendet.
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 exportierenDu 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#
Um YOLO26 auf AzureML für das Training auszuführen, erstelle eine Compute-Instanz, richte eine Conda-Umgebung ein, installiere Ultralytics und führe den Trainingsbefehl aus:
-
Eine Compute-Instanz erstellen: Navigiere in deinem AzureML-Arbeitsbereich zu Compute > Compute instances > New und wähle die erforderliche Instanz aus.
-
Umgebung einrichten: Starte deine Compute-Instanz, öffne ein Terminal und erstelle eine Conda-Umgebung mit Python 3.12 (Python 3.13 hat derzeit Abhängigkeitsprobleme in AzureML):
conda create --name yolo26env -y python=3.12 conda activate yolo26env conda install pip -y pip install ultralytics onnx -
YOLO26-Aufgaben ausführen: Trainiere dein Modell mit der Ultralytics-CLI:
yolo train data=coco8.yaml model=yolo26n.pt epochs=10
-
AzureML bietet eine verwaltete Umgebung für das Training von YOLO26-Modellen:
- Skalierbarkeit: Skaliere deine Rechenressourcen mit dem Wachstum deiner Daten und der zunehmenden Komplexität deiner Modelle.
- MLOps-Integration: Nutze Funktionen wie Versionsverwaltung, Überwachung und Prüfung, um ML-Abläufe zu optimieren.
- Zusammenarbeit: Teile und verwalte Ressourcen innerhalb von Teams und verbessere so die Zusammenarbeit.
Dank dieser Funktionen eignet sich AzureML für Projekte von schnellen Prototypen bis hin zu Bereitstellungen in großem Maßstab.
Um Probleme mit YOLO26 auf AzureML zu beheben, überprüfe, ob deine Abhängigkeiten installiert sind, bestätige, dass deine Conda-Umgebung aktiviert ist, und stelle sicher, dass deine Compute-Instanz über genügend Ressourcen verfügt:
- Abhängigkeitsprobleme: Stelle sicher, dass alle erforderlichen Pakete mit
pip install ultralytics onnxinstalliert sind. - Einrichtung der Umgebung: Vergewissere dich, dass deine Conda-Umgebung vor dem Ausführen von Befehlen korrekt aktiviert ist.
- Ressourcenzuweisung: Stelle sicher, dass deine Compute-Instanzen über ausreichende Ressourcen für die Trainingslast verfügen.
Weitere Hinweise findest du in unserer Dokumentation zu häufigen YOLO-Problemen.
- Abhängigkeitsprobleme: Stelle sicher, dass alle erforderlichen Pakete mit
Ja, AzureML ermöglicht dir die Verwendung sowohl der Ultralytics CLI als auch der Python-Schnittstelle:
-
CLI: Ideal für schnelle Aufgaben und zum direkten Ausführen standardisierter Skripte im Terminal.
yolo predict model=yolo26n.pt source='https://ultralytics.com/images/bus.jpg' -
Python-Schnittstelle: Nützlich für komplexere Aufgaben, die benutzerdefinierten Code und die Integration in Notebooks erfordern.
from ultralytics import YOLO model = YOLO("yolo26n.pt") model.train(data="coco8.yaml", epochs=3)
Eine Schritt-für-Schritt-Anleitung findest du in den CLI-Schnellstartanweisungen und den Python-Schnellstartanweisungen.
-
Ultralytics YOLO26 bietet gegenüber konkurrierenden Objekterkennungsmodellen mehrere Vorteile:
- Geschwindigkeit: Schnellere Inferenz und kürzere Trainingszeiten als bei Modellen wie Faster R-CNN und SSD.
- Genauigkeit: Hohe Genauigkeit bei Erkennungsaufgaben dank Funktionen wie dem ankerfreien Design und verbesserten Augmentierungsstrategien.
- Benutzerfreundlichkeit: Eine intuitive API und CLI ermöglichen eine schnelle Einrichtung und machen die Nutzung sowohl für Einsteiger als auch für Experten einfach.
Kommentare
Stell eine Frage, teile deine Ergebnisse oder hilf jemand anderem.