Link to this sectionYOLO26 🚀 auf AzureML#

Link to this sectionWas ist Azure?#

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

Link to this sectionWas 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.

Link to this sectionWelche 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 Ausführungen. 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.

Link to this sectionVoraussetzungen#

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

Link to this sectionErstelle eine Recheninstanz#

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

Link to this sectionSchnellstart über das Terminal#

Starte dein Compute und öffne ein Terminal:

Link to this sectionErstelle 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

Link to this sectionFühre YOLO26-Aufgaben aus#

Vorhersage:

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 Anleitungen zur Verwendung des Ultralytics CLI findest du hier.

Link to this sectionSchnellstart aus einem Notebook#

Link to this sectionErstelle 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 dem 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 das Ultralytics CLI oder die Python-Schnittstelle verwenden, um YOLO26-Aufgaben auszuführen. Das obige Python-Beispiel exportiert das trainierte Modell außerdem nach ONNX für die Bereitstellung.

Indem du diese Schritte befolgst, kannst du YOLO26 schnell auf AzureML zum Laufen bringen. Für fortgeschrittene Arbeitsabläufe siehe die AzureML-Dokumentation.

Link to this sectionEntdecke mehr mit AzureML#

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

• Erstelle ein Daten-Asset: Richte deine Daten-Assets innerhalb der AzureML-Umgebung ein und verwalte sie.
• Starte einen AzureML-Job: Stoße deine Machine-Learning-Trainingsjobs auf AzureML an.
• Registriere ein Modell: Verwalte die Modellregistrierung, Versionierung und Bereitstellung.
• Modal-Schnellstart: Führe YOLO26 als Alternative zu AzureML auf der serverlosen GPU-Cloud von Modal aus.

Link to this sectionFAQ#

Link to this sectionWie führe ich YOLO26 auf AzureML für das Modelltraining aus?#

Um YOLO26 auf AzureML für das Training auszuführen, erstelle eine Compute-Instanz, richte eine Conda-Umgebung ein, installiere Ultralytics und führe den Trainingsbefehl aus:

1. Erstelle eine Compute-Instanz: Navigiere in deinem AzureML-Arbeitsbereich zu Compute > Compute-Instanzen > Neu und wähle die erforderliche Instanz aus.

2. Richte die Umgebung ein: Starte deine Compute-Instanz, öffne ein Terminal und erstelle eine Conda-Umgebung mit Python 3.12 (Python 3.13 hat derzeit Abhängigkeitsprobleme auf AzureML):

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

3. Führe YOLO26-Aufgaben aus: Verwende das Ultralytics CLI, um dein Modell zu trainieren:

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

Weitere Details findest du in den Anleitungen zur Verwendung des Ultralytics CLI.

Link to this sectionWas sind die Vorteile der Verwendung von AzureML für das YOLO26-Training?#

AzureML bietet ein robustes und effizientes Ökosystem für das Training von YOLO26-Modellen:

• Skalierbarkeit: Skaliere deine Rechenressourcen einfach, wenn deine Daten und die Modellkomplexität zunehmen.
• MLOps-Integration: Nutze Funktionen wie Versionierung, Überwachung und Prüfung, um ML-Abläufe zu optimieren.
• Zusammenarbeit: Teile und verwalte Ressourcen innerhalb von Teams, um kollaborative Workflows zu verbessern.

Diese Vorteile machen AzureML zu einer idealen Plattform für Projekte, die von schnellen Prototypen bis hin zu groß angelegten Bereitstellungen reichen. Für weitere Tipps, schau dir AzureML Jobs an.

Link to this sectionWie behebe ich häufige Probleme bei der Ausführung von YOLO26 auf AzureML?#

Um Probleme mit YOLO26 auf AzureML zu beheben, verifiziere, dass 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 onnx installiert sind.
• Einrichtung der Umgebung: Überprüfe, ob deine Conda-Umgebung korrekt aktiviert ist, bevor du Befehle ausführst.
• Ressourcenzuweisung: Stelle sicher, dass deine Compute-Instanzen über ausreichende Ressourcen verfügen, um die Trainingslast zu bewältigen.

Für weitere Unterstützung, überprüfe unsere Dokumentation zu YOLO-Problemen.

Link to this sectionKann ich sowohl das Ultralytics CLI als auch die Python-Schnittstelle auf AzureML verwenden?#

Ja, AzureML erlaubt dir, sowohl das Ultralytics CLI als auch die Python-Schnittstelle nahtlos zu nutzen:

• CLI: Ideal für schnelle Aufgaben und das Ausführen von Standard-Skripten direkt aus dem 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)

Für Schritt-für-Schritt-Anleitungen beziehe dich auf den CLI-Schnellstartleitfaden und den Python-Schnellstartleitfaden.

Link to this sectionWas ist der Vorteil der Verwendung von Ultralytics YOLO26 gegenüber anderen Objekterkennungs-Modellen?#

Ultralytics YOLO26 bietet mehrere einzigartige Vorteile gegenüber konkurrierenden Objekterkennungsmodellen:

• Geschwindigkeit: Schnellere Inferenz- und Trainingszeiten im Vergleich zu Modellen wie Faster R-CNN und SSD.
• Genauigkeit: Hohe Genauigkeit bei Erkennungsaufgaben mit Funktionen wie ankerfreiem Design und verbesserten Augmentierungsstrategien.
• Benutzerfreundlichkeit: Intuitive API und CLI für eine schnelle Einrichtung, wodurch es sowohl für Anfänger als auch für Experten zugänglich ist.

Um mehr über die Funktionen von YOLO26 zu erfahren, besuche die Ultralytics YOLO-Seite für detaillierte Einblicke.