YOLO26 🚀 auf AzureML

Was ist Azure?

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

Was ist Azure Machine Learning (AzureML)?

Azure Machine Learning, allgemein als AzureML bezeichnet, ist ein vollständig verwalteter Cloud-Dienst, der es Datenwissenschaftlern und Entwicklern ermöglicht, prädiktive Analysen effizient in ihre Anwendungen einzubetten. Dies hilft Unternehmen, riesige Datenmengen zu nutzen und alle Vorteile der Cloud für maschinelles Lernen einzusetzen. AzureML bietet eine Vielzahl von Diensten und Funktionen, die darauf abzielen, maschinelles Lernen zugänglich, einfach zu bedienen und skalierbar zu machen. Es bietet Funktionen wie automatisiertes maschinelles Lernen, Drag-and-Drop-Modelltraining sowie ein robustes Python SDK, damit Entwickler ihre Modelle für maschinelles Lernen optimal nutzen können.

Welchen Nutzen bietet AzureML für YOLO-Anwender?

Für Benutzer von YOLO (You Only Look Once) bietet AzureML eine robuste, skalierbare und effiziente Plattform zum Trainieren und Bereitstellen von Modellen für maschinelles Lernen. Egal, ob du schnelle Prototypen erstellen oder auf umfangreichere Daten skalieren möchtest, die flexible und benutzerfreundliche Umgebung von AzureML bietet verschiedene Tools und Dienste, die deinen Anforderungen entsprechen. Du kannst AzureML nutzen, um:

Große Datensätze und Rechenressourcen für das Training einfach zu verwalten.
Integrierte Tools für die Datenvorverarbeitung, Merkmalsauswahl und das Modelltraining zu verwenden.
Effizienter zusammenzuarbeiten mit Funktionen für MLOps (Machine Learning Operations), einschließlich, aber nicht beschränkt auf die Überwachung, Prüfung und Versionierung von Modellen und Daten.

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

Voraussetzungen

Bevor du loslegen kannst, stelle sicher, dass du Zugriff auf einen AzureML-Arbeitsbereich hast. Falls du keinen hast, kannst du einen neuen AzureML-Arbeitsbereich erstellen, indem du der offiziellen Dokumentation von Azure folgst. Dieser Arbeitsbereich fungiert als zentraler Ort zur Verwaltung aller AzureML-Ressourcen.

Erstelle eine Compute-Instanz

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

Schnellstart über das Terminal

Starte dein Compute und öffne ein Terminal:

Open Terminal

Erstelle ein virtualenv

Erstelle eine conda virtuelle Umgebung mit deiner bevorzugten Python-Version und installiere pip darin. Python 3.13.1 hat derzeit Abhängigkeitsprobleme in AzureML, verwende also stattdessen Python 3.12.

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

Installiere die erforderlichen Abhängigkeiten:

cd ultralytics
pip install -r requirements.txt
pip install ultralytics
pip install onnx

Führe YOLO26-Aufgaben aus

Vorhersage:

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

Trainiere ein Erkennungsmodell für 10 epochs mit einer initialen learning_rate von 0.01:

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

Weitere Anweisungen zur Verwendung des Ultralytics CLI findest du hier.

Schnellstart über ein Notebook

Erstelle einen neuen IPython-Kernel

Öffne das Compute-Terminal.

Open Terminal

Erstelle von deinem Compute-Terminal aus einen neuen ipykernel mit 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
cd ultralytics
pip install -r requirements.txt
pip install ultralytics
pip install onnx

Note that you need to run source activate yolo26env in every %%bash cell to ensure the cell uses the intended environment.

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 zum Ausführen von YOLO26-Aufgaben verwenden, wie im Terminal-Abschnitt oben beschrieben.

Indem du diese Schritte befolgst, solltest du YOLO26 schnell auf AzureML für erste Tests zum Laufen bringen. Für fortgeschrittenere Anwendungen kannst du dich auf die vollständige AzureML-Dokumentation beziehen, die am Anfang dieses Leitfadens verlinkt ist.

Entdecke mehr mit AzureML

Dieser Leitfaden dient als Einführung, um dich mit YOLO26 auf AzureML vertraut zu machen. Er kratzt jedoch nur an der Oberfläche dessen, was AzureML bieten kann. Um tiefer einzutauchen und das volle Potenzial von AzureML für deine Projekte im Bereich maschinelles Lernen auszuschöpfen, solltest du die folgenden Ressourcen erkunden:

Erstelle ein Daten-Asset: Lerne, wie du deine Daten-Assets innerhalb der AzureML-Umgebung effektiv einrichtest und verwaltest.
Initiiere einen AzureML-Job: Erhalte ein umfassendes Verständnis dafür, wie du deine Trainingsaufträge für maschinelles Lernen auf AzureML startest.
Registriere ein Modell: Mache dich mit Praktiken zur Modellverwaltung vertraut, einschließlich Registrierung, Versionierung und Bereitstellung.
Trainiere YOLO26 mit dem AzureML Python SDK: Entdecke eine Schritt-für-Schritt-Anleitung zur Verwendung des AzureML Python SDK, um deine YOLO26-Modelle zu trainieren.
Trainiere YOLO26 mit dem AzureML CLI: Erfahre, wie du das Befehlszeilen-Interface für ein optimiertes Training und die Verwaltung von YOLO26-Modellen auf AzureML nutzt.

FAQ

Wie führe ich YOLO26 auf AzureML für das Modelltraining aus?

Das Ausführen von YOLO26 auf AzureML für das Modelltraining umfasst mehrere Schritte:

Erstelle eine Compute-Instanz: Navigiere in deinem AzureML-Arbeitsbereich zu Compute > Compute instances > New und wähle die erforderliche Instanz aus.
Richte die Umgebung ein: Starte deine Compute-Instanz, öffne ein Terminal und erstelle eine Conda-Umgebung. Lege deine Python-Version fest (Python 3.13.1 wird noch nicht unterstützt):
```
conda create --name yolo26env -y python=3.12
conda activate yolo26env
conda install pip -y
pip install ultralytics onnx
```
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 Anweisungen zur Verwendung des Ultralytics CLI.

Welche Vorteile bietet die 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 Datenmenge und Modellkomplexität wachsen.
MLOps-Integration: Nutze Funktionen wie Versionierung, Überwachung und Prüfung, um ML-Vorgänge zu rationalisieren.
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. Weitere Tipps findest du unter AzureML Jobs.

Wie behebe ich häufige Probleme beim Ausführen von YOLO26 auf AzureML?

Die Fehlerbehebung bei häufigen Problemen mit YOLO26 auf AzureML kann folgende Schritte umfassen:

Abhängigkeitsprobleme: Stelle sicher, dass alle erforderlichen Pakete installiert sind. Siehe die Datei requirements.txt für Abhängigkeiten.
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.

Weitere Informationen findest du in unserer Dokumentation zu YOLO Common Issues.

Kann ich sowohl das Ultralytics CLI als auch die Python-Schnittstelle auf AzureML verwenden?

Ja, AzureML ermöglicht dir die nahtlose Verwendung sowohl des Ultralytics CLI als auch der Python-Schnittstelle:

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)
```

Schritt-für-Schritt-Anleitungen findest du im CLI-Schnellstart-Leitfaden und im Python-Schnellstart-Leitfaden.

Was ist der Vorteil 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 einem anchor-free 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.

Contributors

GLglenn-jocher¹² PDpderrenger¹ Y-Y-T-G¹ LULucashygi¹ RIRizwanMunawar¹

Created 12. Nov. 2023Updated letzte Woche