Zum Inhalt springen

YOLO11 🚀 auf AzureML

Was ist Azure?

Azure ist die Cloud-Computing-Plattform von Microsoft, die Unternehmen dabei helfen soll, ihre Workloads von lokalen Rechenzentren in die Cloud zu verlagern. Mit dem gesamten Spektrum an Cloud-Services, einschließlich Computing, Datenbanken, Analysen, maschinellem Lernen und Netzwerken, können Benutzer aus diesen Services 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-Service, der es Datenwissenschaftlern und Entwicklern ermöglicht, prädiktive Analysen effizient in ihre Anwendungen einzubinden. So können Unternehmen große Datensätze nutzen und alle Vorteile der Cloud für maschinelles Lernen nutzen. AzureML bietet eine Vielzahl von Diensten und Funktionen, die maschinelles Lernen zugänglich, einfach zu nutzen und skalierbar machen sollen. Es bietet Funktionen wie automatisiertes maschinelles Lernen, Modelltraining per Drag-and-Drop sowie ein robustes Python SDK, damit Entwickler das Beste aus ihren maschinellen Lernmodellen herausholen können.

Welchen Nutzen hat AzureML für YOLO Benutzer?

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. Ganz gleich, ob Sie schnelle Prototypen ausführen oder umfangreiche Daten verarbeiten möchten, die flexible und benutzerfreundliche Umgebung von AzureML bietet verschiedene Tools und Dienste, die Ihren Anforderungen entsprechen. Sie können AzureML nutzen, um:

  • Einfache Verwaltung großer Datensätze und Rechenressourcen für das Training.
  • Nutzen Sie die integrierten Tools für die Datenvorverarbeitung, die Auswahl von Merkmalen und das Modelltraining.
  • Effizientere Zusammenarbeit 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 finden Sie eine Schnellstart-Anleitung, in der beschrieben wird, wie Sie YOLO11 Objekterkennungsmodelle mit AzureML ausführen, entweder von einem Computerterminal oder einem Notebook aus.

Voraussetzungen

Bevor Sie beginnen können, müssen Sie sicherstellen, dass Sie Zugriff auf einen AzureML-Arbeitsbereich haben. Wenn Sie keinen haben, können Sie einen neuen AzureML-Arbeitsbereich erstellen, indem Sie die offizielle Dokumentation von Azure befolgen. Dieser Arbeitsbereich dient als zentraler Ort für die Verwaltung aller AzureML-Ressourcen.

Erstellen einer Recheninstanz

Wählen Sie in Ihrem AzureML-Arbeitsbereich Compute > Compute-Instances > New und wählen Sie die Instanz mit den benötigten Ressourcen.

Azure Compute-Instanz erstellen

Schnellstart vom Terminal aus

Starten Sie Ihren Computer und öffnen Sie ein Terminal:

Terminal öffnen

Virtualenv erstellen

Erstellen Sie Ihre conda virtualenv und installieren Sie pip in dieser:

conda create --name yolo11env -y
conda activate yolo11env
conda install pip -y

Installieren Sie die erforderlichen Abhängigkeiten:

cd ultralytics
pip install -r requirements.txt
pip install ultralytics
pip install onnx>=1.12.0

Aufgaben ausführen YOLO11

Voraussagen:

yolo predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'

Trainieren Sie ein Erkennungsmodell für 10 Epochen mit einer anfänglichen learning_rate von 0,01:

yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01

Weitere Anleitungen zur Verwendung der Website Ultralytics CLI finden Sie hier.

Schnellstart aus einem Notebook

Einen neuen IPython-Kernel erstellen

Öffnen Sie das Compute Terminal.

Terminal öffnen

In Ihrem Compute-Terminal müssen Sie einen neuen ipykernel erstellen, der von Ihrem Notebook verwendet wird, um Ihre Abhängigkeiten zu verwalten:

conda create --name yolo11env -y
conda activate yolo11env
conda install pip -y
conda install ipykernel -y
python -m ipykernel install --user --name yolo11env --display-name "yolo11env"

Schließen Sie Ihr Terminal und erstellen Sie ein neues Notizbuch. In Ihrem Notebook können Sie den neuen Kernel auswählen.

Dann können Sie eine Notebook-Zelle öffnen und die erforderlichen Abhängigkeiten installieren:

%%bash
source activate yolo11env
cd ultralytics
pip install -r requirements.txt
pip install ultralytics
pip install onnx>=1.12.0

Beachten Sie, dass wir die source activate yolo11env für alle %%bash-Zellen, um sicherzustellen, dass die %%bash-Zelle die von uns gewünschte Umgebung verwendet.

Führen Sie einige Vorhersagen durch, indem Sie die Ultralytics CLI:

%%bash
source activate yolo11env
yolo predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'

Oder mit der SchnittstelleUltralytics Python , zum Beispiel um das Modell zu trainieren:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load an official YOLO11n 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

Sie können entweder die Schnittstelle Ultralytics CLI oder Python verwenden, um YOLO11 Aufgaben auszuführen, wie oben im Abschnitt über das Terminal beschrieben.

Wenn Sie diese Schritte befolgen, sollten Sie in der Lage sein, YOLO11 schnell auf AzureML zum Laufen zu bringen und zu testen. Für fortgeschrittene Anwendungen können Sie die vollständige AzureML-Dokumentation lesen, die am Anfang dieser Anleitung verlinkt ist.

Entdecken Sie mehr mit AzureML

Dieser Leitfaden dient als Einführung, damit Sie mit YOLO11 auf AzureML loslegen können. Er kratzt jedoch nur an der Oberfläche dessen, was AzureML bieten kann. Wenn Sie tiefer einsteigen und das volle Potenzial von AzureML für Ihre Machine-Learning-Projekte ausschöpfen möchten, sollten Sie die folgenden Ressourcen nutzen:

FAQ

Wie führe ich YOLO11 auf AzureML für das Modelltraining aus?

Die Ausführung von YOLO11 auf AzureML für das Modelltraining umfasst mehrere Schritte:

  1. Erstellen Sie eine Compute-Instanz: Navigieren Sie in Ihrem AzureML-Arbeitsbereich zu Compute > Compute-Instances > New und wählen Sie die gewünschte Instanz aus.

  2. Umgebung einrichten: Starten Sie Ihre Compute-Instanz, öffnen Sie ein Terminal und erstellen Sie eine conda-Umgebung:

    conda create --name yolo11env -y
conda activate yolo11env
conda install pip -y
pip install ultralytics onnx>=1.12.0

  3. Führen Sie YOLO11 Aufgaben aus: Verwenden Sie die Ultralytics CLI , um Ihr Modell zu trainieren: 

    yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01

Weitere Einzelheiten finden Sie in der Anleitung zur Verwendung der Website Ultralytics CLI .

Was sind die Vorteile von AzureML für YOLO11 ?

AzureML bietet ein robustes und effizientes Ökosystem für das Training von YOLO11 Modellen:

  • Skalierbarkeit: Skalieren Sie Ihre Rechenressourcen ganz einfach, wenn Ihre Daten und die Komplexität Ihrer Modelle wachsen.
  • MLOps-Integration: Nutzen Sie Funktionen wie Versionierung, Überwachung und Auditing, um ML-Vorgänge zu rationalisieren.
  • Kollaboration: Teilen und verwalten Sie Ressourcen innerhalb von Teams und verbessern Sie so die Arbeitsabläufe in der Zusammenarbeit.

Diese Vorteile machen AzureML zu einer idealen Plattform für Projekte, die von schnellen Prototypen bis zu groß angelegten Implementierungen reichen. Weitere Tipps finden Sie unter AzureML Jobs.

Wie behebe ich allgemeine Probleme bei der Ausführung von YOLO11 auf AzureML?

Die Fehlersuche bei häufigen Problemen mit YOLO11 auf AzureML kann folgende Schritte umfassen:

  • Abhängigkeitsprobleme: Stellen Sie sicher, dass alle erforderlichen Pakete installiert sind. Siehe dazu die requirements.txt Datei für Abhängigkeiten.
  • Umgebung einrichten: Vergewissern Sie sich, dass Ihre conda-Umgebung korrekt aktiviert ist, bevor Sie Befehle ausführen.
  • Ressourcenzuweisung: Vergewissern Sie sich, dass Ihre Recheninstanzen über genügend Ressourcen verfügen, um das Schulungspensum zu bewältigen.

Weitere Hinweise finden Sie in unserer Dokumentation YOLO Common Issues.

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

Ja, mit AzureML können Sie sowohl die Ultralytics CLI als auch die Python Schnittstelle nahtlos nutzen:

  • CLI: Ideal für schnelle Aufgaben und die Ausführung von Standardskripten direkt vom Terminal aus.

    yolo predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'

  • Python Schnittstelle: Nützlich für komplexere Aufgaben, die benutzerdefinierte Kodierung und Integration in Notebooks erfordern.

    from ultralytics import YOLO

model = YOLO("yolo11n.pt")
model.train(data="coco8.yaml", epochs=3)

Ausführlichere Anweisungen finden Sie in den Schnellstartanleitungen hier und hier.

Was ist der Vorteil der Verwendung von Ultralytics YOLO11 gegenüber anderen Objekterkennungsmodellen?

Ultralytics YOLO11 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 Merkmalen wie ankerfreiem Design und verbesserten Augmentierungsstrategien.
  • Benutzerfreundlichkeit: Intuitive API und CLI für eine schnelle Einrichtung, so dass sie sowohl für Anfänger als auch für Experten zugänglich ist.

Um mehr über die Funktionen von YOLO11 zu erfahren, besuchen Sie die Ultralytics YOLO Seite für detaillierte Einblicke.

📅 Erstellt vor 1 Jahr ✏️ Aktualisiert vor 2 Monaten
UltralyticsAssistent glenn-jocher RizwanMunawar ouphi

Kommentare