YOLO26 🚀 en AzureML#

¿Qué es Azure?#

Azure es la plataforma de computación en la nube de Microsoft, diseñada para ayudar a las organizaciones a trasladar sus cargas de trabajo desde centros de datos locales a la nube. Con una amplia gama de servicios en la nube, incluidos los de computación, bases de datos, análisis, aprendizaje automático y redes, los usuarios pueden elegir entre estos servicios para desarrollar y ampliar nuevas aplicaciones, o ejecutar las que ya tienen, en la nube pública.

¿Qué es Azure Machine Learning (AzureML)?#

Azure Machine Learning (AzureML) es un servicio en la nube totalmente gestionado para crear, entrenar e implementar modelos de aprendizaje automático a gran escala. Ofrece aprendizaje automático automatizado, entrenamiento de modelos mediante arrastrar y soltar, y un SDK de Python para controlar tus modelos íntegramente mediante programación.

¿Qué ventajas ofrece AzureML a los usuarios de YOLO?#

AzureML te permite entrenar e implementar modelos de Ultralytics YOLO26 en la nube, desde prototipos rápidos hasta ejecuciones a gran escala. Con este servicio puedes:

• Gestionar fácilmente grandes conjuntos de datos y recursos computacionales para el entrenamiento.
• Aprovechar las herramientas integradas para el preprocesamiento de datos, la selección de características y el entrenamiento de modelos.
• Colaborar de forma más eficiente con capacidades de MLOps (operaciones de aprendizaje automático), que incluyen, entre otras, la supervisión, la auditoría y el control de versiones de modelos y datos.

En las secciones siguientes encontrarás una guía de inicio rápido con instrucciones para ejecutar modelos de detección de objetos YOLO26 en AzureML, ya sea desde un terminal de proceso o desde un cuaderno.

Requisitos previos#

Antes de empezar, asegúrate de tener acceso a un espacio de trabajo de AzureML. Si no tienes uno, puedes crear un nuevo espacio de trabajo de AzureML siguiendo la documentación oficial de Azure. Este espacio de trabajo sirve como lugar centralizado para gestionar todos los recursos de AzureML.

Crear una instancia de proceso#

En tu espacio de trabajo de AzureML, selecciona Compute > Compute instances > New y elige la instancia con los recursos que necesites.

Inicio rápido desde el terminal#

Inicia el proceso y abre un terminal:

Crear un entorno virtual#

Crea un entorno virtual de conda e instala pip en él:

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

Instala las dependencias necesarias:

pip install ultralytics onnx

Realizar tareas con YOLO26#

Predecir:

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

Entrena un modelo de detección durante 10 épocas:

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

Aquí encontrarás más instrucciones para usar la CLI de Ultralytics.

Inicio rápido desde un cuaderno#

Crear un nuevo kernel de IPython#

Abre el terminal de proceso.

Desde el terminal de proceso, crea un nuevo ipykernel con Python 3.12 que usará tu cuaderno para gestionar las dependencias:

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"

Cierra el terminal y crea un cuaderno nuevo. En el cuaderno, selecciona el kernel que acabas de crear.

A continuación, abre una celda del cuaderno e instala las dependencias necesarias:

%%bash
source activate yolo26env
pip install ultralytics onnx

Ejecuta algunas predicciones con la CLI de Ultralytics:

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

O con la interfaz Python de Ultralytics, por ejemplo, para entrenar el modelo:

from ultralytics import YOLO

# Cargar un modelo
model = YOLO("yolo26n.pt")  # cargar un modelo oficial YOLO26n

# Usar el modelo
model.train(data="coco8.yaml", epochs=3)  # entrenar el modelo
metrics = model.val()  # evaluar el rendimiento del modelo en el conjunto de validación
results = model("https://ultralytics.com/images/bus.jpg")  # haz una predicción sobre una imagen
path = model.export(format="onnx")  # exportar el modelo al formato ONNX

Puedes usar la CLI de Ultralytics o la interfaz Python para ejecutar tareas de YOLO26. El ejemplo de Python anterior también exporta el modelo entrenado a ONNX para su implementación.

Siguiendo estos pasos, podrás empezar a usar YOLO26 rápidamente en AzureML. Para flujos de trabajo más avanzados, consulta la documentación de AzureML.

Descubre más sobre AzureML#

Esta guía explica los aspectos básicos de la ejecución de YOLO26 en AzureML. Para profundizar, explora estos recursos:

• Crear un recurso de datos: Configura y gestiona tus recursos de datos en el entorno AzureML.
• Iniciar un trabajo de AzureML: Pon en marcha tus trabajos de entrenamiento de aprendizaje automático en AzureML.
• Registrar un modelo: Gestiona el registro, el control de versiones y la implementación de modelos.
• Inicio rápido de Modal: Ejecuta YOLO26 en la nube sin servidor con GPU de Modal como alternativa a AzureML.

Preguntas frecuentes#