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 a la nube desde centros de datos locales. Con todo el espectro 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 escalar nuevas aplicaciones, o ejecutar aplicaciones existentes, en la nube pública.

¿Qué es Azure Machine Learning (AzureML)?#

Azure Machine Learning (AzureML) es un servicio en la nube totalmente administrado para crear, entrenar y desplegar modelos de aprendizaje automático a escala. Proporciona aprendizaje automático automatizado, entrenamiento de modelos mediante arrastrar y soltar, y un SDK de Python para controlar tus modelos mediante programación.

¿Cómo beneficia AzureML a los usuarios de YOLO?#

AzureML te permite entrenar y desplegar modelos de Ultralytics YOLO26 en la nube, desde prototipos rápidos hasta ejecuciones a gran escala. Con él puedes:

• Gestionar fácilmente grandes conjuntos de datos y recursos computacionales para el entrenamiento.
• Utilizar herramientas integradas para el preprocesamiento de datos, la selección de características y el entrenamiento de modelos.
• Colaborar de forma más eficiente con funcionalidades 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 que explica cómo ejecutar modelos de detección de objetos YOLO26 mediante AzureML, ya sea desde un terminal de computación o 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 actúa como un lugar centralizado para gestionar todos los recursos de AzureML.

Crear una instancia de computación#

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

Guía de inicio rápido desde el terminal#

Inicia tu recurso de computación 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

Ejecutar tareas de YOLO26#

Predecir:

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

Entrena un modelo de detección durante 10 épocas con un learning_rate inicial de 0.01:

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

Aquí encontrarás más instrucciones para utilizar la CLI de Ultralytics.

Guía de inicio rápido desde un cuaderno#

Crear un kernel nuevo de IPython#

Abre el terminal de computación.

Desde el terminal de computación, crea un ipykernel nuevo utilizando Python 3.12 que tu cuaderno usará 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. Desde 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 utilizando la CLI de Ultralytics:

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

También puedes utilizar la interfaz de Python de Ultralytics, por ejemplo, para entrenar el modelo:

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

Puedes utilizar tanto la CLI de Ultralytics como la interfaz de Python para ejecutar tareas de YOLO26. El ejemplo de Python anterior también exporta el modelo entrenado a ONNX para su despliegue.

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

Descubre más funciones con AzureML#

Esta guía cubre 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 dentro del entorno de AzureML.
• Iniciar un trabajo de AzureML: Inicia tus trabajos de entrenamiento de aprendizaje automático en AzureML.
• Registrar un modelo: Gestiona el registro, el control de versiones y el despliegue de modelos.
• Guía de inicio rápido de Modal: Ejecuta YOLO26 en la nube de GPU sin servidor de Modal como alternativa a AzureML.

Preguntas frecuentes#