Editar página en GitHub (EN)

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 el espectro completo de servicios en la nube, incluidos los de computación, bases de datos, analítica, aprendizaje automático y redes, los usuarios pueden elegir y combinar 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, comúnmente conocido como AzureML, es un servicio en la nube totalmente gestionado que permite a los científicos de datos y desarrolladores integrar de forma eficiente analíticas predictivas en sus aplicaciones, ayudando a las organizaciones a utilizar conjuntos de datos masivos y a aportar todos los beneficios de la nube al aprendizaje automático. AzureML ofrece una variedad de servicios y capacidades orientados a hacer que el aprendizaje automático sea accesible, fácil de usar y escalable. Proporciona capacidades como aprendizaje automático automatizado, entrenamiento de modelos mediante arrastrar y soltar, así como un robusto SDK de Python para que los desarrolladores puedan aprovechar al máximo sus modelos de aprendizaje automático.

¿Cómo beneficia AzureML a los usuarios de YOLO?

Para los usuarios de YOLO (You Only Look Once), AzureML proporciona una plataforma robusta, escalable y eficiente tanto para entrenar como para implementar modelos de aprendizaje automático. Ya sea que busques ejecutar prototipos rápidos o escalar para manejar datos más extensos, el entorno flexible y fácil de usar de AzureML ofrece diversas herramientas y servicios que se ajustan a tus necesidades. Puedes aprovechar AzureML para:

  • Gestionar fácilmente grandes conjuntos de datos y recursos computacionales para el entrenamiento.
  • Utilizar herramientas integradas para el preprocesamiento de datos, selección de características y entrenamiento de modelos.
  • Colaborar de manera más eficiente con capacidades para MLOps (Machine Learning Operations), incluyendo, entre otras, el monitoreo, la auditoría y el control de versiones de modelos y datos.

En las secciones siguientes, encontrarás una guía de inicio rápido que detalla cómo ejecutar modelos de detección de objetos YOLO26 usando AzureML, ya sea desde una terminal de cómputo o un cuaderno (notebook).

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 cómputo

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

Create Azure Compute Instance

Inicio rápido desde la Terminal

Inicia tu cómputo y abre una Terminal:

Open Terminal

Crear virtualenv

Crea un entorno virtual de conda con tu versión preferida de Python e instala pip en él. Python 3.13.1 tiene actualmente problemas de dependencia en AzureML, por lo que debes usar Python 3.12 en su lugar.

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

Instala las dependencias necesarias:

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

Realizar 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 una learning_rate inicial de 0.01:

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

Puedes encontrar más instrucciones para usar la CLI de Ultralytics aquí.

Inicio rápido desde un Notebook

Crear un nuevo kernel de IPython

Abre la Terminal de cómputo.

Open Terminal

Desde tu terminal de cómputo, crea un nuevo ipykernel usando Python 3.12 que será utilizado por tu notebook para gestionar 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 tu terminal y crea un nuevo notebook. Desde tu notebook, selecciona el kernel recién creado.

Luego abre una celda del notebook e instala las dependencias requeridas:

%%bash
source activate yolo26env
cd ultralytics
pip install -r requirements.txt
pip install ultralytics
pip install onnx

Ten en cuenta que debes ejecutar source activate yolo26env en cada celda %%bash para asegurar que la celda utilice el entorno previsto.

Ejecuta algunas predicciones usando la CLI de Ultralytics:

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

O con 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 usar tanto la CLI de Ultralytics como la interfaz de Python para ejecutar tareas de YOLO26, tal como se describe en la sección de terminal anterior.

Siguiendo estos pasos, deberías ser capaz de poner YOLO26 en funcionamiento rápidamente en AzureML para pruebas rápidas. Para usos más avanzados, puedes consultar la documentación completa de AzureML enlazada al principio de esta guía.

Explora más con AzureML

Esta guía sirve como introducción para que te pongas en marcha con YOLO26 en AzureML. Sin embargo, solo araña la superficie de lo que AzureML puede ofrecer. Para profundizar y desbloquear todo el potencial de AzureML para tus proyectos de aprendizaje automático, considera explorar los siguientes recursos:

Preguntas frecuentes

¿Cómo ejecuto YOLO26 en AzureML para el entrenamiento de modelos?

Ejecutar YOLO26 en AzureML para el entrenamiento de modelos implica varios pasos:

  1. Crear una instancia de cómputo: Desde tu espacio de trabajo de AzureML, navega a Compute > Compute instances > New, y selecciona la instancia requerida.

  2. Configurar el entorno: Inicia tu instancia de cómputo, abre una terminal y crea un entorno Conda. Define tu versión de Python (Python 3.13.1 aún no es compatible):

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

  3. Ejecutar tareas de YOLO26: Usa la CLI de Ultralytics para entrenar tu modelo:

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

Para más detalles, puedes consultar las instrucciones para usar la CLI de Ultralytics.

¿Cuáles son los beneficios de usar AzureML para el entrenamiento de YOLO26?

AzureML proporciona un ecosistema robusto y eficiente para entrenar modelos YOLO26:

  • Escalabilidad: Escala fácilmente tus recursos de cómputo a medida que crecen tus datos y la complejidad del modelo.
  • Integración de MLOps: Utiliza características como el control de versiones, monitoreo y auditoría para agilizar las operaciones de ML.
  • Colaboración: Comparte y gestiona recursos dentro de los equipos, mejorando los flujos de trabajo colaborativos.

Estas ventajas hacen de AzureML una plataforma ideal para proyectos que van desde prototipos rápidos hasta implementaciones a gran escala. Para más consejos, echa un vistazo a AzureML Jobs.

¿Cómo soluciono problemas comunes al ejecutar YOLO26 en AzureML?

La resolución de problemas comunes con YOLO26 en AzureML puede implicar los siguientes pasos:

  • Problemas de dependencias: Asegúrate de que todos los paquetes requeridos estén instalados. Consulta el archivo requirements.txt para ver las dependencias.
  • Configuración del entorno: Verifica que tu entorno de conda esté correctamente activado antes de ejecutar comandos.
  • Asignación de recursos: Asegúrate de que tus instancias de cómputo tengan suficientes recursos para manejar la carga de trabajo de entrenamiento.

Para obtener orientación adicional, revisa nuestra documentación de Problemas comunes de YOLO.

¿Puedo usar tanto la CLI como la interfaz de Python de Ultralytics en AzureML?

Sí, AzureML te permite usar tanto la CLI de Ultralytics como la interfaz de Python sin problemas:

  • CLI: Ideal para tareas rápidas y para ejecutar scripts estándar directamente desde la terminal.

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

  • Interfaz de Python: Útil para tareas más complejas que requieren programación personalizada e integración dentro de notebooks.

    from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.train(data="coco8.yaml", epochs=3)

Para instrucciones paso a paso, consulta la guía de inicio rápido de la CLI y la guía de inicio rápido de Python.

¿Cuál es la ventaja de usar YOLO26 de Ultralytics sobre otros modelos de detección de objetos?

YOLO26 de Ultralytics ofrece varias ventajas únicas frente a modelos de detección de objetos de la competencia:

  • Velocidad: Tiempos de inferencia y entrenamiento más rápidos en comparación con modelos como Faster R-CNN y SSD.
  • Precisión: Alta precisión en tareas de detección con características como un diseño sin anclas (anchor-free) y estrategias de aumento mejoradas.
  • Facilidad de uso: API y CLI intuitivas para una configuración rápida, haciéndolo accesible tanto para principiantes como para expertos.

Para explorar más sobre las características de YOLO26, visita la página de YOLO de Ultralytics para obtener información detallada.

Contributors
Editar página en GitHub (EN)
GLglenn-jocher12PDpderrenger1Y-Y-T-G1LULucashygi1RIRizwanMunawar1

Comentarios