Link to this sectionYOLO26 🚀 en AzureML#

Link to this section¿Qué es Azure?#

Azure es la plataforma de computación en la nube de Microsoft, diseñada para ayudar a las organizaciones a migrar sus cargas de trabajo a la nube desde centros de datos locales. Con el espectro completo de servicios en la nube, incluyendo los de computación, bases de datos, analítica, machine learning y redes, los usuarios pueden elegir entre estos servicios para desarrollar y escalar nuevas aplicaciones, o ejecutar las existentes, en la nube pública.

Link to this section¿Qué es Azure Machine Learning (AzureML)?#

Azure Machine Learning (AzureML) es un servicio en la nube totalmente gestionado para crear, entrenar y desplegar modelos de machine learning a escala. Proporciona machine learning automatizado, entrenamiento de modelos mediante arrastrar y soltar, y un SDK de Python para un control programático completo sobre tus modelos.

Link to this section¿Cómo se benefician los usuarios de YOLO de AzureML?#

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, selección de características y entrenamiento de modelos.
• Colaborar de manera más eficiente con capacidades para MLOps (Machine Learning Operations), incluyendo, entre otras, la monitorización, auditoría y 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 utilizando AzureML, ya sea desde un terminal de computación o un notebook.

Link to this sectionRequisitos previos#

Antes de comenzar, asegúrate de tener acceso a un área de trabajo de AzureML. Si no tienes una, puedes crear un nuevo área de trabajo de AzureML siguiendo la documentación oficial de Azure. Esta área de trabajo actúa como un lugar centralizado para gestionar todos los recursos de AzureML.

Link to this sectionCrear una instancia de computación#

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

Link to this sectionInicio rápido desde el terminal#

Inicia tu instancia de computación y abre un terminal:

Link to this sectionCrear 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

Link to this sectionRealizar tareas con YOLO26#

Predecir:

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

Entrenar 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.

Link to this sectionInicio rápido desde un notebook#

Link to this sectionCrear un nuevo kernel de IPython#

Abre el terminal de computación.

Desde tu terminal de computación, crea un nuevo ipykernel utilizando Python 3.12 que será utilizado por tu notebook 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 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 necesarias:

%%bash
source activate yolo26env
pip install ultralytics onnx

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

Siguiendo estos pasos, puedes poner en marcha YOLO26 rápidamente en AzureML. Para flujos de trabajo más avanzados, consulta la documentación de AzureML.

Link to this sectionExplora más con AzureML#

Esta guía cubre los conceptos básicos para ejecutar YOLO26 en AzureML. Para ir más allá, explora estos recursos:

• Crear un activo de datos: Configura y gestiona tus activos de datos dentro del entorno de AzureML.
• Iniciar un trabajo de AzureML: Pon en marcha tus trabajos de entrenamiento de machine learning en AzureML.
• Registrar un modelo: Gestiona el registro, control de versiones y despliegue de modelos.
• Inicio rápido de Modal: Ejecuta YOLO26 en la nube de GPU sin servidor de Modal como alternativa a AzureML.

Link to this sectionFAQ#

Link to this section¿Cómo ejecuto YOLO26 en AzureML para el entrenamiento de modelos?#

Para ejecutar YOLO26 en AzureML para entrenamiento, crea una instancia de computación, configura un entorno de Conda, instala Ultralytics y ejecuta el comando de entrenamiento:

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

2. Configurar el entorno: Inicia tu instancia de computación, abre un terminal y crea un entorno de Conda con Python 3.12 (Python 3.13 presenta actualmente problemas de dependencias en AzureML):

   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.

Link to this section¿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 computacionales a medida que crecen tus datos y la complejidad del modelo.
• Integración con MLOps: Utiliza funciones como el control de versiones, monitorización y auditoría para agilizar las operaciones de ML.
• Colaboración: Comparte y gestiona recursos dentro de equipos, mejorando los flujos de trabajo colaborativos.

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

Link to this section¿Cómo soluciono los problemas comunes al ejecutar YOLO26 en AzureML?#

Para solucionar problemas de YOLO26 en AzureML, verifica que tus dependencias estén instaladas, confirma que tu entorno de Conda esté activado y asegúrate de que tu instancia de computación tenga suficientes recursos:

• Problemas de dependencias: Asegúrate de que todos los paquetes necesarios estén instalados con pip install ultralytics onnx.
• 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 computación tengan recursos suficientes para manejar la carga de trabajo de entrenamiento.

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

Link to this section¿Puedo usar tanto la CLI como la interfaz de Python de Ultralytics en AzureML?#

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

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

Link to this section¿Cuál es la ventaja de usar Ultralytics YOLO26 frente a otros modelos de detección de objetos?#

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

• 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 el diseño libre de anclas y estrategias de aumento mejoradas.
• Facilidad de uso: API y CLI intuitivas para una configuración rápida, haciéndolo accesible tanto a principiantes como a expertos.

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