YOLO11 🚀 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 los 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, comúnmente conocido como AzureML, es un servicio en la nube totalmente gestionado que permite a los científicos de datos y a los desarrolladores integrar eficientemente el análisis predictivo en sus aplicaciones, ayudando a las organizaciones a utilizar conjuntos de datos masivos y llevar todos los beneficios de la nube al aprendizaje automático. AzureML ofrece una variedad de servicios y capacidades destinados a hacer que el aprendizaje automático sea accesible, fácil de usar y escalable. Proporciona capacidades como el aprendizaje automático, el entrenamiento de modelos mediante arrastrar y soltar, así como un sólido SDK Python para que los desarrolladores puedan sacar el máximo partido de sus modelos de aprendizaje automático.
¿En qué 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 desplegar modelos de aprendizaje automático. Tanto si desea ejecutar prototipos rápidos como escalar para manejar datos más extensos, el entorno flexible y fácil de usar de AzureML ofrece diversas herramientas y servicios que se adaptan a sus necesidades. Puede aprovechar AzureML para:
- Gestione fácilmente grandes conjuntos de datos y recursos informáticos para la formación.
- Utilice las herramientas integradas para el preprocesamiento de datos, la selección de características y la formación de modelos.
- Colabore de forma más eficiente con las capacidades para MLOps (Machine Learning Operations), incluidas, entre otras, la supervisión, la auditoría y el versionado de modelos y datos.
En las secciones siguientes, encontrará una guía de inicio rápido en la que se detalla cómo ejecutar modelos de detección de objetos de YOLO11 utilizando AzureML, ya sea desde un terminal informático o un bloc de notas.
Requisitos previos
Antes de empezar, asegúrese de que tiene acceso a un espacio de trabajo AzureML. Si no dispone de uno, puede crear un nuevo espacio de trabajo Az ureML siguiendo la documentación oficial de Azure. Este espacio de trabajo actúa como un lugar centralizado para gestionar todos los recursos AzureML.
Crear una instancia de cálculo
En su espacio de trabajo AzureML, seleccione Compute > Compute instances > New, seleccione la instancia con los recursos que necesita.
Inicio rápido desde el terminal
Inicie su ordenador y abra un Terminal:
Crear virtualenv
Crea tu virtualenv conda e instala pip en él:
Instale las dependencias necesarias:
Realice tareas en YOLO11
Predecir:
Entrene un modelo de detección durante 10 épocas con una tasa_de_aprendizaje inicial de 0,01:
Encontrará más instrucciones para utilizar Ultralytics CLI aquí.
Inicio rápido desde un cuaderno
Crear un nuevo núcleo IPython
Abra el Terminal de computación.
Desde tu terminal de computación, necesitas crear un nuevo ipykernel que será usado por tu notebook para manejar tus dependencias:
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"
Cierra tu terminal y crea un nuevo bloc de notas. Desde su Cuaderno, puede seleccionar el nuevo núcleo.
A continuación, puede abrir una celda de Notebook e instalar las dependencias necesarias:
%%bash
source activate yolo11env
cd ultralytics
pip install -r requirements.txt
pip install ultralytics
pip install onnx>=1.12.0
Tenga en cuenta que tenemos que utilizar el source activate yolo11env para todas las celdas %%bash, para asegurarnos de que la celda %%bash utiliza el entorno que queremos.
Ejecute algunas predicciones utilizando la función Ultralytics CLI:
%%bash
source activate yolo11env
yolo predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'
O con la interfazUltralytics Python , por ejemplo para entrenar el modelo:
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
Puede utilizar la interfaz Ultralytics CLI o Python para ejecutar tareas YOLO11 , tal y como se describe en la sección anterior sobre el terminal.
Siguiendo estos pasos, debería ser capaz de poner YOLO11 en marcha rápidamente en AzureML para pruebas rápidas. Para usos más avanzados, puedes consultar la documentación completa de AzureML enlazada al principio de esta guía.
Más información sobre AzureML
Esta guía sirve de introducción para ponerte en marcha con YOLO11 en AzureML. Sin embargo, sólo araña la superficie de lo que AzureML puede ofrecer. Para profundizar y liberar todo el potencial de AzureML para sus proyectos de aprendizaje automático, considere explorar los siguientes recursos:
- Crear un activo de datos: Aprenda a configurar y gestionar eficazmente sus activos de datos en el entorno AzureML.
- Iniciar un trabajo AzureML: Obtenga una comprensión completa de cómo poner en marcha sus trabajos de formación de aprendizaje automático en AzureML.
- Registrar un modelo: Familiarícese con las prácticas de gestión de modelos, incluido el registro, el versionado y el despliegue.
- Entrene YOLO11 con AzureML Python SDK: Explore una guía paso a paso sobre el uso del SDK AzureML Python para entrenar sus modelos YOLO11 .
- Entrene YOLO11 con AzureML CLI: Descubra cómo utilizar la interfaz de línea de comandos para agilizar el entrenamiento y la gestión de los modelos YOLO11 en AzureML.
PREGUNTAS FRECUENTES
¿Cómo se ejecuta YOLO11 en AzureML para el entrenamiento de modelos?
Ejecutar YOLO11 en AzureML para el entrenamiento de modelos implica varios pasos:
-
Cree una instancia de cálculo: En su espacio de trabajo AzureML, vaya a Compute > Compute instances > New, y seleccione la instancia deseada.
-
Configurar el entorno: Inicia tu instancia de computación, abre un terminal y crea un entorno conda:
-
Ejecute las tareas de YOLO11 : Utilice Ultralytics CLI para entrenar su modelo:
Para más detalles, consulte las instrucciones de uso de Ultralytics CLI .
¿Cuáles son las ventajas de utilizar AzureML para la formación YOLO11 ?
AzureML proporciona un ecosistema robusto y eficiente para el entrenamiento de modelos YOLO11 :
- Escalabilidad: Amplíe fácilmente sus recursos informáticos a medida que crece la complejidad de sus datos y modelos.
- Integración de MLOps: Utilice funciones como el control de versiones, la supervisión y la 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 a despliegues a gran escala. Para obtener más consejos, consulte AzureML Jobs.
¿Cómo puedo solucionar los problemas más comunes al ejecutar YOLO11 en AzureML?
La resolución de problemas comunes con YOLO11 en AzureML puede implicar los siguientes pasos:
- Cuestiones de dependencia: Asegúrese de que están instalados todos los paquetes necesarios. Consulte la
requirements.txtpara las dependencias. - Configuración del entorno: Comprueba que tu entorno conda está correctamente activado antes de ejecutar comandos.
- Asignación de recursos: Asegúrese de que sus instancias informáticas disponen de recursos suficientes para gestionar la carga de trabajo de formación.
Para más información, consulte nuestra documentación YOLO Common Issues.
¿Puedo utilizar tanto la interfaz Ultralytics CLI como Python en AzureML?
Sí, AzureML le permite utilizar sin problemas tanto la interfaz Ultralytics CLI como la interfaz Python :
-
CLI: Ideal para tareas rápidas y para ejecutar scripts estándar directamente desde el terminal.
-
Python Interfaz: Útil para tareas más complejas que requieren codificación personalizada e integración dentro de los cuadernos.
Consulte las guías de inicio rápido para obtener instrucciones más detalladas aquí y aquí.
¿Cuál es la ventaja de utilizar Ultralytics YOLO11 frente a otros modelos de detección de objetos?
Ultralytics YOLO11 ofrece varias ventajas únicas sobre los 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 diseño sin anclajes y estrategias de aumento mejoradas.
- Facilidad de uso: API intuitiva y CLI para una configuración rápida, lo que la hace accesible tanto a principiantes como a expertos.
Para obtener más información sobre las funciones de YOLO11, visite la página Ultralytics YOLO para obtener información detallada.
