YOLO26 🚀 sur AzureML

Qu'est-ce qu'Azure ?

Azure est la plateforme de cloud computing de Microsoft, conçue pour aider les organisations à migrer leurs charges de travail vers le cloud depuis leurs centres de données locaux. Grâce à une gamme complète de services cloud incluant le calcul, les bases de données, l'analyse, le machine learning et la mise en réseau, tu peux choisir parmi ces services pour développer et faire évoluer de nouvelles applications, ou exécuter des applications existantes dans le cloud public.

Qu'est-ce qu'Azure Machine Learning (AzureML) ?

Azure Machine Learning, communément appelé AzureML, est un service cloud entièrement géré qui permet aux data scientists et aux développeurs d'intégrer efficacement l'analyse prédictive dans leurs applications, aidant les organisations à exploiter des jeux de données massifs et à bénéficier de tous les avantages du cloud pour le machine learning. AzureML propose une variété de services et de capacités visant à rendre le machine learning accessible, facile à utiliser et évolutif. Il offre des fonctionnalités comme le machine learning automatisé, l'entraînement de modèles par glisser-déposer, ainsi qu'un SDK Python robuste pour que les développeurs puissent tirer le meilleur parti de leurs modèles de machine learning.

Quels sont les avantages d'AzureML pour les utilisateurs de YOLO ?

Pour les utilisateurs de YOLO (You Only Look Once), AzureML fournit une plateforme robuste, évolutive et efficace pour entraîner et déployer des modèles de machine learning. Que tu cherches à exécuter des prototypes rapides ou à monter en charge pour gérer des données plus volumineuses, l'environnement flexible et convivial d'AzureML offre divers outils et services adaptés à tes besoins. Tu peux utiliser AzureML pour :

Gérer facilement de grands jeux de données et des ressources de calcul pour l'entraînement.
Utiliser des outils intégrés pour le prétraitement des données, la sélection de caractéristiques et l'entraînement de modèles.
Collaborer plus efficacement avec des capacités pour le MLOps (Machine Learning Operations), incluant, sans s'y limiter, la surveillance, l'audit et le versionnage des modèles et des données.

Dans les sections suivantes, tu trouveras un guide de démarrage rapide détaillant comment exécuter des modèles de détection d'objets YOLO26 en utilisant AzureML, soit depuis un terminal de calcul, soit depuis un notebook.

Prérequis

Avant de commencer, assure-toi d'avoir accès à un espace de travail AzureML. Si tu n'en as pas, tu peux créer un nouvel espace de travail AzureML en suivant la documentation officielle d'Azure. Cet espace de travail sert de lieu centralisé pour gérer toutes les ressources AzureML.

Créer une instance de calcul

Depuis ton espace de travail AzureML, sélectionne Compute > Compute instances > New, puis sélectionne l'instance avec les ressources dont tu as besoin.

Démarrage rapide depuis le Terminal

Démarre ton instance de calcul et ouvre un Terminal :

Open Terminal

Créer un virtualenv

Crée un environnement virtuel conda avec ta version de Python préférée et installe pip dedans. Python 3.13.1 a actuellement des problèmes de dépendances dans AzureML, utilise donc plutôt Python 3.12.

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

Installe les dépendances requises :

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

Effectuer des tâches YOLO26

Prédiction :

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

Entraîne un modèle de détection pendant 10 époques avec un learning_rate initial de 0,01 :

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

Tu peux trouver plus d'instructions pour utiliser l'Ultralytics CLI ici.

Démarrage rapide depuis un Notebook

Créer un nouveau kernel IPython

Ouvre le Terminal de calcul.

Open Terminal

Depuis ton terminal de calcul, crée un nouvel ipykernel en utilisant Python 3.12, qui sera utilisé par ton notebook pour gérer les dépendances :

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"

Ferme ton terminal et crée un nouveau notebook. Depuis ton notebook, sélectionne le kernel que tu viens de créer.

Ensuite, ouvre une cellule de notebook et installe les dépendances requises :

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

Note que tu dois exécuter source activate yolo26env dans chaque cellule %%bash pour t'assurer que la cellule utilise l'environnement souhaité.

Exécute des prédictions en utilisant l'Ultralytics CLI :

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

Ou avec l'interface Python d'Ultralytics, par exemple pour entraîner le modèle :

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

Tu peux utiliser l'Ultralytics CLI ou l'interface Python pour effectuer des tâches YOLO26, comme décrit dans la section terminal ci-dessus.

En suivant ces étapes, tu devrais pouvoir faire fonctionner YOLO26 rapidement sur AzureML pour des essais rapides. Pour des usages plus avancés, tu peux te référer à la documentation complète d'AzureML liée au début de ce guide.

Explorer davantage avec AzureML

Ce guide sert d'introduction pour te permettre de démarrer avec YOLO26 sur AzureML. Cependant, il n'effleure que la surface de ce qu'AzureML peut offrir. Pour approfondir et libérer tout le potentiel d'AzureML pour tes projets de machine learning, considère l'exploration des ressources suivantes :

Créer un actif de données : Apprends à configurer et à gérer tes actifs de données efficacement au sein de l'environnement AzureML.
Lancer un travail AzureML : Obtiens une compréhension complète de la façon de démarrer tes travaux d'entraînement de machine learning sur AzureML.
Enregistrer un modèle : Familiarise-toi avec les pratiques de gestion de modèles, y compris l'enregistrement, le versionnage et le déploiement.
Entraîner YOLO26 avec le SDK Python AzureML : Explore un guide étape par étape sur l'utilisation du SDK Python AzureML pour entraîner tes modèles YOLO26.
Entraîner YOLO26 avec l'AzureML CLI : Découvre comment utiliser l'interface en ligne de commande pour une formation et une gestion simplifiées des modèles YOLO26 sur AzureML.

FAQ

Comment puis-je exécuter YOLO26 sur AzureML pour l'entraînement de modèles ?

L'exécution de YOLO26 sur AzureML pour l'entraînement de modèles implique plusieurs étapes :

Créer une instance de calcul : Depuis ton espace de travail AzureML, navigue vers Compute > Compute instances > New, et sélectionne l'instance requise.
Configurer l'environnement : Démarre ton instance de calcul, ouvre un terminal et crée un environnement Conda. Définit ta version de Python (Python 3.13.1 n'est pas encore pris en charge) :
```
conda create --name yolo26env -y python=3.12
conda activate yolo26env
conda install pip -y
pip install ultralytics onnx
```
Exécuter les tâches YOLO26 : Utilise l'Ultralytics CLI pour entraîner ton modèle :
```
yolo train data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01
```

Pour plus de détails, tu peux te référer aux instructions pour utiliser l'Ultralytics CLI.

Quels sont les avantages d'utiliser AzureML pour l'entraînement de YOLO26 ?

AzureML fournit un écosystème robuste et efficace pour entraîner des modèles YOLO26 :

Évolutivité : Fais évoluer facilement tes ressources de calcul à mesure que tes données et la complexité de ton modèle augmentent.
Intégration MLOps : Utilise des fonctionnalités comme le versionnage, la surveillance et l'audit pour rationaliser tes opérations de ML.
Collaboration : Partage et gère des ressources au sein des équipes, améliorant les flux de travail collaboratifs.

Ces avantages font d'AzureML une plateforme idéale pour des projets allant de prototypes rapides à des déploiements à grande échelle. Pour plus de conseils, consulte AzureML Jobs.

Comment puis-je résoudre les problèmes courants lors de l'exécution de YOLO26 sur AzureML ?

La résolution des problèmes courants avec YOLO26 sur AzureML peut impliquer les étapes suivantes :

Problèmes de dépendances : Assure-toi que tous les paquets requis sont installés. Réfère-toi au fichier requirements.txt pour les dépendances.
Configuration de l'environnement : Vérifie que ton environnement conda est correctement activé avant d'exécuter des commandes.
Allocation des ressources : Assure-toi que tes instances de calcul disposent de ressources suffisantes pour gérer la charge de travail d'entraînement.

Pour obtenir des conseils supplémentaires, examine notre documentation YOLO Common Issues.

Puis-je utiliser à la fois l'Ultralytics CLI et l'interface Python sur AzureML ?

Oui, AzureML te permet d'utiliser à la fois l'Ultralytics CLI et l'interface Python de manière transparente :

CLI : Idéal pour les tâches rapides et l'exécution de scripts standard directement depuis le terminal.
```
yolo predict model=yolo26n.pt source='https://ultralytics.com/images/bus.jpg'
```
Interface Python : Utile pour des tâches plus complexes nécessitant un codage personnalisé et une intégration au sein de notebooks.
```
from ultralytics import YOLO

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

Pour des instructions étape par étape, réfère-toi au guide de démarrage rapide CLI et au guide de démarrage rapide Python.

Quel est l'avantage d'utiliser Ultralytics YOLO26 par rapport à d'autres modèles de détection d'objets ?

Ultralytics YOLO26 offre plusieurs avantages uniques par rapport aux modèles de détection d'objets concurrents :

Vitesse : Temps d'inférence et d'entraînement plus rapides comparé à des modèles comme Faster R-CNN et SSD.
Précision : Haute précision dans les tâches de détection avec des fonctionnalités telles qu'une conception sans ancres (anchor-free) et des stratégies d'augmentation améliorées.
Facilité d'utilisation : API et CLI intuitives pour une configuration rapide, le rendant accessible aussi bien aux débutants qu'aux experts.

Pour en savoir plus sur les fonctionnalités de YOLO26, visite la page Ultralytics YOLO pour des aperçus détaillés.

Contributors

GLglenn-jocher¹² PDpderrenger¹ Y-Y-T-G¹ LULucashygi¹ RIRizwanMunawar¹

Created 12 nov. 2023Updated la semaine dernière