YOLO26 🚀 sur AzureML#

Qu'est-ce qu'Azure ?#

Azure est la plateforme de cloud computing de Microsoft, conçue pour aider les organisations à transférer leurs charges de travail vers le cloud depuis leurs centres de données sur site. Avec tout l'éventail de services cloud, notamment ceux dédiés au calcul, aux bases de données, à l'analytique, au machine learning et aux réseaux, tu peux sélectionner les services dont tu as besoin 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 (AzureML) est un service cloud entièrement géré permettant de créer, d'entraîner et de déployer des modèles de machine learning à grande échelle. Il fournit du machine learning automatisé, un entraînement de modèles par glisser-déposer et un SDK Python pour contrôler entièrement tes modèles par programmation.

Quels avantages AzureML offre-t-il aux utilisateurs de YOLO ?#

AzureML te permet d'entraîner et de déployer des modèles Ultralytics YOLO26 dans le cloud, des prototypes rapides aux exécutions à grande échelle. Tu peux notamment :

• Gérer facilement de grands jeux de données et les ressources de calcul nécessaires à l'entraînement.
• Utiliser des outils intégrés de prétraitement des données, de sélection des caractéristiques et d'entraînement des modèles.
• Collaborer plus efficacement grâce à des fonctionnalités de MLOps (opérations de machine learning), notamment la surveillance, l'audit et la gestion des versions des modèles et des données.

Dans les sections suivantes, tu trouveras un guide de démarrage rapide expliquant comment exécuter des modèles de détection d'objets YOLO26 avec AzureML, depuis un terminal de calcul ou 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 point central 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 disposant des ressources dont tu as besoin.

Démarrage rapide depuis un terminal#

Démarre ton instance de calcul et ouvre un terminal :

Créer un environnement virtuel#

Crée un environnement virtuel conda et installe pip dedans :

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

Installe les dépendances requises :

pip install ultralytics onnx

Effectuer des tâches YOLO26#

Prédire :

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 trouveras ici plus d'instructions pour utiliser la CLI Ultralytics.

Démarrage rapide depuis un notebook#

Créer un nouveau noyau IPython#

Ouvre le terminal de calcul.

Depuis ton terminal de calcul, crée un nouvel ipykernel avec Python 3.12 ; ton notebook l'utilisera 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 noyau que tu viens de créer.

Ouvre ensuite une cellule du notebook et installe les dépendances requises :

%%bash
source activate yolo26env
pip install ultralytics onnx

Lance quelques prédictions avec la CLI Ultralytics :

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

Ou avec l'interface Python 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 la CLI Ultralytics ou l'interface Python pour exécuter des tâches YOLO26. L'exemple Python ci-dessus exporte également le modèle entraîné au format ONNX pour le déploiement.

En suivant ces étapes, tu peux rapidement exécuter YOLO26 sur AzureML. Pour des workflows plus avancés, consulte la documentation AzureML.

Va plus loin avec AzureML#

Ce guide présente les bases de l'exécution de YOLO26 sur AzureML. Pour aller plus loin, consulte ces ressources :

• Créer un actif de données : configure et gère tes actifs de données dans l'environnement AzureML.
• Lancer un travail AzureML : démarre tes travaux d'entraînement de machine learning sur AzureML.
• Enregistrer un modèle : gère l'enregistrement, la gestion des versions et le déploiement des modèles.
• Démarrage rapide avec Modal : exécute YOLO26 sur le cloud GPU serverless de Modal comme alternative à AzureML.

FAQ#