Commencer

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 des centres de données sur site vers le cloud. Grâce à un large éventail de services cloud, notamment pour le calcul, les bases de données, l’analyse, le machine learning et la mise en réseau, les utilisateurs peuvent choisir les services nécessaires 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 qui permet de créer, d’entraîner et de déployer des modèles d’apprentissage automatique à grande échelle. Il propose l’apprentissage automatique automatisé, l’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 ainsi :

  • Gère de grands jeux de données et les ressources de calcul nécessaires à l’entraînement.
  • Utilise les outils intégrés de prétraitement des données, de sélection des caractéristiques et d’entraînement des modèles.
  • Collabore plus efficacement grâce aux fonctionnalités MLOps (opérations d’apprentissage automatique), notamment la surveillance, l’audit et le versionnage 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, vérifie que tu as accès à un espace de travail AzureML. Si tu n’en as pas, tu peux en créer un 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#

Dans ton espace de travail AzureML, sélectionne Compute > Compute instances > New, puis choisis une instance dotée des ressources dont tu as besoin.

Create Azure Compute Instance

Démarrage rapide depuis un terminal#

Démarre ta ressource de calcul et ouvre un terminal :

Opening a terminal on an AzureML compute instance

Créer un environnement virtuel#

Crée un environnement virtuel Conda et installe-y pip :

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

Python 3.13 présente actuellement des problèmes de dépendances sur AzureML ; utilise donc Python 3.12.

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 :

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

Démarrage rapide depuis un notebook#

Créer un nouveau noyau IPython#

Ouvre le terminal de calcul.

Opening a terminal on an AzureML compute instance

Depuis le terminal de calcul, crée un nouveau noyau ipykernel 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. Dans 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
Activer l’environnement dans chaque cellule

Exécute source activate yolo26env au début de chaque cellule %%bash pour que la cellule utilise l’environnement prévu.

Effectue quelques prédictions avec la CLI Ultralytics :

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

Ou utilise l’interface Python d’Ultralytics, par exemple pour entraîner le modèle :

from ultralytics import YOLO

# Charger un modèle
model = YOLO("yolo26n.pt")  # charger un modèle YOLO26n officiel

# Utiliser le modèle
model.train(data="coco8.yaml", epochs=3)  # entraîner le modèle
metrics = model.val()  # évaluer les performances du modèle sur le jeu de validation
results = model("https://ultralytics.com/images/bus.jpg")  # effectuer une prédiction sur une image
path = model.export(format="onnx")  # exporter le modèle au format ONNX

Tu peux utiliser la CLI Ultralytics ou l’interface Python pour effectuer des tâches YOLO26. L’exemple Python ci-dessus exporte également le modèle entraîné au format ONNX pour son déploiement.

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

En savoir plus sur AzureML#

Ce guide présente les bases de l’exécution de YOLO26 sur AzureML. Pour approfondir le sujet, consulte ces ressources :

FAQ#

  • Pour exécuter YOLO26 sur AzureML à des fins d’entraînement, crée une instance de calcul, configure un environnement Conda, installe Ultralytics et exécute la commande d’entraînement :

    1. Créer une instance de calcul : dans ton espace de travail AzureML, accède à Compute > Compute instances > New, puis sélectionne l’instance requise.

    2. Configurer l’environnement : démarre ton instance de calcul, ouvre un terminal et crée un environnement Conda avec Python 3.12 (Python 3.13 présente actuellement des problèmes de dépendances sur AzureML) :

      conda create --name yolo26env -y python=3.12
      conda activate yolo26env
      conda install pip -y
      pip install ultralytics onnx
    3. Exécuter des tâches YOLO26 : utilise l’interface CLI Ultralytics pour entraîner ton modèle :

      yolo train data=coco8.yaml model=yolo26n.pt epochs=10
  • AzureML fournit un environnement géré pour entraîner des modèles YOLO26 :

    • Évolutivité : adapte tes ressources de calcul à la croissance de tes données et de la complexité de tes modèles.
    • Intégration MLOps : utilise des fonctionnalités telles que le versionnage, la surveillance et l’audit pour simplifier les opérations d’apprentissage automatique.
    • Collaboration : partage et gère les ressources au sein des équipes afin d’améliorer les flux de travail collaboratifs.

    Ces fonctionnalités font d’AzureML une solution adaptée à des projets allant du prototypage rapide aux déploiements à grande échelle.

  • Pour résoudre les problèmes liés à YOLO26 sur AzureML, vérifie que tes dépendances sont installées, confirme que ton environnement Conda est activé et assure-toi que ton instance de calcul dispose de ressources suffisantes :

    • Problèmes de dépendances : vérifie que tous les packages requis sont installés avec pip install ultralytics onnx.
    • Configuration de l’environnement : vérifie que ton environnement conda est correctement activé avant d’exécuter les 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, consulte la documentation Problèmes courants liés à YOLO.

  • Oui, AzureML te permet d’utiliser à la fois la CLI Ultralytics et l’interface Python :

    • CLI : idéale pour les tâches rapides et l’exécution de scripts standards directement depuis le terminal.

      yolo predict model=yolo26n.pt source='https://ultralytics.com/images/bus.jpg'
    • Interface Python : utile pour les tâches plus complexes qui nécessitent du code personnalisé et une intégration dans des notebooks.

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

    Pour suivre les instructions étape par étape, consulte le guide de démarrage rapide de la CLI et le guide de démarrage rapide de Python.

  • Ultralytics YOLO26 offre plusieurs avantages par rapport aux modèles concurrents de détection d’objets :

    • Vitesse : des temps d’inférence et d’entraînement plus courts que ceux de modèles comme Faster R-CNN et SSD.
    • Précision : grande précision pour les tâches de détection grâce à des caractéristiques telles que la conception sans ancres et des stratégies d’augmentation améliorées.
    • Facilité d’utilisation : une API et une CLI intuitives pour une configuration rapide, accessibles aux débutants comme aux experts.

Commentaires

Pose une question, partage tes résultats ou aide quelqu’un d’autre.