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 de leurs centres de données locaux vers le cloud. Grâce à un large éventail de services cloud, incluant ceux dédiés au calcul, aux bases de données, à l'analytique, au machine learning et à la mise en réseau, tu peux choisir parmi ces services pour développer et mettre à l'échelle 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 pour construire, entraîner et déployer des modèles de machine learning à grande échelle. Il fournit du machine learning automatisé, une formation de modèles par glisser-déposer, et un SDK Python pour un contrôle programmatique complet sur tes modèles.
Quels sont les avantages d'AzureML pour les utilisateurs de YOLO ?#
AzureML te permet d'entraîner et de déployer des modèles Ultralytics YOLO26 dans le cloud, de prototypes rapides à des exécutions à grande échelle. Avec cet outil, tu peux :
- Gérer facilement de grands jeux de données et des ressources computationnelles 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, mais 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, que ce soit 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 d'emplacement 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 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 -yPython 3.13 a actuellement des problèmes de dépendance sur AzureML, utilise donc Python 3.12 à la place.
Installe les dépendances requises :
pip install ultralytics onnxEffectuer des tâches YOLO26#
Prédire :
yolo predict model=yolo26n.pt source='https://ultralytics.com/images/bus.jpg'Entraîner 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=0.01Tu trouveras plus d'instructions pour utiliser la CLI d'Ultralytics ici.
Démarrage rapide depuis un Notebook#
Créer un nouveau noyau IPython#
Ouvre le terminal de calcul.
Depuis ton terminal de calcul, crée un nouveau 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 noyau nouvellement créé.
Ensuite, ouvre une cellule de notebook et installe les dépendances requises :
%%bash
source activate yolo26env
pip install ultralytics onnxExécute source activate yolo26env au début de chaque cellule %%bash pour que la cellule utilise l'environnement souhaité.
Exécute quelques prédictions à l'aide de la CLI d'Ultralytics :
%%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 formatTu peux utiliser soit la CLI soit l'interface Python d'Ultralytics pour exécuter des tâches YOLO26. L'exemple Python ci-dessus exporte également le modèle entraîné vers ONNX pour le déploiement.
En suivant ces étapes, tu peux faire tourner YOLO26 rapidement sur AzureML. Pour des flux de travail plus avancés, consulte la documentation d'AzureML.
Explorer plus avec AzureML#
Ce guide couvre les bases de l'exécution de YOLO26 sur AzureML. Pour aller plus loin, explore 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 en machine learning sur AzureML.
- Enregistrer un modèle : Gère l'enregistrement, le versionnement et le déploiement des modèles.
- Démarrage rapide avec Modal : Exécute YOLO26 sur le cloud GPU sans serveur de Modal comme alternative à AzureML.
FAQ#
AzureML fournit un écosystème robuste et efficace pour l'entraînement des modèles YOLO26 :
- Scalability : Adapte facilement tes ressources de calcul à mesure que tes données et la complexité de ton modèle augmentent.
- MLOps Integration : Utilise des fonctionnalités comme le versionnage, la surveillance et l'audit pour rationaliser les opérations ML.
- Collaboration : Partage et gère les ressources au sein des équipes, améliorant les flux de travail collaboratifs.
Ces avantages font d'AzureML une plateforme idéale pour les projets allant des prototypes rapides aux déploiements à grande échelle. Pour plus de conseils, consulte les travaux AzureML.
Pour résoudre les problèmes avec 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 dépendance : Assure-toi que tous les packages requis sont installés avec
pip install ultralytics onnx. - Environment Setup : Vérifie que ton environnement conda est correctement activé avant d'exécuter des commandes.
- Resource Allocation : Assure-toi que tes instances de calcul disposent de ressources suffisantes pour gérer la charge de travail d'entraînement.
Pour des conseils supplémentaires, consulte notre documentation sur les problèmes courants de YOLO.
- Problèmes de dépendance : Assure-toi que tous les packages requis sont installés avec
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' -
Python Interface : Utile pour des tâches plus complexes nécessitant un codage personnalisé et une intégration au sein des 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 de la CLI et au guide de démarrage rapide Python.
-
Ultralytics YOLO26 offre plusieurs avantages uniques par rapport aux modèles de détection d'objets concurrents :
- Speed : Temps d'inférence et d'entraînement plus rapides par rapport aux modèles comme Faster R-CNN et SSD.
- Précision : Haute précision dans les tâches de détection grâce à des fonctionnalités telles que la conception sans ancrage (anchor-free) et des stratégies d'augmentation améliorées.
- Ease of Use : 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 informations détaillées.
Pour exécuter YOLO26 sur AzureML pour l'entraînement, crée une instance de calcul, configure un environnement Conda, installe Ultralytics et exécute la commande d'entraînement :
Create a Compute Instance : Depuis ton espace de travail AzureML, navigue vers Compute > Compute instances > New, et sélectionne l'instance requise.
Set Up the Environment : Démarre ton instance de calcul, ouvre un terminal et crée un environnement Conda avec Python 3.12 (Python 3.13 a actuellement des problèmes de dépendance sur AzureML) :
Run YOLO26 Tasks : Utilise l'Ultralytics CLI pour entraîner ton modèle :
Pour plus de détails, tu peux te référer aux instructions pour utiliser la CLI d'Ultralytics.