Link to this sectionYOLO26 🚀 sur AzureML#

Link to this sectionQu'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 des centres de données sur site. Avec une gamme complète de services cloud incluant ceux pour le calcul, les bases de données, l'analytique, le machine learning et le réseautage, les utilisateurs peuvent choisir parmi ces services pour développer et mettre à l'échelle de nouvelles applications, ou exécuter des applications existantes, dans le cloud public.

Link to this sectionQu'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.

Link to this sectionQuels 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, depuis des prototypes rapides jusqu'à des exécutions à grande échelle. Avec lui, 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.

Link to this sectionPrérequis#

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.

Link to this sectionCréer 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.

Link to this sectionDémarrage rapide depuis le Terminal#

Démarre ton calcul et ouvre un Terminal :

Link to this sectionCréer 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

Link to this sectionEffectuer des tâches YOLO26#

Predict :

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

Train un modèle de détection pendant 10 epochs 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.

Link to this sectionDémarrage rapide depuis un Notebook#

Link to this sectionCréer 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 onnx

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 soit l'Ultralytics CLI, soit l'interface Python 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 fonctionner YOLO26 rapidement sur AzureML. Pour des flux de travail plus avancés, consulte la documentation AzureML.

Link to this sectionExplorer plus avec AzureML#

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

• Create a Data Asset : Configure et gère tes actifs de données au sein de l'environnement AzureML.
• Initiate an AzureML Job : Lance tes tâches d'entraînement de machine learning sur AzureML.
• Register a Model : Gère l'enregistrement, le versionnage et le déploiement de modèles.
• Modal Quickstart : Exécute YOLO26 sur le cloud GPU serverless de Modal comme alternative à AzureML.

Link to this sectionFAQ#

Link to this sectionComment puis-je exécuter YOLO26 sur AzureML pour l'entraînement de modèles ?#

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 :

1. Create a Compute Instance : Depuis ton espace de travail AzureML, navigue vers Compute > Compute instances > New, et sélectionne l'instance requise.

2. 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) :

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

3. Run YOLO26 Tasks : 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.

Link to this sectionQuels sont les avantages d'utiliser AzureML pour l'entraînement YOLO26 ?#

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 des projets allant des prototypes rapides aux déploiements à grande échelle. Pour plus de conseils, consulte AzureML Jobs.

Link to this sectionComment résoudre les problèmes courants lors de l'exécution de YOLO26 sur 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 :

• Dependency Issues : Assure-toi que tous les paquets 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, examine notre documentation sur les YOLO Common Issues.

Link to this sectionPuis-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'

• 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 CLI quickstart guide et au Python quickstart guide.

Link to this sectionQuel est l'avantage d'utiliser Ultralytics YOLO26 par rapport à d'autres modèles de object detection ?#

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.
• Accuracy : Haute précision dans les tâches de détection avec des fonctionnalités comme une conception sans ancres (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 aperçus détaillés.