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 permettant de créer, d’entraîner et de déployer des modèles de machine learning à grande échelle. Il propose le machine learning automatisé, l’entraînement de modèles par glisser-déposer et un SDK Python offrant un contrôle programmatique complet sur tes modèles.

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 :

• Gérer facilement de grands jeux de données et les ressources de calcul nécessaires à l’entraînement.
• Utiliser des outils intégrés pour le prétraitement des données, la sélection des caractéristiques et l’entraînement des modèles.
• Collaborer plus efficacement grâce aux fonctionnalités MLOps (opérations de machine learning), notamment la surveillance, l’audit et le contrôle 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, 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 l’instance dotée des ressources dont tu as besoin.

Démarrage rapide depuis un terminal#

Démarre ta ressource de calcul et ouvre un terminal :

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

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

Tu trouveras ici d’autres instructions pour utiliser la CLI Ultralytics.

Démarrage rapide depuis un notebook#

Créer un nouveau noyau IPython#

Ouvre le terminal de calcul.

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

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 :

• Créer une ressource de données : configure et gère tes ressources de données dans l’environnement AzureML.
• Lancer une tâche AzureML : lance tes tâches d’entraînement de machine learning sur AzureML.
• Enregistrer un modèle : gère l’enregistrement, le contrôle des versions et le déploiement des modèles.
• Guide de démarrage rapide de Modal : exécute YOLO26 sur le cloud GPU sans serveur de Modal, comme solution de remplacement à AzureML.

FAQ#