YOLO11 🚀 on AzureML

Qu'est-ce qu'Azure ?

Azure is Microsoft's cloud computing platform, designed to help organizations move their workloads to the cloud from on-premises data centers. With the full spectrum of cloud services including those for computing, databases, analytics, machine learning, and networking, users can pick and choose from these services to develop and scale new applications, or run existing applications, in the public cloud.

Qu'est-ce que Azure Machine Learning (AzureML) ?

Azure Machine Learning, communément appelé AzureML, est un service cloud entièrement géré qui permet aux scientifiques des données et aux développeurs d'intégrer efficacement l'analyse prédictive dans leurs applications, en aidant les organisations à utiliser des ensembles de données massives et à apporter tous les avantages du cloud à l'apprentissage automatique. AzureML offre une variété de services et de capacités visant à rendre l'apprentissage automatique accessible, facile à utiliser et évolutif. Il offre des capacités telles que l'apprentissage automatique, la formation de modèles par glisser-déposer, ainsi qu'un SDK Python robuste pour que les développeurs puissent tirer le meilleur parti de leurs modèles d'apprentissage automatique.

Quels sont les avantages d'AzureML pour les utilisateurs de YOLO ?

Pour les utilisateurs de YOLO (You Only Look Once), AzureML fournit une plateforme robuste, évolutive et efficace pour former et déployer des modèles d'apprentissage automatique. Que tu cherches à exécuter des prototypes rapides ou à passer à l'échelle supérieure pour traiter des données plus importantes, l'environnement flexible et convivial d'AzureML offre divers outils et services pour répondre à tes besoins. Tu peux tirer parti d'AzureML pour :

• Gère facilement les grands ensembles de données et les ressources informatiques pour la formation.
• Utilise les outils intégrés pour le prétraitement des données, la sélection des caractéristiques et la formation des modèles.
• Collabore plus efficacement grâce aux capacités de MLOps (Machine Learning Operations), y compris, mais sans s'y limiter, la surveillance, l'audit et le versionnage des modèles et des données.

In the subsequent sections, you will find a quickstart guide detailing how to run YOLO11 object detection models using AzureML, either from a compute terminal or a notebook.

Conditions préalables

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'endroit centralisé pour gérer toutes les ressources AzureML.

Créer une instance de calcul

Dans ton espace de travail AzureML, sélectionne Compute > Instances de calcul > Nouveau, sélectionne l'instance avec les ressources dont tu as besoin.

Démarrage rapide à partir du terminal

Démarre ton ordinateur et ouvre un Terminal :

Créer un serveur virtuel

Crée ton virtualenv conda et installe pip dedans :

conda create --name yolo11env -y
conda activate yolo11env
conda install pip -y

Installe les dépendances nécessaires :

cd ultralytics
pip install -r requirements.txt
pip install ultralytics
pip install onnx>=1.12.0

Perform YOLO11 tasks

Prédisez :

yolo predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'

Train a detection model for 10 epochs with an initial learning_rate of 0.01:

yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01

Tu trouveras plus d'instructions pour utiliser le site Ultralytics CLI ici.

Démarrage rapide à partir d'un carnet de notes

Crée un nouveau noyau IPython

Ouvre le terminal de calcul.

Depuis ton terminal de calcul, tu dois créer un nouveau ipykernel qui sera utilisé par ton carnet pour gérer tes dépendances :

conda create --name yolo11env -y
conda activate yolo11env
conda install pip -y
conda install ipykernel -y
python -m ipykernel install --user --name yolo11env --display-name "yolo11env"

Ferme ton terminal et crée un nouveau carnet de notes. À partir de ton carnet, tu peux sélectionner le nouveau noyau.

Tu peux ensuite ouvrir une cellule du carnet de notes et installer les dépendances nécessaires :

%%bash
source activate yolo11env
cd ultralytics
pip install -r requirements.txt
pip install ultralytics
pip install onnx>=1.12.0

Note que nous devons utiliser le source activate yolo11env pour toutes les cellules %%bash, afin de s'assurer que la cellule %%bash utilise l'environnement que nous voulons.

Effectue quelques prédictions à l'aide de la fonction Ultralytics CLI:

%%bash
source activate yolo11env
yolo predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'

Ou avec l'interfaceUltralytics Python , par exemple pour entraîner le modèle :

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load an official YOLO11n 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

You can use either the Ultralytics CLI or Python interface for running YOLO11 tasks, as described in the terminal section above.

By following these steps, you should be able to get YOLO11 running quickly on AzureML for quick trials. For more advanced uses, you may refer to the full AzureML documentation linked at the beginning of this guide.

En savoir plus sur AzureML

This guide serves as an introduction to get you up and running with YOLO11 on AzureML. However, it only scratches the surface of what AzureML can offer. To delve deeper and unlock the full potential of AzureML for your machine learning projects, consider exploring the following resources:

• Créer un actif de données : Apprends à configurer et à gérer efficacement tes actifs de données dans l'environnement AzureML.
• Lancer un travail AzureML: Comprends bien comment donner le coup d'envoi à tes travaux de formation à l'apprentissage automatique sur AzureML.
• Enregistrer un modèle: Familiarise-toi avec les pratiques de gestion des modèles, notamment l'enregistrement, le versionnage et le déploiement.
• Train YOLO11 with AzureML Python SDK: Explore a step-by-step guide on using the AzureML Python SDK to train your YOLO11 models.
• Train YOLO11 with AzureML CLI: Discover how to utilize the command-line interface for streamlined training and management of YOLO11 models on AzureML.

FAQ

How do I run YOLO11 on AzureML for model training?

Running YOLO11 on AzureML for model training involves several steps:

1. Créer une instance de calcul: Depuis ton espace de travail AzureML, navigue vers Compute > Instances de calcul > Nouveau, et sélectionne l'instance requise.

2. Configuration de l'environnement: Démarre ton instance de calcul, ouvre un terminal et crée un environnement conda :

   conda create --name yolo11env -y
   conda activate yolo11env
   conda install pip -y
   pip install ultralytics onnx>=1.12.0
   

3. Run YOLO11 Tasks: Use the Ultralytics CLI to train your model:

   yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01
   

Pour plus de détails, tu peux te référer au mode d'emploi du site Ultralytics CLI .

What are the benefits of using AzureML for YOLO11 training?

AzureML provides a robust and efficient ecosystem for training YOLO11 models:

• Évolutivité: Fais facilement évoluer tes ressources de calcul à mesure que la complexité de tes données et de tes modèles augmente.
• Intégration MLOps: Utilise des fonctions telles que le versionnage, la surveillance et l'audit pour rationaliser les opérations de ML.
• Collaboration: Partage et gère les ressources au sein des équipes, en 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 AzureML Jobs.

How do I troubleshoot common issues when running YOLO11 on AzureML?

Troubleshooting common issues with YOLO11 on AzureML can involve the following steps:

• Questions de dépendance: Assure-toi que tous les paquets requis sont installés. Reporte-toi à la requirements.txt pour les dépendances.
• Configuration de l'environnement: Vérifie que ton environnement conda est correctement activé avant d'exécuter des commandes.
• Allocation des ressources: Assure-toi que tes instances de calcul disposent de suffisamment de ressources pour gérer la charge de travail de la formation.

Pour obtenir des conseils supplémentaires, consulte notre documentation YOLO Common Issues.

Puis-je utiliser les interfaces Ultralytics CLI et Python sur AzureML ?

Oui, AzureML te permet d'utiliser à la fois l'interface Ultralytics CLI et l'interface Python de façon transparente :

• CLI: Idéal pour les tâches rapides et l'exécution de scripts standard directement à partir du terminal.

  yolo predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'
  

• Python Interface: Utile pour les tâches plus complexes nécessitant un codage personnalisé et une intégration dans les carnets.

  from ultralytics import YOLO
  
  model = YOLO("yolo11n.pt")
  model.train(data="coco8.yaml", epochs=3)
  

Reporte-toi aux guides de démarrage rapide pour des instructions plus détaillées ici et ici.

What is the advantage of using Ultralytics YOLO11 over other object detection models?

Ultralytics YOLO11 offers several unique advantages over competing object detection models:

• Vitesse: Inférence et temps de formation plus rapides par rapport à des modèles comme R-CNN plus rapide et SSD.
• Accuracy: High accuracy in detection tasks with features like anchor-free design and enhanced augmentation strategies.
• Facilité d'utilisation: API intuitive et CLI pour une configuration rapide, ce qui le rend accessible aussi bien aux débutants qu'aux experts.

To explore more about YOLO11's features, visit the Ultralytics YOLO page for detailed insights.

📅 Created 11 months ago ✏️ Updated 11 days ago

Commentaires