YOLO11 🚀 sur AzureML
Qu'est-ce qu'Azure ?
Azure est la plateforme de cloud computing de Microsoft's, conçue pour aider les organisations à déplacer leurs charges de travail vers le cloud à partir de centres de données sur site. Grâce à la gamme complète de services en nuage, notamment pour l'informatique, les bases de données, l'analyse, l'apprentissage automatique et la mise en réseau, les utilisateurs peuvent choisir parmi ces services pour développer et mettre à l'échelle de nouvelles applications, ou exécuter des applications existantes, dans le nuage public.
Qu'est-ce que Azure Machine Learning (AzureML) ?
Azure Machine Learning, communément appelé AzureML, est un service cloud entièrement géré qui permet aux data scientists et aux développeurs d'intégrer efficacement l'analyse prédictive dans leurs applications, aidant ainsi 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 fonctionnalités telles que l'apprentissage automatique, la formation de modèles par glisser-déposer, ainsi qu'un SDK Python robuste afin 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 vous souhaitiez exécuter des prototypes rapides ou 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 vos besoins. Vous pouvez exploiter AzureML pour :
- Gérer facilement les grands ensembles de données et les ressources informatiques pour la formation.
- Utiliser les outils intégrés pour le prétraitement des données, la sélection des caractéristiques et la formation des modèles.
- Collaborer 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.
Dans les sections suivantes, vous trouverez un guide de démarrage rapide détaillant comment exécuter les modèles de détection d'objets YOLO11 à l'aide d'AzureML, soit à partir d'un terminal de calcul, soit à partir d'un ordinateur portable.
Conditions préalables
Avant de commencer, assurez-vous d'avoir accès à un espace de travail AzureML. Si vous n'en avez pas, vous pouvez 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
Depuis votre espace de travail AzureML, sélectionnez Compute > Compute instances > New, sélectionnez l'instance avec les ressources dont vous avez besoin.
DĂ©marrage rapide Ă partir du terminal
DĂ©marrez votre ordinateur et ouvrez un Terminal :
Créer un serveur virtuel
Créez votre environnement virtuel conda et installez-y pip :
Installer les dépendances nécessaires :
Effectuer des tâches sur le site YOLO11
Prévoir :
Entraîner un modèle de détection pendant 10 époques avec un taux d'apprentissage initial de 0,01 :
Vous trouverez plus d'instructions sur l'utilisation du site Ultralytics CLI ici.
DĂ©marrage rapide Ă partir d'un carnet de notes
Créer un nouveau noyau IPython
Ouvrez le terminal de calcul.
Depuis votre terminal de calcul, vous devez créer un nouveau ipykernel qui sera utilisé par votre notebook pour gérer vos 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"
Fermez votre terminal et créez un nouveau carnet de notes. Dans votre carnet, vous pouvez sélectionner le nouveau noyau.
Vous pouvez ensuite ouvrir une cellule de Notebook 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
Notez que nous devons utiliser l'option source activate yolo11env pour toutes les cellules %%bash, afin de s'assurer que la cellule %%bash utilise l'environnement souhaité.
Effectuez 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
Vous pouvez utiliser l'interface Ultralytics CLI ou Python pour exécuter les tâches YOLO11 , comme décrit dans la section sur les terminaux ci-dessus.
En suivant ces étapes, vous devriez être en mesure de faire fonctionner YOLO11 rapidement sur AzureML pour des essais rapides. Pour des utilisations plus avancées, vous pouvez vous référer à la documentation complète d'AzureML dont le lien figure au début de ce guide.
En savoir plus sur AzureML
Ce guide sert d'introduction pour vous permettre de démarrer avec YOLO11 sur AzureML. Cependant, il ne fait qu'effleurer la surface de ce qu'AzureML peut offrir. Pour aller plus loin et exploiter tout le potentiel d'AzureML pour vos projets d'apprentissage automatique, pensez à explorer les ressources suivantes :
- Créer un actif de données: Apprenez à configurer et à gérer efficacement vos actifs de données dans l'environnement AzureML.
- Lancer un travail AzureML: Obtenez une compréhension complète de la façon de démarrer vos travaux de formation à l'apprentissage automatique sur AzureML.
- Enregistrer un modèle: Se familiariser avec les pratiques de gestion des modèles, notamment l'enregistrement, la gestion des versions et le déploiement.
- Entraînez YOLO11 avec AzureML Python SDK: Découvrez un guide étape par étape sur l'utilisation du SDK AzureML Python pour former vos modèles YOLO11 .
- Former YOLO11 avec AzureML CLI: Découvrez comment utiliser l'interface de ligne de commande pour rationaliser la formation et la gestion des modèles YOLO11 sur AzureML.
FAQ
Comment exécuter YOLO11 sur AzureML pour l'apprentissage des modèles ?
L'exécution de YOLO11 sur AzureML pour la formation de modèles implique plusieurs étapes :
-
Créez une instance de calcul: Depuis votre espace de travail AzureML, naviguez vers Compute > Compute instances > New, et sélectionnez l'instance requise.
-
Configurer l'environnement: Démarrez votre instance de calcul, ouvrez un terminal et créez un environnement conda :
-
Exécuter YOLO11 Tâches : Utilisez le site Ultralytics CLI pour entraîner votre modèle :
Pour plus de détails, vous pouvez vous référer aux instructions d'utilisation du site Ultralytics CLI .
Quels sont les avantages de l'utilisation d'AzureML pour la formation YOLO11 ?
AzureML fournit un écosystème robuste et efficace pour la formation des modèles YOLO11 :
- Évolutivité: Faites évoluer facilement vos ressources de calcul en fonction de la complexité croissante de vos données et de vos modèles.
- Intégration MLOps: Utilisez des fonctionnalités telles que la gestion des versions, la surveillance et l'audit pour rationaliser les opérations de ML.
- Collaboration: Partagez et gérez les ressources au sein des équipes, en améliorant les flux de travail collaboratifs.
Ces avantages font d'AzureML une plateforme idéale pour des projets allant de prototypes rapides à des déploiements à grande échelle. Pour plus de conseils, consultez AzureML Jobs.
Comment résoudre les problèmes courants lors de l'exécution de YOLO11 sur AzureML ?
La résolution des problèmes courants liés à YOLO11 sur AzureML peut passer par les étapes suivantes :
- Questions de dépendance: Assurez-vous que tous les paquets nécessaires sont installés. Reportez-vous à la page
requirements.txtpour les dépendances. - Configuration de l'environnement: Vérifiez que votre environnement conda est correctement activé avant d'exécuter des commandes.
- Allocation des ressources: Assurez-vous que vos instances de calcul disposent de ressources suffisantes pour gérer la charge de travail de la formation.
Pour plus d'informations, consultez notre documentation YOLO Common Issues.
Puis-je utiliser les interfaces Ultralytics CLI et Python sur AzureML ?
Oui, AzureML vous permet d'utiliser les interfaces Ultralytics CLI et Python de manière transparente :
-
CLI: Idéal pour les tâches rapides et l'exécution de scripts standard directement à partir du terminal.
-
Python Interface: Utile pour les tâches plus complexes nécessitant un codage personnalisé et une intégration dans les carnets.
Vous trouverez des instructions plus détaillées dans les guides de démarrage rapide ici et ici.
Quel est l'avantage de l'utilisation de Ultralytics YOLO11 par rapport à d'autres modèles de détection d'objets?
Ultralytics YOLO11 offre plusieurs avantages uniques par rapport aux modèles de détection d'objets concurrents :
- Vitesse: Inférence et temps de formation plus rapides par rapport à des modèles tels que le R-CNN rapide et le SSD.
- Précision: Grande précision dans les tâches de détection grâce à des caractéristiques telles que la conception sans ancrage et des stratégies d'augmentation améliorées.
- Facilité d'utilisation: API intuitif et CLI pour une configuration rapide, ce qui le rend accessible aux débutants comme aux experts.
Pour en savoir plus sur les fonctionnalités de YOLO11, visitez la page Ultralytics YOLO pour obtenir des informations détaillées.
