YOLO26 🚀 su AzureML#

Cos'è Azure?#

Azure è la piattaforma di cloud computing di Microsoft, progettata per aiutare le organizzazioni a trasferire i propri carichi di lavoro dal cloud ai data center locali. Con la gamma completa di servizi cloud, inclusi quelli per elaborazione, database, analisi, machine learning e networking, gli utenti possono scegliere tra questi servizi per sviluppare e scalare nuove applicazioni, o eseguire applicazioni esistenti, nel cloud pubblico.

Cos'è Azure Machine Learning (AzureML)?#

Azure Machine Learning (AzureML) è un servizio cloud completamente gestito per creare, addestrare e distribuire modelli di machine learning su larga scala. Offre machine learning automatizzato, addestramento di modelli drag-and-drop e un SDK Python per un controllo programmatico completo sui tuoi modelli.

Quali vantaggi offre AzureML agli utenti YOLO?#

AzureML ti consente di addestrare e distribuire modelli Ultralytics YOLO26 nel cloud, dai prototipi rapidi alle esecuzioni su larga scala. Con esso puoi:

• Gestire facilmente grandi dataset e risorse computazionali per l'addestramento.
• Utilizzare strumenti integrati per la preelaborazione dei dati, la selezione delle feature e l'addestramento del modello.
• Collaborare in modo più efficiente con funzionalità per MLOps (Machine Learning Operations), che includono, ma non solo, il monitoraggio, il controllo e il versionamento di modelli e dati.

Nelle sezioni successive, troverai una guida rapida che illustra come eseguire modelli di rilevamento oggetti YOLO26 utilizzando AzureML, sia da un terminale di calcolo che da un notebook.

Prerequisiti#

Prima di iniziare, assicurati di avere accesso a un'area di lavoro AzureML. Se non ne hai una, puoi creare una nuova area di lavoro AzureML seguendo la documentazione ufficiale di Azure. Questa area di lavoro funge da punto centralizzato per gestire tutte le risorse AzureML.

Creare un'istanza di calcolo#

Dal tuo workspace AzureML, seleziona Compute > Compute instances > New, quindi seleziona l'istanza con le risorse di cui hai bisogno.

Guida rapida dal Terminale#

Avvia il tuo compute e apri un Terminale:

Crea un Ambiente Virtuale#

Crea un ambiente virtuale conda e installa pip al suo interno:

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

Installa le dipendenze necessarie:

pip install ultralytics onnx

Esegui Attività YOLO26#

Predici:

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

Addestra un modello di rilevamento per 10 epoche con un learning_rate iniziale di 0,01:

yolo train data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01

Puoi trovare ulteriori istruzioni per utilizzare la CLI di Ultralytics qui.

Guida rapida da un Notebook#

Creare un nuovo kernel IPython#

Apri il Terminale del compute.

Dal tuo terminale di calcolo, crea un nuovo ipykernel utilizzando Python 3.12 che verrà utilizzato dal tuo notebook per gestire le dipendenze:

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"

Chiudi il terminale e crea un nuovo notebook. Dal notebook, seleziona il kernel appena creato.

Quindi apri una cella del notebook e installa le dipendenze necessarie:

%%bash
source activate yolo26env
pip install ultralytics onnx

Esegui alcune predizioni utilizzando la CLI di Ultralytics:

%%bash
source activate yolo26env
yolo predict model=yolo26n.pt source='https://ultralytics.com/images/bus.jpg'

Oppure con l'interfaccia Python di Ultralytics, ad esempio per addestrare il modello:

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

Puoi utilizzare la CLI o l'interfaccia Python di Ultralytics per eseguire attività YOLO26. L'esempio Python sopra esporta anche il modello addestrato in ONNX per la distribuzione.

Seguendo questi passaggi, puoi mettere in esecuzione rapidamente YOLO26 su AzureML. Per flussi di lavoro più avanzati, consulta la documentazione di AzureML.

Esplora di più con AzureML#

Questa guida copre le basi dell'esecuzione di YOLO26 su AzureML. Per approfondire, esplora queste risorse:

• Crea una risorsa dati: configura e gestisci le tue risorse dati all'interno dell'ambiente AzureML.
• Avvia un processo AzureML: dai il via ai tuoi processi di addestramento di machine learning su AzureML.
• Registra un modello: gestisci la registrazione, il controllo delle versioni e la distribuzione del modello.
• Guida introduttiva a Modal: esegui YOLO26 sul cloud GPU serverless di Modal come alternativa ad AzureML.

FAQ#