YOLO26 🚀 su AzureML#

Che cos'è Azure?#

Azure è la piattaforma di cloud computing di Microsoft, progettata per aiutare le organizzazioni a trasferire i propri carichi di lavoro nel cloud dai data center locali. Grazie all'intera gamma di servizi cloud, inclusi quelli per l'elaborazione, i database, l'analisi, il machine learning e il networking, puoi scegliere i servizi più adatti per sviluppare e dimensionare nuove applicazioni o eseguire applicazioni esistenti nel cloud pubblico.

Che 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 dei modelli tramite trascinamento e un SDK Python per il controllo completo dei modelli a livello programmatico.

Quali vantaggi offre AzureML agli utenti di YOLO?#

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

• Gestire facilmente grandi dataset e risorse computazionali per l'addestramento.
• Utilizzare strumenti integrati per la pre-elaborazione dei dati, la selezione delle feature e l'addestramento dei modelli.
• Collaborare in modo più efficiente grazie a funzionalità MLOps (operazioni di machine learning), tra cui il monitoraggio, la verifica e il controllo delle versioni dei modelli e dei dati.

Nelle sezioni successive troverai una guida introduttiva che illustra come eseguire modelli di rilevamento degli oggetti YOLO26 usando AzureML, da un terminale di elaborazione o da un notebook.

Prerequisiti#

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

Creare un'istanza di elaborazione#

Dall'area di lavoro AzureML, seleziona Compute > Compute instances > New, quindi seleziona l'istanza con le risorse necessarie.

Guida introduttiva dal terminale#

Avvia l'istanza di elaborazione e apri un terminale:

Creare 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

Eseguire attività YOLO26#

Prevedi:

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 usare qui la CLI di Ultralytics.

Guida introduttiva da un notebook#

Creare un nuovo kernel IPython#

Apri il terminale di elaborazione.

Dal terminale di elaborazione, crea un nuovo ipykernel usando Python 3.12, che verrà utilizzato dal 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 usando la CLI di Ultralytics:

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

Oppure usa 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 usare la CLI di Ultralytics o l'interfaccia Python per eseguire attività YOLO26. L'esempio Python qui sopra esporta inoltre il modello addestrato in ONNX per la distribuzione.

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

Scopri di più con AzureML#

Questa guida illustra le nozioni di base per eseguire YOLO26 su AzureML. Per approfondire, esplora queste risorse:

• Creare un asset di dati: configura e gestisci i tuoi asset di dati nell'ambiente AzureML.
• Avviare un processo AzureML: avvia i tuoi processi di addestramento di machine learning su AzureML.
• Registrare un modello: gestisci la registrazione, il controllo delle versioni e la distribuzione dei modelli.
• Guida introduttiva a Modal: esegui YOLO26 sul cloud GPU serverless di Modal come alternativa ad AzureML.

FAQ#