YOLO26 su AzureML
Che cos'è Azure?#
Azure è la piattaforma di cloud computing di Microsoft, progettata per aiutare le organizzazioni a trasferire i carichi di lavoro dai data center locali al cloud. Con una gamma completa di servizi cloud, tra cui quelli per l'elaborazione, i database, l'analisi, il machine learning e il networking, gli utenti possono scegliere i servizi più adatti per sviluppare e ampliare nuove applicazioni oppure 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 il machine learning automatizzato, l’addestramento dei modelli tramite trascinamento e rilascio e un SDK Python per il controllo completo e programmatico dei tuoi modelli.
In che modo AzureML è utile a chi usa YOLO?#
AzureML ti consente di addestrare e distribuire modelli Ultralytics YOLO26 nel cloud, dai prototipi rapidi alle esecuzioni su larga scala. Puoi usarlo per:
- Gestisci set di dati di grandi dimensioni e risorse di calcolo per l’addestramento.
- Usa gli strumenti integrati per la preelaborazione dei dati, la selezione delle caratteristiche e l’addestramento dei modelli.
- Collabora in modo più efficiente con le funzionalità MLOps (operazioni di machine learning), che includono monitoraggio, audit e controllo delle versioni di modelli e dati.
Nelle sezioni successive troverai una guida introduttiva che spiega come eseguire modelli YOLO26 per il rilevamento degli oggetti con AzureML, da un terminale di calcolo 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 area di lavoro AzureML seguendo la documentazione ufficiale di Azure. Questa area di lavoro funge da spazio centralizzato per gestire tutte le risorse AzureML.
Creare un'istanza di calcolo#
Nell’area di lavoro AzureML, seleziona Compute > Compute instances > New, poi scegli un’istanza con le risorse di cui hai bisogno.
Guida introduttiva dal terminale#
Avvia il calcolo 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 -yAttualmente Python 3.13 presenta problemi di dipendenze su AzureML, quindi usa Python 3.12.
Installa le dipendenze richieste:
pip install ultralytics onnxEseguire attività YOLO26#
yolo predict model=yolo26n.pt source='https://ultralytics.com/images/bus.jpg'Addestra un modello di rilevamento per 10 epoche:
yolo train data=coco8.yaml model=yolo26n.pt epochs=10Guida introduttiva da un notebook#
Creare un nuovo kernel IPython#
Apri il Terminale di calcolo.
Dal terminale di calcolo, crea un nuovo ipykernel usando Python 3.12, che il notebook userà 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. Nel notebook, seleziona il kernel appena creato.
Poi apri una cella del notebook e installa le dipendenze richieste:
%%bash
source activate yolo26env
pip install ultralytics onnxEsegui source activate yolo26env all'inizio di ogni cella %%bash affinché la cella usi l'ambiente previsto.
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
# Carica un modello
model = YOLO("yolo26n.pt") # carica un modello YOLO26n ufficiale
# Usa il modello
model.train(data="coco8.yaml", epochs=3) # addestra il modello
metrics = model.val() # valuta le prestazioni del modello sul set di validazione
results = model("https://ultralytics.com/images/bus.jpg") # esegui una previsione su un’immagine
path = model.export(format="onnx") # esporta il modello in formato ONNXPuoi usare la CLI di Ultralytics o l'interfaccia Python per eseguire attività YOLO26. L'esempio Python qui sopra esporta anche il modello addestrato in ONNX per la distribuzione.
Seguendo questi passaggi, puoi iniziare rapidamente a usare YOLO26 su AzureML. Per flussi di lavoro più avanzati, consulta la documentazione di AzureML.
Scopri altre funzionalità di AzureML#
Questa guida illustra le nozioni di base per eseguire YOLO26 su AzureML. Per approfondire, esplora queste risorse:
- Creare una risorsa dati: configura e gestisci le risorse 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.
Domande frequenti#
Per eseguire YOLO26 su AzureML per l'addestramento, crea un'istanza di calcolo, configura un ambiente Conda, installa Ultralytics ed esegui il comando di addestramento:
-
Creare un'istanza di calcolo: dalla tua area di lavoro AzureML, vai a Compute > Compute instances > New e seleziona l'istanza necessaria.
-
Configurare l'ambiente: avvia l'istanza di calcolo, apri un terminale e crea un ambiente Conda con Python 3.12 (Python 3.13 presenta attualmente problemi di dipendenze su AzureML):
conda create --name yolo26env -y python=3.12 conda activate yolo26env conda install pip -y pip install ultralytics onnx -
Eseguire le attività di YOLO26: usa la CLI di Ultralytics per addestrare il modello:
yolo train data=coco8.yaml model=yolo26n.pt epochs=10
-
AzureML offre un ambiente gestito per addestrare i modelli YOLO26:
- Scalabilità: aumenta le risorse di calcolo man mano che crescono i dati e la complessità del modello.
- Integrazione MLOps: usa funzionalità come il controllo delle versioni, il monitoraggio e l’audit per semplificare le operazioni di ML.
- Collaborazione: condividi e gestisci le risorse all'interno dei team, migliorando i flussi di lavoro collaborativi.
Queste funzionalità rendono AzureML adatto a progetti che spaziano dai prototipi rapidi alle distribuzioni su larga scala.
Per risolvere i problemi di YOLO26 su AzureML, verifica che le dipendenze siano installate, controlla che l'ambiente Conda sia attivato e assicurati che l'istanza di calcolo disponga di risorse sufficienti:
- Problemi con le dipendenze: assicurati che tutti i pacchetti richiesti siano installati con
pip install ultralytics onnx. - Configurazione dell'ambiente: verifica che l'ambiente conda sia attivato correttamente prima di eseguire i comandi.
- Allocazione delle risorse: assicurati che le istanze di calcolo dispongano di risorse sufficienti per gestire il carico di lavoro di addestramento.
Per ulteriori indicazioni, consulta la documentazione Problemi comuni di YOLO.
- Problemi con le dipendenze: assicurati che tutti i pacchetti richiesti siano installati con
Sì, AzureML ti permette di usare sia la CLI di Ultralytics sia l’interfaccia Python:
-
CLI: ideale per attività rapide e per eseguire script standard direttamente dal terminale.
yolo predict model=yolo26n.pt source='https://ultralytics.com/images/bus.jpg' -
Interfaccia Python: utile per attività più complesse che richiedono codice personalizzato e integrazione nei notebook.
from ultralytics import YOLO model = YOLO("yolo26n.pt") model.train(data="coco8.yaml", epochs=3)
Per le istruzioni dettagliate, consulta la guida introduttiva alla CLI e la guida introduttiva a Python.
-
Ultralytics YOLO26 offre diversi vantaggi rispetto ai modelli concorrenti di rilevamento degli oggetti:
- Velocità: tempi di inferenza e addestramento più rapidi rispetto a modelli come Faster R-CNN e SSD.
- Accuratezza: elevata accuratezza nelle attività di rilevamento, grazie a caratteristiche come il design senza anchor e strategie di aumento dei dati avanzate.
- Facilità d'uso: API e CLI intuitive per una configurazione rapida, accessibili sia ai principianti sia agli esperti.
Commenti
Fai una domanda, condividi i tuoi risultati o aiuta qualcun altro.