Link to this sectionYOLO26 🚀 su AzureML#

Link to this sectionCos'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'intero spettro di servizi cloud, tra cui quelli per calcolo, database, analisi, machine learning e networking, puoi scegliere e selezionare questi servizi per sviluppare e scalare nuove applicazioni, o eseguire quelle esistenti, nel cloud pubblico.

Link to this sectionCos'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.

Link to this sectionQuali vantaggi offre AzureML agli utenti YOLO?#

AzureML ti permette 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.

Link to this sectionPrerequisiti#

Prima di iniziare, assicurati di avere accesso a un workspace AzureML. Se non ne hai uno, puoi crearne uno nuovo workspace AzureML seguendo la documentazione ufficiale di Azure. Questo workspace funge da hub centralizzato per gestire tutte le risorse AzureML.

Link to this sectionCreare un'istanza di calcolo#

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

Link to this sectionGuida rapida dal Terminale#

Avvia il tuo compute e apri un Terminale:

Link to this sectionCrea 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

Link to this sectionEsegui Attività YOLO26#

Predict:

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

Train un modello di rilevamento per 10 epoch 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.

Link to this sectionGuida rapida da un Notebook#

Link to this sectionCreare 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 sia la CLI di Ultralytics che 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 far funzionare rapidamente YOLO26 su AzureML. Per flussi di lavoro più avanzati, consulta la documentazione di AzureML.

Link to this sectionEsplora di più con AzureML#

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

• Crea un Data Asset: Configura e gestisci i tuoi data asset all'interno dell'ambiente AzureML.
• Avvia un Job AzureML: Dai il via ai tuoi job di addestramento di machine learning su AzureML.
• Registra un Modello: Gestisci la registrazione, il versionamento e la distribuzione del modello.
• Guida rapida Modal: Esegui YOLO26 sul cloud GPU serverless di Modal come alternativa ad AzureML.

Link to this sectionFAQ#

Link to this sectionCome eseguo YOLO26 su AzureML per l'addestramento del modello?#

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:

1. Crea un'istanza di calcolo: Dal tuo workspace AzureML, naviga in Compute > Compute instances > New e seleziona l'istanza richiesta.

2. Configura l'ambiente: Avvia la tua istanza di calcolo, apri un terminale e crea un ambiente Conda con Python 3.12 (Python 3.13 ha attualmente problemi di dipendenza su AzureML):

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

3. Esegui attività YOLO26: Utilizza la CLI di Ultralytics per addestrare il tuo modello:

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

Per ulteriori dettagli, puoi fare riferimento alle istruzioni per utilizzare la CLI di Ultralytics.

Link to this sectionQuali sono i vantaggi dell'utilizzo di AzureML per l'addestramento di YOLO26?#

AzureML fornisce un ecosistema solido ed efficiente per l'addestramento di modelli YOLO26:

• Scalabilità: Scala facilmente le tue risorse computazionali man mano che la complessità dei dati e del modello aumenta.
• Integrazione MLOps: Utilizza funzionalità come versionamento, monitoraggio e controllo per ottimizzare le operazioni di ML.
• Collaborazione: Condividi e gestisci le risorse all'interno dei team, migliorando i flussi di lavoro collaborativi.

Questi vantaggi rendono AzureML una piattaforma ideale per progetti che spaziano dai prototipi rapidi alle distribuzioni su larga scala. Per ulteriori suggerimenti, consulta i Job di AzureML.

Link to this sectionCome posso risolvere i problemi comuni durante l'esecuzione di YOLO26 su AzureML?#

Per risolvere i problemi con YOLO26 su AzureML, verifica che le tue dipendenze siano installate, conferma che il tuo ambiente Conda sia attivato e assicurati che la tua istanza di calcolo abbia risorse sufficienti:

• Problemi di dipendenza: Assicurati che tutti i pacchetti necessari siano installati con pip install ultralytics onnx.
• Configurazione dell'ambiente: Verifica che il tuo ambiente conda sia attivato correttamente prima di eseguire i comandi.
• Allocazione delle risorse: Assicurati che le tue istanze di calcolo abbiano risorse sufficienti per gestire il carico di lavoro di addestramento.

Per ulteriore guida, consulta la nostra documentazione sui Problemi Comuni di YOLO.

Link to this sectionPosso utilizzare sia la CLI di Ultralytics che l'interfaccia Python su AzureML?#

Sì, AzureML ti consente di utilizzare sia la CLI di Ultralytics che l'interfaccia Python senza problemi:

• 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 programmazione personalizzata e integrazione all'interno di notebook.

  from ultralytics import YOLO
  
  model = YOLO("yolo26n.pt")
  model.train(data="coco8.yaml", epochs=3)

Per istruzioni dettagliate, consulta la guida rapida alla CLI e la guida rapida a Python.

Link to this sectionQual è il vantaggio di utilizzare Ultralytics YOLO26 rispetto ad altri modelli di rilevamento oggetti?#

Ultralytics YOLO26 offre diversi vantaggi unici rispetto ai modelli di rilevamento oggetti concorrenti:

• Velocità: Tempi di inferenza e addestramento più rapidi rispetto a modelli come Faster R-CNN e SSD.
• Accuratezza: Alta accuratezza nelle attività di rilevamento con funzionalità come il design anchor-free e strategie di aumento dei dati migliorate.
• Facilità d'uso: API e CLI intuitive per una configurazione rapida, rendendolo accessibile sia ai principianti che agli esperti.

Per esplorare di più sulle funzionalità di YOLO26, visita la pagina Ultralytics YOLO per approfondimenti dettagliati.