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 data center locale al cloud. Grazie allo spettro completo di servizi cloud, inclusi quelli per elaborazione, database, analisi, machine learning e networking, gli utenti possono scegliere e selezionare questi servizi per sviluppare e scalare nuove applicazioni, o eseguire applicazioni esistenti, nel cloud pubblico.

Cos'è Azure Machine Learning (AzureML)?

Azure Machine Learning, comunemente noto come AzureML, è un servizio cloud completamente gestito che consente a data scientist e sviluppatori di integrare in modo efficiente analisi predittive nelle loro applicazioni, aiutando le organizzazioni a utilizzare enormi set di dati e a sfruttare tutti i vantaggi del cloud per il machine learning. AzureML offre una varietà di servizi e funzionalità mirati a rendere il machine learning accessibile, facile da usare e scalabile. Fornisce funzionalità come il machine learning automatizzato, l'addestramento dei modelli tramite trascinamento (drag-and-drop), nonché un robusto Python SDK affinché gli sviluppatori possano ottenere il massimo dai propri modelli di machine learning.

Quali sono i vantaggi di AzureML per gli utenti di YOLO?

Per gli utenti di YOLO (You Only Look Once), AzureML fornisce una piattaforma robusta, scalabile ed efficiente per addestrare e distribuire modelli di machine learning. Che tu voglia eseguire prototipi rapidi o scalare per gestire dati più estesi, l'ambiente flessibile e facile da usare di AzureML offre vari strumenti e servizi adatti alle tue esigenze. Puoi sfruttare AzureML per:

• Gestire facilmente grandi dataset e risorse computazionali per l'addestramento.
• Utilizzare strumenti integrati per la pre-elaborazione dei dati, la selezione delle caratteristiche e l'addestramento dei modelli.
• Collaborare in modo più efficiente con funzionalità per MLOps (Machine Learning Operations), incluse, a titolo esemplificativo ma non esaustivo, il monitoraggio, il controllo e il versionamento di modelli e dati.

Nelle sezioni successive, troverai una guida rapida che dettaglia 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 crearne una nuova area di lavoro AzureML seguendo la documentazione ufficiale di Azure. Questa area di lavoro funge da posizione centralizzata per gestire tutte le risorse AzureML.

Crea un'istanza di calcolo

Dalla tua area di lavoro AzureML, seleziona Compute > Compute instances > New, quindi seleziona l'istanza con le risorse di cui hai bisogno.

Guida rapida dal Terminale

Avvia il tuo calcolo e apri un Terminale:

Crea virtualenv

Crea un ambiente virtuale conda con la tua versione di Python preferita e installa pip al suo interno. Python 3.13.1 attualmente ha problemi di dipendenze in AzureML, quindi usa Python 3.12.

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

Installa le dipendenze necessarie:

cd ultralytics
pip install -r requirements.txt
pip install ultralytics
pip install onnx

Esegui attività YOLO26

Predizione:

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 Ultralytics CLI qui.

Guida rapida da un Notebook

Crea un nuovo kernel IPython

Apri il Terminale di calcolo.

Dal tuo terminale di calcolo, crea un nuovo ipykernel utilizzando Python 3.12 che verrà usato 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
cd ultralytics
pip install -r requirements.txt
pip install ultralytics
pip install onnx

Nota che devi eseguire source activate yolo26env in ogni cella %%bash per assicurarti che la cella utilizzi l'ambiente previsto.

Esegui alcune predizioni utilizzando la Ultralytics CLI:

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

Oppure con l'interfaccia Ultralytics Python, 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 Ultralytics CLI o l'interfaccia Python per eseguire attività YOLO26, come descritto nella sezione del terminale qui sopra.

Seguendo questi passaggi, dovresti essere in grado di far girare YOLO26 rapidamente su AzureML per prove veloci. Per utilizzi più avanzati, puoi fare riferimento alla documentazione completa di AzureML collegata all'inizio di questa guida.

Esplora di più con AzureML

Questa guida funge da introduzione per farti iniziare con YOLO26 su AzureML. Tuttavia, scalfisce solo la superficie di ciò che AzureML può offrire. Per approfondire e sbloccare tutto il potenziale di AzureML per i tuoi progetti di machine learning, prendi in considerazione l'esplorazione delle seguenti risorse:

• Crea un Data Asset: Impara come impostare e gestire le tue risorse dati in modo efficace all'interno dell'ambiente AzureML.
• Avvia un Job AzureML: Ottieni una comprensione completa di come avviare i tuoi lavori di addestramento di machine learning su AzureML.
• Registra un Modello: Familiarizza con le pratiche di gestione dei modelli, inclusi registrazione, versionamento e distribuzione.
• Addestra YOLO26 con AzureML Python SDK: Esplora una guida passo-passo sull'utilizzo di AzureML Python SDK per addestrare i tuoi modelli YOLO26.
• Addestra YOLO26 con AzureML CLI: Scopri come utilizzare l'interfaccia a riga di comando per un addestramento e una gestione semplificati dei modelli YOLO26 su AzureML.

FAQ

Come eseguo YOLO26 su AzureML per l'addestramento del modello?

Eseguire YOLO26 su AzureML per l'addestramento del modello comporta diversi passaggi:

1. Crea un'istanza di calcolo: Dalla tua area di lavoro AzureML, naviga su 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. Imposta la tua versione di Python (Python 3.13.1 non è ancora supportata):

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

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

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

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

Quali sono i vantaggi dell'utilizzo di AzureML per l'addestramento di YOLO26?

AzureML fornisce un ecosistema robusto ed efficiente per l'addestramento dei modelli YOLO26:

• Scalabilità: Scala facilmente le tue risorse di calcolo man mano che la complessità dei dati e del modello cresce.
• Integrazione MLOps: Utilizza funzionalità come versionamento, monitoraggio e controllo per semplificare le operazioni 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 da prototipi rapidi a distribuzioni su larga scala. Per ulteriori suggerimenti, dai un'occhiata a AzureML Jobs.

Come risolvo i problemi comuni quando eseguo YOLO26 su AzureML?

La risoluzione dei problemi comuni con YOLO26 su AzureML può comportare i seguenti passaggi:

• Problemi di dipendenza: Assicurati che tutti i pacchetti necessari siano installati. Fai riferimento al file requirements.txt per le dipendenze.
• 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 assistenza, consulta la nostra documentazione sui Problemi Comuni di YOLO.

Posso utilizzare sia la Ultralytics CLI che l'interfaccia Python su AzureML?

Sì, AzureML ti consente di utilizzare sia la Ultralytics CLI che l'interfaccia Python in modo fluido:

• CLI: Ideale per attività rapide ed esecuzione di 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 codifica personalizzata e integrazione all'interno dei notebook.

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

Per istruzioni passo-passo, fai riferimento alla guida rapida CLI e alla guida rapida Python.

Qual è il vantaggio dell'utilizzo di 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 grazie a funzionalità come il design anchor-free e strategie di aumento dei dati avanzate.
• 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.