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 machine learning automatizzato, addestramento dei modelli tramite trascinamento e rilascio e un SDK Python per il controllo programmatico completo 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:

• Gestire facilmente grandi dataset e risorse di calcolo 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 grazie alle funzionalità MLOps (operazioni di machine learning), tra cui il monitoraggio, la revisione e il 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#

Dalla tua area di lavoro AzureML, seleziona Compute > Compute instances > New e scegli l'istanza con le risorse necessarie.

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 -y

Installa le dipendenze richieste:

pip install ultralytics onnx

Eseguire attività YOLO26#

Predire:

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=10

Puoi trovare altre istruzioni per usare la CLI di Ultralytics qui.

Guida 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 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

# 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 ONNX

Puoi 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#