GitHubでページを編集 (EN)

AzureML上のYOLO26 🚀

Azureとは何ですか？

Azureは、組織がオンプレミスのデータセンターからクラウドへワークロードを移行できるように設計された、Microsoftのクラウドコンピューティングプラットフォームです。コンピューティング、データベース、分析、機械学習、ネットワーキングなど、幅広いクラウドサービスが用意されており、ユーザーはこれらのサービスを組み合わせて、新しいアプリケーションの開発やスケーリング、既存アプリケーションのパブリッククラウド上での実行が可能です。

Azure Machine Learning (AzureML) とは何ですか？

Azure Machine Learning（一般にAzureMLと呼ばれます）は、データサイエンティストや開発者が予測分析をアプリケーションに効率的に組み込めるようにする、フルマネージドのクラウドサービスです。これにより、組織は膨大なデータセットを活用し、クラウドの利点を機械学習に活かすことができます。AzureMLは、機械学習を身近で使いやすく、かつスケーラブルにするためのさまざまなサービスと機能を提供しています。自動機械学習、ドラッグ＆ドロップによるモデルトレーニング、さらには開発者が機械学習モデルを最大限に活用するための強力なPython SDKなどの機能を提供します。

AzureMLはYOLOユーザーにどのようなメリットをもたらしますか？

YOLO (You Only Look Once) のユーザーにとって、AzureMLは機械学習モデルのトレーニングとデプロイの両方を行うための、強力でスケーラブルかつ効率的なプラットフォームを提供します。迅速なプロトタイピングを行いたい場合でも、より広範なデータを扱うためにスケールアップしたい場合でも、AzureMLの柔軟でユーザーフレンドリーな環境は、ニーズに合わせたさまざまなツールやサービスを提供します。AzureMLを活用することで、以下のことが可能です。

  • トレーニング用の大規模データセットや計算リソースを簡単に管理する。
  • データの前処理、特徴量選択、モデルトレーニングのための組み込みツールを活用する。
  • モデルやデータの監視、監査、バージョニングなどを含むMLOps（機械学習運用）機能により、より効率的にコラボレーションする。

以降のセクションでは、コンピューティングターミナルやノートブックからAzureMLを使用してYOLO26オブジェクト検出モデルを実行するためのクイックスタートガイドを説明します。

前提条件

開始する前に、AzureMLワークスペースへのアクセス権があることを確認してください。もしお持ちでない場合は、Azureの公式ドキュメントに従って新しいAzureMLワークスペースを作成できます。このワークスペースは、すべてのAzureMLリソースを一元管理するための場所として機能します。

コンピューティングインスタンスの作成

AzureMLワークスペースから「Compute」>「Compute instances」>「New」を選択し、必要なリソースを持つインスタンスを選択します。

Create Azure Compute Instance

ターミナルからのクイックスタート

コンピューティングを開始し、ターミナルを開きます：

Open Terminal

仮想環境(virtualenv)の作成

好みのPythonバージョンでconda仮想環境を作成し、その中にpipをインストールします。Python 3.13.1は現在AzureMLで依存関係の問題が発生するため、代わりにPython 3.12を使用してください。

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

必要な依存関係をインストールします：

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

YOLO26タスクの実行

予測：

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

初期学習率(learning_rate)を0.01に設定して、10エポックで検出モデルをトレーニングします：

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

Ultralytics CLIの使用手順はこちらで確認できます。

ノートブックからのクイックスタート

新しいIPythonカーネルの作成

コンピューティングターミナルを開きます。

Open Terminal

コンピューティングターミナルから、ノートブックが依存関係を管理するために使用するPython 3.12を使用して新しいipykernelを作成します：

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"

ターミナルを閉じ、新しいノートブックを作成します。ノートブックから、作成したばかりのカーネルを選択します。

次に、ノートブックセルを開き、必要な依存関係をインストールします：

%%bash
source activate yolo26env
cd ultralytics
pip install -r requirements.txt
pip install ultralytics
pip install onnx

Note that you need to run source activate yolo26env in every %%bash cell to ensure the cell uses the intended environment.

Ultralytics CLIを使用して予測を実行します：

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

または、Ultralytics Pythonインターフェースを使用してモデルをトレーニングします（例）：

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

上記のターミナルセクションで説明したように、YOLO26タスクの実行にはUltralytics CLIまたはPythonインターフェースのいずれかを使用できます。

これらの手順に従うことで、迅速な試行のためにAzureML上でYOLO26をすぐに実行できるはずです。より高度な使用方法については、このガイドの冒頭にリンクされている完全なAzureMLドキュメントを参照してください。

AzureMLをさらに活用する

このガイドは、AzureML上でYOLO26を開始するための導入として機能します。しかし、これはAzureMLが提供できることの表面に過ぎません。機械学習プロジェクトでAzureMLの可能性を最大限に引き出すために、以下のリソースを検討してください：

FAQ

モデルトレーニングのためにAzureML上でYOLO26を実行するにはどうすればよいですか？

AzureMLでモデルトレーニング用にYOLO26を実行するには、いくつかの手順が必要です：

  1. コンピューティングインスタンスの作成: AzureMLワークスペースから「Compute」>「Compute instances」>「New」に移動し、必要なインスタンスを選択します。

  2. 環境のセットアップ: コンピューティングインスタンスを開始し、ターミナルを開いてConda環境を作成します。Pythonバージョンを設定します（Python 3.13.1はまだサポートされていません）：

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

  3. YOLO26タスクの実行: Ultralytics CLIを使用してモデルをトレーニングします：

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

詳細については、Ultralytics CLIの使用手順を参照してください。

YOLO26のトレーニングにAzureMLを使用する利点は何ですか？

AzureMLは、YOLO26モデルをトレーニングするための堅牢で効率的なエコシステムを提供します：

  • スケーラビリティ: データとモデルの複雑さが増すにつれて、計算リソースを簡単に拡張できます。
  • MLOps統合: バージョニング、監視、監査などの機能を使用してML運用を合理化します。
  • コラボレーション: チーム内でリソースを共有および管理し、共同ワークフローを強化します。

これらの利点により、AzureMLは迅速なプロトタイプから大規模なデプロイメントに至るまでのプロジェクトに理想的なプラットフォームとなります。その他のヒントについては、AzureMLジョブを確認してください。

AzureML上でYOLO26を実行する際の一般的な問題をトラブルシューティングするにはどうすればよいですか？

AzureMLでのYOLO26に関する一般的な問題のトラブルシューティングには、以下の手順が含まれます：

  • 依存関係の問題: 必要なすべてのパッケージがインストールされていることを確認します。依存関係についてはrequirements.txtファイルを参照してください。
  • 環境のセットアップ: コマンドを実行する前に、conda環境が正しくアクティブ化されていることを確認します。
  • リソースの割り当て: コンピューティングインスタンスがトレーニングワークロードを処理するのに十分なリソースを持っていることを確認します。

追加のガイダンスについては、YOLOの一般的な問題ドキュメントを参照してください。

AzureML上でUltralytics CLIとPythonインターフェースの両方を使用できますか？

はい、AzureMLではUltralytics CLIとPythonインターフェースの両方をシームレスに使用できます：

  • CLI: 迅速なタスクや標準的なスクリプトをターミナルから直接実行するのに最適です。

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

  • Pythonインターフェース: カスタムコーディングやノートブック内への統合が必要な複雑なタスクに役立ちます。

    from ultralytics import YOLO

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

ステップバイステップの手順については、CLIクイックスタートガイドおよびPythonクイックスタートガイドを参照してください。

他のオブジェクト検出モデルに対するUltralytics YOLO26の利点は何ですか？

Ultralytics YOLO26は、競合するオブジェクト検出モデルに対していくつかの独自の利点を提供します：

  • スピード: Faster R-CNNやSSDのようなモデルと比較して、推論およびトレーニング時間が高速です。
  • 精度: アンカーフリー設計や拡張された拡張戦略などの機能により、検出タスクにおいて高い精度を誇ります。
  • 使いやすさ: 直感的なAPIとCLIにより迅速なセットアップが可能で、初心者から専門家までアクセスしやすくなっています。

YOLO26の機能の詳細については、Ultralytics YOLOページで詳細な洞察をご覧ください。

Contributors
GitHubでページを編集 (EN)
GLglenn-jocher12PDpderrenger1Y-Y-T-G1LULucashygi1RIRizwanMunawar1

コメント