YOLO11 🚀 on AzureML
アジュールとは？
Azure is Microsoft's cloud computing platform, designed to help organizations move their workloads to the cloud from on-premises data centers. With the full spectrum of cloud services including those for computing, databases, analytics, machine learning, and networking, users can pick and choose from these services to develop and scale new applications, or run existing applications, in the public cloud.
Azure Machine Learning（AzureML）とは？
Azure Machine Learning（通称AzureML）は、データサイエンティストや開発者がアプリケーションに予測分析を効率的に組み込むことを可能にするフルマネージドクラウドサービスで、組織が膨大なデータセットを利用し、機械学習にクラウドのあらゆるメリットをもたらすことを支援します。AzureMLは、機械学習を利用しやすく、使いやすく、スケーラブルにすることを目的としたさまざまなサービスと機能を提供する。AzureMLは、自動機械学習、ドラッグ・アンド・ドロップによるモデルトレーニング、堅牢なPython SDKなどの機能を提供し、開発者が機械学習モデルを最大限に活用できるようにします。
AzureML はYOLO ユーザーにどのようなメリットをもたらすのか？
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に、堅牢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。AzureMLの柔軟でユーザーフレンドリーな環境は、迅速なプロトタイプの実行から、より広範なデータを扱うためのスケールアップまで、ニーズに合わせて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、次のことが可能になります：
- トレーニングのための大規模なデータセットと計算リソースを簡単に管理できます。
- データ前処理、特徴選択、モデルトレーニングのための組み込みツールを活用。
- モデルやデータのモニタリング、監査、バージョン管理など、MLOps（機械学習オペレーション）の機能により、より効率的なコラボレーションを実現。
In the subsequent sections, you will find a quickstart guide detailing how to run YOLO11 object detection models using AzureML, either from a compute terminal or a notebook.
前提条件
始める前に、AzureML ワークスペースにアクセスできることを確認してください。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場所として機能します。
コンピュート・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。
ターミナルからのクイックスタート
コンピュータを起動し、ターミナルを開く：
仮想envの作成
condaのvirtualenvを作成し、そこにpipをインストールする：
必要な依存関係をインストールします：
Perform YOLO11 tasks
予想する：
Train a detection model for 10 epochs with an initial learning_rate of 0.01:
Ultralytics CLI の詳しい使い方はこちらをご覧ください。
ノートブックからのクイックスタート
新しいIPythonカーネルを作る
コンピュートターミナルを開きます。
計算ターミナルから、依存関係を管理するためにノートブックで使用する新しいipykernelを作成する必要があります：
conda create --name yolo11env -y
conda activate yolo11env
conda install pip -y
conda install ipykernel -y
python -m ipykernel install --user --name yolo11env --display-name "yolo11env"
ターミナルを閉じ、新しいノートブックを作成します。ノートブックから新しいカーネルを選択できます。
それからノートブックのセルを開き、必要な依存関係をインストールすることができる：
%%bash
source activate yolo11env
cd ultralytics
pip install -r requirements.txt
pip install ultralytics
pip install onnx>=1.12.0
を使用する必要があることに注意してください。 source activate yolo11env bashセルが私たちの望む環境を使うようにするためです。
を使っていくつかの予測を実行する。 Ultralytics CLI:
%%bash
source activate yolo11env
yolo predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'
あるいは、Ultralytics Python インターフェイスを使って、例えばモデルをトレーニングする：
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n.pt") # load an official YOLO11n 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
You can use either the Ultralytics CLI or Python interface for running YOLO11 tasks, as described in the terminal section above.
By following these steps, you should be able to get YOLO11 running quickly on AzureML for quick trials. For more advanced uses, you may refer to the full AzureML documentation linked at the beginning of this guide.
AzureMLでもっと調べる
This guide serves as an introduction to get you up and running with YOLO11 on AzureML. However, it only scratches the surface of what AzureML can offer. To delve deeper and unlock the full potential of AzureML for your machine learning projects, consider exploring the following resources:
- データアセットの作成：AzureML環境内でデータアセットを効果的にセットアップし、管理する方法を学びます。
- AzureMLジョブを開始します：AzureMLで機械学習トレーニングのジョブを開始する方法を包括的に理解しましょう。
- モデルを登録する登録、バージョニング、デプロイメントを含むモデル管理のプラクティスに慣れる。
- Train YOLO11 with AzureML Python SDK: Explore a step-by-step guide on using the AzureML Python SDK to train your YOLO11 models.
- Train YOLO11 with AzureML CLI: Discover how to utilize the command-line interface for streamlined training and management of YOLO11 models on AzureML.
よくあるご質問
How do I run YOLO11 on AzureML for model training?
Running YOLO11 on AzureML for model training involves several steps:
-
コンピュートインスタンスを作成します：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。
-
環境をセットアップする：コンピュートインスタンスを起動し、ターミナルを開き、conda環境を作成する：
-
Run YOLO11 Tasks: Use the Ultralytics CLI to train your model:
詳しくは、 Ultralytics CLI の 使い方をご参照ください。
What are the benefits of using AzureML for YOLO11 training?
AzureML provides a robust and efficient ecosystem for training YOLO11 models:
- スケーラビリティ：データやモデルの複雑さに応じて、コンピュートリソースを簡単に拡張できます。
- MLOpsの統合：バージョン管理、モニタリング、監査などの機能を活用し、MLの運用を効率化する。
- コラボレーション：チーム内でリソースを共有・管理し、コラボレーション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まで、さまざまなプロジェクトに理想的なプラットフォームとなっています。詳細については、AzureML Jobsをご覧ください。
How do I troubleshoot common issues when running YOLO11 on AzureML?
Troubleshooting common issues with YOLO11 on AzureML can involve the following steps:
- 依存の問題:必要なパッケージがすべてインストールされていることを確認してください。以下の
requirements.txtファイルに依存する。 - 環境のセットアップ：コマンドを実行する前に、conda環境が正しく起動していることを確認する。
- リソースの割り当て：トレーニングのワークロードを処理するのに十分なリソースをコンピュートインスタンスが持っていることを確認します。
その他のガイダンスについては、YOLO Common Issuesのドキュメントをご覧ください。
AzureML でUltralytics CLI とPython の両方のインターフェイスを使うことはできますか？
はい、AzureML ではUltralytics CLI とPython の両方のインターフェイスをシームレスに使用できます：
-
CLI:クイックタスクや標準スクリプトをターミナルから直接実行するのに理想的。
-
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での統合を必要とする、より複雑なタスクに便利です。
より詳細な手順については、こちらと こちらのクイックスタートガイドをご参照ください。
What is the advantage of using Ultralytics YOLO11 over other object detection models?
Ultralytics YOLO11 offers several unique advantages over competing object detection models:
- スピード：Faster R-CNNやSSDのようなモデルと比較して、推論と学習時間が速い。
- Accuracy: High accuracy in detection tasks with features like anchor-free design and enhanced augmentation strategies.
- 使いやすさ：直感的なAPIとCLI 、迅速なセットアップが可能。
To explore more about YOLO11's features, visit the Ultralytics YOLO page for detailed insights.
