AzureML의 YOLO11 🚀
Azure란 무엇입니까?
Azure는 Microsoft의 클라우드 컴퓨팅 플랫폼으로, 조직이 온프레미스 데이터 센터에서 클라우드로 워크로드를 이전할 수 있도록 설계되었습니다. 컴퓨팅, 데이터베이스, 분석, 머신 러닝 및 네트워킹을 위한 서비스를 포함한 모든 클라우드 서비스 스펙트럼을 통해 사용자는 이러한 서비스를 선택하여 새로운 애플리케이션을 개발 및 확장하거나 기존 애플리케이션을 퍼블릭 클라우드에서 실행할 수 있습니다.
Azure Machine Learning (AzureML)이란 무엇입니까?
일반적으로 AzureML이라고 하는 Azure Machine Learning은 데이터 과학자와 개발자가 예측 분석을 애플리케이션에 효율적으로 통합할 수 있도록 지원하는 완전 관리형 클라우드 서비스입니다. 이를 통해 조직은 대규모 데이터 세트를 활용하고 클라우드의 모든 이점을 머신 러닝에 적용할 수 있습니다. AzureML은 머신 러닝을 접근하기 쉽고 사용하기 쉬우며 확장 가능하도록 만드는 데 중점을 둔 다양한 서비스와 기능을 제공합니다. 자동화된 머신 러닝, 드래그 앤 드롭 모델 학습은 물론 개발자가 머신 러닝 모델을 최대한 활용할 수 있도록 강력한 python SDK와 같은 기능을 제공합니다.
AzureML은 YOLO 사용자에게 어떤 이점을 제공합니까?
YOLO (You Only Look Once) 사용자를 위해 AzureML은 머신 러닝 모델을 훈련하고 배포할 수 있는 강력하고 확장 가능하며 효율적인 플랫폼을 제공합니다. 빠른 프로토타입을 실행하거나 더 광범위한 데이터를 처리하도록 확장하려는 경우에도 AzureML의 유연하고 사용자 친화적인 환경은 사용자의 요구에 맞는 다양한 도구와 서비스를 제공합니다. AzureML을 활용하여 다음을 수행할 수 있습니다.
- 학습을 위해 대규모 데이터 세트와 컴퓨팅 리소스를 쉽게 관리할 수 있습니다.
- 데이터 전처리, 특징 선택 및 모델 학습을 위해 내장된 도구를 활용하십시오.
- 모델 및 데이터의 모니터링, 감사 및 버전 관리를 포함하되 이에 국한되지 않는 MLOps(Machine Learning Operations) 기능을 통해 보다 효율적으로 협업하십시오.
다음 섹션에서는 컴퓨팅 터미널 또는 노트북에서 AzureML을 사용하여 YOLO11 객체 감지 모델을 실행하는 방법에 대한 빠른 시작 가이드를 제공합니다.
필수 조건
시작하기 전에 AzureML 작업 공간에 액세스할 수 있는지 확인하십시오. 없는 경우 Azure의 공식 문서를 따라 새 AzureML 작업 공간을 만들 수 있습니다. 이 작업 공간은 모든 AzureML 리소스를 관리하는 중앙 집중식 장소 역할을 합니다.
컴퓨팅 인스턴스 생성
AzureML 작업 영역에서 컴퓨팅 > 컴퓨팅 인스턴스 > 새로 만들기를 선택하고 필요한 리소스가 있는 인스턴스를 선택합니다.
터미널에서 빠른 시작
컴퓨팅을 시작하고 터미널을 여십시오.
virtualenv 생성
선호하는 python 버전으로 conda virtualenv를 생성하고 pip를 설치합니다.: Python 3.13.1은 AzureML의 일부 종속성에서 몇 가지 문제가 있습니다.
conda create --name yolo11env -y python=3.12
conda activate yolo11env
conda install pip -y
필수 종속성 설치:
cd ultralytics
pip install -r requirements.txt
pip install ultralytics
pip install onnx
YOLO11 작업 수행
예측:
yolo predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'
초기 learning_rate 0.01로 10 epochs 동안 감지 모델을 학습합니다:
yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01
Ultralytics CLI 사용에 대한 자세한 지침은 여기에서 확인할 수 있습니다.
노트북에서 빠른 시작
새 IPython 커널 생성
컴퓨팅 터미널을 여십시오.
컴퓨팅 터미널에서 노트북이 종속성을 관리하는 데 사용할 새 ipykernel을 생성해야 합니다 (특정 python 버전 사용 - Python 3.13.1은 AzureML의 일부 종속성에서 문제가 발생하기 때문).
conda create --name yolo11env -y python=3.12
conda activate yolo11env
conda install pip -y
conda install ipykernel -y
python -m ipykernel install --user --name yolo11env --display-name "yolo11env"
터미널을 닫고 새 노트북을 만듭니다. 노트북에서 새 커널을 선택할 수 있습니다.
다음으로 Notebook 셀을 열고 필요한 종속성을 설치할 수 있습니다.
%%bash
source activate yolo11env
cd ultralytics
pip install -r requirements.txt
pip install ultralytics
pip install onnx
다음을 사용해야 합니다. source activate yolo11env 모든 %%bash 셀에 대해 %%bash 셀이 원하는 환경을 사용하는지 확인하십시오.
Ultralytics CLI를 사용하여 몇 가지 예측을 실행합니다:
%%bash
source activate yolo11env
yolo predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'
또는 예를 들어 모델을 훈련하기 위해 Ultralytics Python 인터페이스를 사용할 수 있습니다.
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
위의 터미널 섹션에 설명된 대로 Ultralytics CLI 또는 Python 인터페이스를 사용하여 YOLO11 작업을 실행할 수 있습니다.
이러한 단계를 따르면 AzureML에서 YOLO11을 빠르게 실행하여 신속하게 시험해 볼 수 있습니다. 더 고급 사용법은 이 가이드의 시작 부분에 링크된 전체 AzureML 문서를 참조하십시오.
AzureML로 더 많은 것을 탐색해 보세요
이 가이드는 AzureML에서 YOLO11을 시작하고 실행하는 방법에 대한 소개 역할을 합니다. 그러나 AzureML이 제공할 수 있는 기능의 일부만 다룹니다. 머신 러닝 프로젝트를 위해 AzureML의 잠재력을 더 깊이 탐구하고 최대한 활용하려면 다음 리소스를 살펴보십시오.
- 데이터 자산 만들기: AzureML 환경 내에서 데이터 자산을 효과적으로 설정하고 관리하는 방법을 알아보세요.
- AzureML 작업 시작: AzureML에서 머신러닝 훈련 작업을 시작하는 방법에 대한 포괄적인 이해를 얻으세요.
- 모델 등록: 등록, 버전 관리 및 배포를 포함한 모델 관리 사례에 익숙해지십시오.
- AzureML Python SDK로 YOLO11 훈련: AzureML Python SDK를 사용하여 YOLO11 모델을 훈련하는 방법에 대한 단계별 가이드를 살펴봅니다.
- AzureML CLI로 YOLO11 훈련: AzureML에서 YOLO11 모델의 효율적인 훈련 및 관리를 위해 명령줄 인터페이스를 활용하는 방법을 알아봅니다.
FAQ
모델 학습을 위해 AzureML에서 YOLO11을 어떻게 실행합니까?
모델 학습을 위해 AzureML에서 YOLO11을 실행하는 데는 여러 단계가 필요합니다.
-
컴퓨팅 인스턴스 생성: AzureML 작업 영역에서 컴퓨팅 > 컴퓨팅 인스턴스 > 새로 만들기로 이동하여 필요한 인스턴스를 선택합니다.
-
환경 설정: 컴퓨팅 인스턴스를 시작하고 터미널을 열고 conda 환경을 만드십시오. python 버전을 설정하는 것을 잊지 마십시오(python 3.13.1은 아직 지원되지 않음).
conda create --name yolo11env -y python=3.12 conda activate yolo11env conda install pip -y pip install ultralytics onnx -
YOLO11 작업 실행: Ultralytics CLI를 사용하여 모델을 훈련합니다:
yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01
자세한 내용은 Ultralytics CLI 사용 방법을 참조하세요.
YOLO11 훈련에 AzureML을 사용할 때의 이점은 무엇인가요?
AzureML은 YOLO11 모델 학습을 위한 강력하고 효율적인 생태계를 제공합니다.
- 확장성: 데이터 및 모델 복잡성이 증가함에 따라 컴퓨팅 리소스를 쉽게 확장할 수 있습니다.
- MLOps 통합: 버전 관리, 모니터링 및 감사와 같은 기능을 활용하여 ML 운영을 간소화합니다.
- 협업: 팀 내에서 리소스를 공유하고 관리하여 협업 워크플로를 향상시킵니다.
이러한 장점 덕분에 AzureML은 빠른 프로토타입 제작에서 대규모 배포에 이르기까지 다양한 프로젝트에 이상적인 플랫폼입니다. 더 많은 팁을 보려면 AzureML 작업을 확인하십시오.
AzureML에서 YOLO11을 실행할 때 일반적인 문제를 어떻게 해결하나요?
AzureML에서 YOLO11 관련 일반적인 문제를 해결하는 방법은 다음과 같습니다.
- 종속성 문제: 필요한 모든 패키지가 설치되었는지 확인합니다. 다음을 참조하십시오.
requirements.txt종속성을 위한 파일입니다. - 환경 설정: 명령을 실행하기 전에 conda 환경이 올바르게 활성화되었는지 확인하십시오.
- 리소스 할당: 컴퓨팅 인스턴스에 훈련 워크로드를 처리할 수 있는 충분한 리소스가 있는지 확인하십시오.
자세한 내용은 YOLO 일반 문제 문서를 참조하십시오.
AzureML에서 Ultralytics CLI 및 python 인터페이스를 모두 사용할 수 있습니까?
예, AzureML에서는 Ultralytics CLI와 python 인터페이스를 모두 원활하게 사용할 수 있습니다.
-
CLI: 빠른 작업에 적합하며 터미널에서 직접 표준 스크립트를 실행하는 데 유용합니다.
yolo predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg' -
Python 인터페이스: 사용자 정의 코딩 및 노트북 내 통합이 필요한 더 복잡한 작업에 유용합니다.
from ultralytics import YOLO model = YOLO("yolo11n.pt") model.train(data="coco8.yaml", epochs=3)
단계별 지침은 CLI 퀵스타트 가이드와 Python 퀵스타트 가이드를 참조하십시오.
다른 객체 감지 모델에 비해 Ultralytics YOLO11을 사용하는 것의 장점은 무엇입니까?
Ultralytics YOLO11은 경쟁적인 객체 감지 모델에 비해 몇 가지 고유한 이점을 제공합니다.
- 속도: Faster R-CNN 및 SSD와 같은 모델에 비해 더 빠른 추론 및 학습 시간.
- 정확도: 앵커 프리(anchor-free) 디자인 및 향상된 증강 전략과 같은 기능으로 감지 작업에서 높은 정확도를 제공합니다.
- 사용 편의성: 빠른 설정을 위한 직관적인 API 및 CLI를 통해 초보자와 전문가 모두가 액세스할 수 있습니다.
YOLO11의 기능에 대해 자세히 알아보려면 자세한 정보를 보려면 Ultralytics YOLO 페이지를 방문하십시오.
