YOLO26 🚀 AzureML에서 사용하기#

Azure란 무엇인가요?#

Azure는 조직이 온프레미스 데이터 센터에서 클라우드로 워크로드를 이전할 수 있도록 설계된 Microsoft의 클라우드 컴퓨팅 플랫폼입니다. 컴퓨팅, 데이터베이스, 분석, 머신 러닝, 네트워킹을 비롯한 모든 범위의 클라우드 서비스를 제공하므로, 사용자는 이러한 서비스 중 필요한 것을 선택하여 새로운 애플리케이션을 개발하고 확장하거나 기존 애플리케이션을 퍼블릭 클라우드에서 실행할 수 있습니다.

Azure Machine Learning(AzureML)이란 무엇인가요?#

Azure Machine Learning(AzureML)은 대규모로 머신 러닝 모델을 구축, 학습 및 배포하기 위한 완전 관리형 클라우드 서비스입니다. 자동화된 머신 러닝, 드래그 앤 드롭 방식의 모델 학습, 모델을 프로그래밍 방식으로 완전히 제어할 수 있는 Python SDK를 제공합니다.

AzureML은 YOLO 사용자에게 어떤 이점을 제공하나요?#

AzureML을 사용하면 빠른 프로토타입부터 대규모 실행까지 클라우드에서 Ultralytics YOLO26 모델을 학습하고 배포할 수 있습니다. 다음과 같은 작업이 가능합니다:

• 학습을 위한 대규모 데이터셋과 컴퓨팅 리소스를 간편하게 관리할 수 있습니다.
• 데이터 전처리, feature selection, 모델 학습을 위한 기본 제공 도구를 활용할 수 있습니다.
• 모델과 데이터의 모니터링, 감사, 버전 관리를 비롯한 MLOps(머신 러닝 운영) 기능을 통해 더욱 효율적으로 협업할 수 있습니다.

다음 섹션에서는 컴퓨팅 터미널 또는 노트북에서 AzureML을 사용하여 YOLO26 객체 감지 모델을 실행하는 방법을 설명하는 빠른 시작 가이드를 제공합니다.

필수 조건#

시작하기 전에 AzureML workspace에 액세스할 수 있는지 확인합니다. workspace가 없다면 Azure의 공식 문서를 따라 새 AzureML workspace를 만들 수 있습니다. 이 workspace는 모든 AzureML 리소스를 관리하는 중앙 위치로 사용됩니다.

컴퓨팅 인스턴스 생성#

AzureML workspace에서 Compute > Compute instances > New를 선택한 다음, 필요한 리소스를 갖춘 인스턴스를 선택합니다.

터미널에서 빠른 시작#

컴퓨팅을 시작하고 Terminal을 엽니다:

가상 환경 생성#

Conda 가상 환경을 생성하고 해당 환경에 pip를 설치합니다:

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

필요한 dependency를 설치합니다:

pip install ultralytics onnx

YOLO26 작업 수행#

예측:

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

초기 learning_rate를 0.01로 설정하여 10개의 epoch 동안 detection 모델을 학습합니다:

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

여기에서 Ultralytics CLI 사용 지침을 확인할 수 있습니다.

노트북에서 빠른 시작#

새 IPython 커널 생성#

컴퓨팅 Terminal을 엽니다.

컴퓨팅 터미널에서 Python 3.12를 사용하는 새 ipykernel을 생성합니다. 이 커널은 노트북에서 dependency를 관리하는 데 사용됩니다:

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"

터미널을 닫고 새 노트북을 생성합니다. 노트북에서 새로 생성한 커널을 선택합니다.

그런 다음 노트북 셀을 열고 필요한 dependency를 설치합니다:

%%bash
source activate yolo26env
pip install ultralytics onnx

Ultralytics CLI를 사용하여 예측을 실행합니다:

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

또는 Ultralytics Python 인터페이스를 사용하여 모델을 학습할 수 있습니다. 예:

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

Ultralytics CLI 또는 Python 인터페이스 중 하나를 사용하여 YOLO26 작업을 실행할 수 있습니다. 위의 Python 예제는 배포를 위해 학습된 모델을 ONNX로 export하기도 합니다.

이 단계를 따르면 AzureML에서 YOLO26을 빠르게 실행할 수 있습니다. 고급 workflow는 AzureML 문서를 참조하세요.

AzureML로 더 알아보기#

이 가이드에서는 AzureML에서 YOLO26을 실행하는 기본 방법을 다룹니다. 더 자세히 알아보려면 다음 리소스를 확인하세요:

• 데이터 asset 생성: AzureML 환경에서 데이터 asset을 설정하고 관리합니다.
• AzureML job 시작: AzureML에서 머신 러닝 학습 job을 시작합니다.
• 모델 등록: 모델 등록, 버전 관리 및 배포를 관리합니다.
• Modal 빠른 시작: AzureML의 대안으로 Modal의 serverless GPU cloud에서 YOLO26을 실행합니다.

FAQ#