YOLO11 AzureML의 🚀

Q: How do I run YOLO11 on AzureML for model training?

모델 학습을 위해 AzureML에서 YOLO11 을 실행하려면 몇 가지 단계가 필요합니다: 자세한 내용은 Ultralytics CLI 사용 지침을 참조하세요.

Q: What are the benefits of using AzureML for YOLO11 training?

AzureML은 YOLO11 모델 학습을 위한 강력하고 효율적인 에코시스템을 제공합니다: 이러한 장점으로 인해 AzureML은 빠른 프로토타입부터 대규모 배포까지 다양한 프로젝트에 이상적인 플랫폼입니다. 더 많은 팁은 AzureML 작업을 확인하세요.

Q: How do I troubleshoot common issues when running YOLO11 on AzureML?

AzureML에서 YOLO11 관련 일반적인 문제를 해결하려면 다음 단계를 따라야 합니다: 추가 지침은 YOLO 일반 문제 설명서를 참조하세요.

Q: What is the advantage of using Ultralytics YOLO11 over other object detection models?

Ultralytics YOLO11 는 경쟁사 객체 감지 모델에 비해 몇 가지 고유한 이점을 제공합니다: YOLO11 의 기능에 대해 자세히 알아보려면 Ultralytics YOLO 페이지에서 자세한 내용을 확인하세요.

Azure란 무엇인가요?

Azure는 Microsoft 의 클라우드 컴퓨팅 플랫폼으로, 조직이 워크로드를 온-프레미스 데이터 센터에서 클라우드로 옮길 수 있도록 설계되었습니다. 컴퓨팅, 데이터베이스, 분석, 머신 러닝, 네트워킹을 포함한 다양한 클라우드 서비스를 통해 사용자는 이러한 서비스 중에서 선택하여 퍼블릭 클라우드에서 새 애플리케이션을 개발 및 확장하거나 기존 애플리케이션을 실행할 수 있습니다.

AzureML(Azure 머신 러닝)이란?

일반적으로 AzureML이라고 하는 Azure 기계 학습은 데이터 과학자와 개발자가 예측 분석을 애플리케이션에 효율적으로 포함할 수 있도록 지원하는 완전 관리형 클라우드 서비스로, 조직이 대규모 데이터 집합을 사용하고 클라우드의 모든 이점을 기계 학습에 적용할 수 있도록 지원합니다. AzureML은 머신 러닝에 대한 접근성, 사용 편의성, 확장성을 목표로 하는 다양한 서비스와 기능을 제공합니다. 개발자가 머신 러닝 모델을 최대한 활용할 수 있도록 자동화된 머신 러닝, 드래그 앤 드롭 모델 학습과 같은 기능뿐만 아니라 강력한 Python SDK를 제공합니다.

AzureML은 YOLO 사용자에게 어떤 이점이 있나요?

YOLO (You Only Look Once) 사용자를 위해 AzureML은 머신 러닝 모델을 학습하고 배포할 수 있는 강력하고 확장 가능하며 효율적인 플랫폼을 제공합니다. 빠른 프로토타입을 실행하거나 더 광범위한 데이터를 처리하기 위해 확장하려는 경우, AzureML의 유연하고 사용자 친화적인 환경은 사용자의 필요에 맞는 다양한 도구와 서비스를 제공합니다. AzureML을 활용하여 다음을 수행할 수 있습니다:

교육을 위한 대규모 데이터 세트와 컴퓨팅 리소스를 쉽게 관리할 수 있습니다.
데이터 전처리, 기능 선택, 모델 학습을 위한 기본 제공 도구를 활용하세요.
모델 및 데이터의 모니터링, 감사, 버전 관리를 포함하되 이에 국한되지 않는 MLOps(머신 러닝 운영) 기능으로 더욱 효율적으로 협업하세요.

다음 섹션에서는 컴퓨팅 터미널 또는 노트북에서 AzureML을 사용하여 YOLO11 개체 탐지 모델을 실행하는 방법을 자세히 설명하는 빠른 시작 가이드를 찾을 수 있습니다.

전제 조건

시작하기 전에 AzureML 작업 영역에 액세스할 수 있는지 확인하세요. 없는 경우 Azure의 공식 설명서에 따라 새 AzureML 작업 영역을 만들 수 있습니다. 이 작업 영역은 모든 AzureML 리소스를 관리하는 중앙 집중식 공간의 역할을 합니다.

컴퓨팅 인스턴스 만들기

AzureML 작업 영역에서 컴퓨팅 > 인스턴스 컴퓨팅 > 새로 만들기를 선택하고 필요한 리소스가 있는 인스턴스를 선택합니다.

터미널에서 빠른 시작

컴퓨팅을 시작하고 터미널을 엽니다:

터미널 열기

가상 환경 만들기

선호하는 python 버전으로 conda 가상 환경을 만들고 그 안에 pip를 설치하세요: Python 3.13.1은 AzureML의 일부 종속성과 관련하여 몇 가지 문제가 있습니다.

conda create --name yolo11env -y python=3.12
conda activate yolo11env
conda install pip -y

필요한 종속성을 설치합니다:

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 학습률을 0.01로 설정하여 10개의 에포크에 대한 탐지 모델을 훈련합니다:

yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01

자세한 사용 방법은 Ultralytics CLI 에서 확인할 수 있습니다.

노트북에서 빠른 시작

새 IPython 커널 생성

컴퓨팅 터미널을 엽니다.

터미널 열기

컴퓨팅 터미널에서 노트북에서 종속성을 관리하는 데 사용할 새 ipykernel(특정 python 버전 - Python 3.13.1은 AzureML의 일부 종속성에 문제가 있기 때문에)을 만들어야 합니다:

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.

그런 다음 노트북 셀을 열고 필요한 종속성을 설치할 수 있습니다:

%%bash
source activate yolo11env
cd ultralytics
pip install -r requirements.txt
pip install ultralytics
pip install onnx

주의할 점은 source activate yolo11env 를 모든 %%bash 셀에 적용하여 %%bash 셀이 원하는 환경을 사용하도록 합니다.

를 사용하여 몇 가지 예측을 실행합니다. Ultralytics CLI:

%%bash
source activate yolo11env
yolo predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'

또는 Ultralytics Python 인터페이스를 사용하여 모델을 훈련할 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 YOLO11 작업을 실행하기 위해 Ultralytics CLI 또는 Python 인터페이스를 사용할 수 있습니다.

다음 단계를 수행하면 빠른 평가판을 위해 AzureML에서 YOLO11 을 빠르게 실행할 수 있습니다. 더 고급 사용법은 이 가이드의 시작 부분에 링크된 전체 AzureML 설명서를 참조하세요.

AzureML로 자세히 알아보기

이 가이드는 AzureML에서 YOLO11 을 시작하고 실행하는 데 도움이 되는 소개 역할을 합니다. 하지만 이 가이드는 AzureML이 제공할 수 있는 기능의 일부에 불과합니다. 머신 러닝 프로젝트에 대해 더 자세히 알아보고 AzureML의 잠재력을 최대한 활용하려면 다음 리소스를 살펴보세요:

데이터 자산 만들기: AzureML 환경 내에서 데이터 자산을 효과적으로 설정하고 관리하는 방법을 알아보세요.
AzureML 작업 시작하기: AzureML에서 머신 러닝 교육 작업을 시작하는 방법에 대한 포괄적인 이해를 얻으세요.
모델 등록하기: 등록, 버전 관리 및 배포를 포함한 모델 관리 방법을 숙지하세요.
AzureML Python SDK로 YOLO11 훈련하기: AzureML Python SDK를 사용하여 YOLO11 모델을 훈련하는 방법에 대한 단계별 가이드를 살펴보세요.
AzureML로 YOLO11 교육 CLI: 명령줄 인터페이스를 활용하여 AzureML에서 YOLO11 모델을 간소화하여 교육 및 관리하는 방법을 알아보세요.

자주 묻는 질문

모델 학습을 위해 AzureML에서 YOLO11 을 실행하려면 어떻게 하나요?

모델 학습을 위해 AzureML에서 YOLO11 을 실행하려면 몇 가지 단계가 필요합니다:

컴퓨팅 인스턴스를 만듭니다: AzureML 작업 영역에서 컴퓨팅 > 컴퓨팅 인스턴스 > 새로 만들기로 이동하여 필요한 인스턴스를 선택합니다.
환경 설정: 컴퓨팅 인스턴스를 시작하고 터미널을 열고 conda 환경을 만든 다음, python 버전을 설정하는 것을 잊지 마세요python 3.13.1은 아직 지원되지 않습니다):
```
conda create --name yolo11env -y python=3.12
conda activate yolo11env
conda install pip -y
pip install ultralytics onnx
```
YOLO11 작업을 실행합니다: Ultralytics CLI 을 사용하여 모델을 학습시킵니다:
```
yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01
```

자세한 내용은 Ultralytics CLI 에서 사용 지침을 참조하세요.

YOLO11 교육에 AzureML을 사용하면 어떤 이점이 있나요?

AzureML은 모델 학습을 위한 강력하고 효율적인 에코시스템( YOLO11 )을 제공합니다:

확장성: 데이터와 모델의 복잡성이 증가함에 따라 컴퓨팅 리소스를 쉽게 확장할 수 있습니다.
MLOps 통합: 버전 관리, 모니터링 및 감사와 같은 기능을 활용하여 ML 운영을 간소화하세요.
협업: 팀 내에서 리소스를 공유하고 관리하여 협업 워크플로우를 개선하세요.

이러한 장점 덕분에 AzureML은 빠른 프로토타입부터 대규모 배포에 이르기까지 다양한 프로젝트에 이상적인 플랫폼입니다. 더 많은 팁은 AzureML 작업을 확인하세요.

AzureML에서 YOLO11 실행 시 일반적인 문제를 해결하려면 어떻게 해야 하나요?

AzureML에서 YOLO11 관련 일반적인 문제 해결에는 다음 단계가 포함될 수 있습니다:

종속성 문제: 필요한 패키지가 모두 설치되어 있는지 확인합니다. 필요한 패키지가 설치되어 있는지 확인합니다. requirements.txt 파일에서 종속성을 확인합니다.
환경 설정: 명령을 실행하기 전에 콘다 환경이 올바르게 활성화되었는지 확인합니다.
리소스 할당: 컴퓨팅 인스턴스에 교육 워크로드를 처리할 수 있는 충분한 리소스가 있는지 확인하세요.

추가 지침은 YOLO 일반 문제 문서를 참조하세요.

AzureML에서 Ultralytics CLI 및 Python 인터페이스를 모두 사용할 수 있나요?

예, AzureML을 사용하면 Ultralytics CLI 및 Python 인터페이스를 모두 원활하게 사용할 수 있습니다:

CLI: 빠른 작업과 터미널에서 직접 표준 스크립트를 실행하는 데 이상적입니다.
```
yolo predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'
```
Python 인터페이스: 사용자 지정 코딩과 노트북 내 통합이 필요한 복잡한 작업에 유용합니다.
```
from ultralytics import YOLO

model = YOLO("yolo11n.pt")
model.train(data="coco8.yaml", epochs=3)
```