AzureML에서 YOLO26 실행
Azure란 무엇인가요?#
Azure는 조직이 온프레미스 데이터 센터에서 클라우드로 워크로드를 이전할 수 있도록 지원하는 Microsoft의 클라우드 컴퓨팅 플랫폼입니다. 컴퓨팅, 데이터베이스, 분석, 머신러닝, 네트워킹을 비롯한 광범위한 클라우드 서비스를 제공하며, 사용자는 이러한 서비스를 선택하여 새로운 애플리케이션을 개발하고 확장하거나 기존 애플리케이션을 퍼블릭 클라우드에서 실행할 수 있습니다.
Azure Machine Learning(AzureML)이란 무엇인가요?#
Azure Machine Learning(AzureML)은 머신러닝 모델을 대규모로 구축, 학습, 배포하기 위한 완전 관리형 클라우드 서비스입니다. 자동화된 머신러닝, 드래그 앤 드롭 방식의 모델 학습, 모델을 완전히 프로그래밍 방식으로 제어할 수 있는 Python SDK를 제공합니다.
AzureML은 YOLO 사용자에게 어떤 이점을 제공하나요?#
AzureML을 사용하면 간단한 프로토타입부터 대규모 실행까지 클라우드에서 Ultralytics YOLO26 모델을 학습하고 배포할 수 있습니다. AzureML을 사용하면 다음 작업을 수행할 수 있습니다:
- 대규모 데이터셋과 학습용 컴퓨팅 리소스를 관리합니다.
- 데이터 전처리, 특징 선택, 모델 학습을 위한 기본 제공 도구를 사용합니다.
- 모델과 데이터의 모니터링, 감사, 버전 관리를 포함한 MLOps(머신러닝 운영) 기능으로 더욱 효율적으로 협업합니다.
다음 섹션에서는 컴퓨팅 터미널 또는 노트북에서 AzureML을 사용하여 YOLO26 객체 감지 모델을 실행하는 방법을 설명하는 빠른 시작 가이드를 제공합니다.
사전 요구 사항#
시작하기 전에 AzureML 작업 영역에 액세스할 수 있는지 확인하세요. 작업 영역이 없다면 Azure의 공식 문서를 따라 새 AzureML 작업 영역을 만들 수 있습니다. 이 작업 영역은 모든 AzureML 리소스를 관리하는 중앙 공간입니다.
컴퓨팅 인스턴스 만들기#
AzureML 작업 영역에서 Compute > Compute instances > New를 선택한 다음 필요한 리소스를 갖춘 인스턴스를 선택합니다.
터미널에서 빠른 시작하기#
컴퓨팅 인스턴스를 시작하고 터미널을 여세요:
가상 환경 만들기#
conda 가상 환경을 만들고 해당 환경에 pip를 설치하세요:
conda create --name yolo26env -y python=3.12
conda activate yolo26env
conda install pip -y현재 AzureML에서 Python 3.13은 종속성 문제가 있으므로 대신 Python 3.12를 사용하세요.
필수 종속성을 설치하세요:
pip install ultralytics onnxYOLO26 작업 수행하기#
예측:
yolo predict model=yolo26n.pt source='https://ultralytics.com/images/bus.jpg'yolo train data=coco8.yaml model=yolo26n.pt epochs=10노트북에서 빠른 시작하기#
새 IPython 커널 만들기#
컴퓨팅 터미널을 여세요.
컴퓨팅 터미널에서 Python 3.12를 사용하는 새 ipykernel을 만드세요. 이 커널은 노트북에서 종속성을 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 만드세요. 노트북에서 방금 만든 커널을 선택합니다.
그런 다음 노트북 셀을 열고 필수 종속성을 설치하세요:
%%bash
source activate yolo26env
pip install ultralytics onnx각 %%bash 셀의 맨 위에서 source activate yolo26env을 실행하여 해당 셀이 지정된 환경을 사용하도록 하세요.
Ultralytics CLI를 사용하여 예측을 실행하세요:
%%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. 예를 들면 다음과 같습니다:
from ultralytics import YOLO
# 모델 로드
model = YOLO("yolo26n.pt") # 공식 YOLO26n 모델 로드
# 모델 사용
model.train(data="coco8.yaml", epochs=3) # 모델 학습
metrics = model.val() # 검증 세트에서 모델 성능 평가
results = model("https://ultralytics.com/images/bus.jpg") # 이미지에 대해 예측을 수행합니다
path = model.export(format="onnx") # 모델을 ONNX 형식으로 내보내기Ultralytics CLI 또는 Python 인터페이스를 사용하여 YOLO26 작업을 실행할 수 있습니다. 위 Python 예제에서는 배포를 위해 학습된 모델도 ONNX 형식으로 내보냅니다.
이 단계를 따르면 AzureML에서 YOLO26을 빠르게 실행할 수 있습니다. 고급 워크플로에 대해서는 AzureML 문서를 참조하세요.
AzureML 더 알아보기#
이 가이드에서는 AzureML에서 YOLO26을 실행하는 기본 사항을 다룹니다. 더 자세히 알아보려면 다음 자료를 살펴보세요:
- 데이터 자산 만들기: AzureML 환경에서 데이터 자산을 설정하고 관리합니다.
- AzureML 작업 시작하기: AzureML에서 머신러닝 학습 작업을 시작합니다.
- 모델 등록하기: 모델 등록, 버전 관리, 배포를 관리합니다.
- Modal 빠른 시작: AzureML의 대안으로 Modal의 서버리스 GPU 클라우드에서 YOLO26을 실행합니다.
자주 묻는 질문#
학습을 위해 AzureML에서 YOLO26을 실행하려면 컴퓨팅 인스턴스를 만들고, Conda 환경을 설정하고, Ultralytics를 설치한 다음 학습 명령을 실행하세요:
-
컴퓨팅 인스턴스 만들기: AzureML 작업 영역에서 Compute > Compute instances > New로 이동한 다음 필요한 인스턴스를 선택하세요.
-
환경 설정: 컴퓨팅 인스턴스를 시작하고 터미널을 연 다음, Python 3.12를 사용하는 Conda 환경을 생성합니다(AzureML에서는 현재 Python 3.13에 종속성 문제가 있습니다):
conda create --name yolo26env -y python=3.12 conda activate yolo26env conda install pip -y pip install ultralytics onnx -
YOLO26 작업 실행: Ultralytics CLI를 사용하여 모델을 학습합니다:
yolo train data=coco8.yaml model=yolo26n.pt epochs=10
-
AzureML은 YOLO26 모델 학습을 위한 관리형 환경을 제공합니다.
- 확장성: 데이터와 모델 복잡도가 증가함에 따라 컴퓨팅 리소스를 확장할 수 있습니다.
- MLOps 통합: 버전 관리, 모니터링, 감사 등의 기능을 사용해 ML 운영을 간소화합니다.
- 협업: 팀 내에서 리소스를 공유하고 관리하여 협업 워크플로를 개선할 수 있습니다.
이러한 기능 덕분에 AzureML은 빠른 프로토타입부터 대규모 배포까지 다양한 프로젝트에 적합합니다.
AzureML에서 YOLO26 문제를 해결하려면 종속성이 설치되어 있는지 확인하고, Conda 환경이 활성화되었는지 확인하며, 컴퓨팅 인스턴스에 충분한 리소스가 있는지 확인하세요:
- 종속성 문제:
pip install ultralytics onnx을 사용하여 필요한 모든 패키지가 설치되었는지 확인합니다. - 환경 설정: 명령을 실행하기 전에 Conda 환경이 올바르게 활성화되었는지 확인합니다.
- 리소스 할당: 컴퓨팅 인스턴스에 학습 작업을 처리할 충분한 리소스가 있는지 확인합니다.
추가 지침은 YOLO 일반 문제 문서를 참조하세요.
- 종속성 문제:
예. AzureML에서는 Ultralytics CLI와 Python 인터페이스를 모두 사용할 수 있습니다.
-
CLI: 터미널에서 표준 스크립트를 직접 실행하는 빠른 작업에 적합합니다.
yolo predict model=yolo26n.pt source='https://ultralytics.com/images/bus.jpg' -
Python 인터페이스: 노트북에서 사용자 지정 코드와 통합이 필요한 복잡한 작업에 유용합니다.
from ultralytics import YOLO model = YOLO("yolo26n.pt") model.train(data="coco8.yaml", epochs=3)
단계별 지침은 CLI 빠른 시작 가이드와 Python 빠른 시작 가이드를 참조하세요.
-
Ultralytics YOLO26은 경쟁 객체 감지 모델에 비해 여러 이점을 제공합니다.
댓글
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.