AzureML에서의 YOLO26 🚀

Azure란 무엇인가요?

Azure는 마이크로소프트의 클라우드 컴퓨팅 플랫폼으로, 조직이 온프레미스 데이터 센터에서 클라우드로 워크로드를 이전할 수 있도록 설계되었습니다. 컴퓨팅, 데이터베이스, 분석, 머신러닝, 네트워킹을 포함한 광범위한 클라우드 서비스를 통해 사용자는 원하는 서비스를 선택하여 퍼블릭 클라우드에서 새로운 애플리케이션을 개발 및 확장하거나 기존 애플리케이션을 실행할 수 있습니다.

Azure Machine Learning(AzureML)이란 무엇인가요?

Azure Machine Learning(일반적으로 AzureML로 지칭)은 데이터 과학자와 개발자가 예측 분석을 애플리케이션에 효율적으로 내장할 수 있도록 지원하는 완전 관리형 클라우드 서비스입니다. 이는 조직이 방대한 데이터 세트를 활용하고 클라우드의 모든 이점을 머신러닝에 적용할 수 있도록 돕습니다. AzureML은 머신러닝을 접근하기 쉽고 사용하기 편리하며 확장 가능하게 만들기 위한 다양한 서비스와 기능을 제공합니다. 자동화된 머신러닝, 드래그 앤 드롭 모델 학습, 그리고 개발자가 머신러닝 모델을 최대한 활용할 수 있도록 돕는 강력한 Python SDK와 같은 기능을 제공합니다.

AzureML이 YOLO 사용자에게 주는 이점은 무엇인가요?

YOLO(You Only Look Once) 사용자에게 AzureML은 머신러닝 모델을 학습하고 배포하기 위한 강력하고 확장 가능하며 효율적인 플랫폼을 제공합니다. 빠른 프로토타입 실행을 원하든 더 방대한 데이터를 처리하기 위해 확장하든, AzureML의 유연하고 사용자 친화적인 환경은 귀하의 필요에 맞는 다양한 도구와 서비스를 제공합니다. AzureML을 활용하여 다음과 같은 작업을 수행할 수 있습니다:

• 학습을 위한 대규모 데이터 세트 및 컴퓨팅 리소스를 쉽게 관리합니다.
• 데이터 전처리, 특징 선택 및 모델 학습을 위한 내장 도구를 활용합니다.
• 모델 및 데이터의 모니터링, 감사, 버전 관리를 포함하되 이에 국한되지 않는 MLOps(머신러닝 운영) 기능을 통해 보다 효율적으로 협업합니다.

이어지는 섹션에서는 컴퓨팅 터미널 또는 노트북에서 AzureML을 사용하여 YOLO26 객체 탐지 모델을 실행하는 방법에 대한 퀵스타트 가이드를 확인하실 수 있습니다.

사전 요구 사항

시작하기 전에 AzureML 작업 영역(workspace)에 대한 액세스 권한이 있는지 확인하십시오. 작업 영역이 없는 경우, Azure 공식 문서를 따라 새로운 AzureML 작업 영역을 생성할 수 있습니다. 이 작업 영역은 모든 AzureML 리소스를 관리하는 중앙 집중식 장소 역할을 합니다.

컴퓨팅 인스턴스 생성

AzureML 작업 영역에서 Compute > Compute instances > New를 선택하고, 필요한 리소스가 포함된 인스턴스를 선택하십시오.

터미널에서 퀵스타트

컴퓨팅을 시작하고 터미널을 여십시오:

virtualenv 생성

원하는 Python 버전을 사용하여 conda 가상 환경을 생성하고 그 안에 pip를 설치하십시오. 현재 AzureML에서 Python 3.13.1은 의존성 문제가 있으므로 대신 Python 3.12를 사용하십시오.

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

필수 의존성을 설치하십시오:

cd ultralytics
pip install -r requirements.txt
pip install ultralytics
pip install onnx

YOLO26 작업 수행

예측(Predict):

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

초기 learning_rate를 0.01로 설정하고 10 에포크(epochs) 동안 탐지 모델을 학습합니다:

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

여기에서 Ultralytics CLI 사용법에 대한 더 많은 지침을 확인할 수 있습니다.

노트북에서 퀵스타트

새 IPython 커널 생성

컴퓨팅 터미널을 엽니다.

컴퓨팅 터미널에서, 노트북이 의존성을 관리하는 데 사용할 Python 3.12를 사용하여 새 ipykernel을 생성합니다:

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 만드십시오. 노트북에서 방금 생성한 커널을 선택하십시오.

그런 다음 노트북 셀을 열고 필수 의존성을 설치하십시오:

%%bash
source activate yolo26env
cd ultralytics
pip install -r requirements.txt
pip install ultralytics
pip install onnx

Note that you need to run source activate yolo26env in every %%bash cell to ensure the cell uses the intended environment.

Ultralytics CLI를 사용하여 몇 가지 예측을 실행하십시오:

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

또는 Ultralytics Python 인터페이스를 사용하여 모델을 학습하는 예시입니다:

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

위의 터미널 섹션에서 설명한 대로 Ultralytics CLI 또는 Python 인터페이스를 사용하여 YOLO26 작업을 실행할 수 있습니다.

이 단계를 따르면 AzureML에서 YOLO26을 빠르게 실행하여 신속하게 테스트해 볼 수 있습니다. 더 고급 활용을 원하시면 이 가이드 시작 부분에 링크된 전체 AzureML 문서를 참조하십시오.

AzureML로 더 많은 기능 탐색

이 가이드는 AzureML에서 YOLO26을 시작하기 위한 입문서 역할을 합니다. 그러나 이는 AzureML이 제공하는 기능의 일부분에 불과합니다. 더 깊이 탐구하고 머신러닝 프로젝트를 위해 AzureML의 잠재력을 완전히 활용하려면 다음 리소스를 탐색해 보십시오:

• 데이터 에셋 생성: AzureML 환경 내에서 데이터 에셋을 효과적으로 설정하고 관리하는 방법을 알아보십시오.
• AzureML 작업 시작: AzureML에서 머신러닝 학습 작업을 시작하는 방법에 대해 종합적으로 이해하십시오.
• 모델 등록: 등록, 버전 관리, 배포를 포함한 모델 관리 관행을 익히십시오.
• AzureML Python SDK로 YOLO26 학습하기: AzureML Python SDK를 사용하여 YOLO26 모델을 학습하는 단계별 가이드를 살펴보십시오.
• AzureML CLI로 YOLO26 학습하기: AzureML에서 YOLO26 모델을 능률적으로 학습하고 관리하기 위해 CLI를 활용하는 방법을 확인하십시오.

FAQ

AzureML에서 모델 학습을 위해 YOLO26을 어떻게 실행하나요?

AzureML에서 모델 학습을 위해 YOLO26을 실행하는 과정은 다음과 같습니다:

1. 컴퓨팅 인스턴스 생성: AzureML 작업 영역에서 Compute > Compute instances > New로 이동하여 필요한 인스턴스를 선택하십시오.

2. 환경 설정: 컴퓨팅 인스턴스를 시작하고 터미널을 연 다음 Conda 환경을 생성하십시오. Python 버전을 설정하십시오(Python 3.13.1은 아직 지원되지 않습니다):

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

3. YOLO26 작업 실행: Ultralytics CLI를 사용하여 모델을 학습하십시오:

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

더 자세한 내용은 Ultralytics CLI 사용 지침을 참조하십시오.

YOLO26 학습에 AzureML을 사용할 때의 이점은 무엇인가요?

AzureML은 YOLO26 모델 학습을 위한 강력하고 효율적인 생태계를 제공합니다:

• 확장성: 데이터와 모델 복잡성이 증가함에 따라 컴퓨팅 리소스를 쉽게 확장하십시오.
• MLOps 통합: 버전 관리, 모니터링 및 감사와 같은 기능을 활용하여 ML 운영을 능률화하십시오.
• 협업: 팀 내에서 리소스를 공유하고 관리하여 협업 워크플로우를 개선하십시오.

이러한 이점 덕분에 AzureML은 빠른 프로토타입부터 대규모 배포까지의 프로젝트를 위한 이상적인 플랫폼입니다. 더 많은 팁은 AzureML Jobs를 확인하십시오.

AzureML에서 YOLO26을 실행할 때 발생하는 일반적인 문제를 어떻게 해결하나요?

AzureML에서 YOLO26과 관련된 일반적인 문제 해결은 다음 단계를 포함할 수 있습니다:

• 의존성 문제: 필요한 모든 패키지가 설치되었는지 확인하십시오. 의존성 항목은 requirements.txt 파일을 참조하십시오.
• 환경 설정: 명령을 실행하기 전에 conda 환경이 올바르게 활성화되었는지 확인하십시오.
• 리소스 할당: 컴퓨팅 인스턴스에 학습 워크로드를 처리할 수 있는 충분한 리소스가 있는지 확인하십시오.

추가적인 안내는 YOLO 일반 문제 문서를 검토하십시오.

AzureML에서 Ultralytics CLI와 Python 인터페이스를 모두 사용할 수 있나요?

예, AzureML에서는 Ultralytics CLI와 Python 인터페이스를 모두 원활하게 사용할 수 있습니다:

• CLI: 빠른 작업 및 터미널에서 직접 표준 스크립트를 실행하는 데 이상적입니다.

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

• Python 인터페이스: 노트북 내에서 사용자 정의 코딩 및 통합이 필요한 더 복잡한 작업에 유용합니다.

  from ultralytics import YOLO
  
  model = YOLO("yolo26n.pt")
  model.train(data="coco8.yaml", epochs=3)

단계별 지침은 CLI 퀵스타트 가이드 및 Python 퀵스타트 가이드를 참조하십시오.

다른 객체 탐지 모델 대비 Ultralytics YOLO26을 사용하는 이점은 무엇인가요?

Ultralytics YOLO26은 경쟁 객체 탐지 모델보다 몇 가지 독보적인 이점을 제공합니다:

• 속도: Faster R-CNN 및 SSD와 같은 모델보다 빠른 추론 및 학습 시간.
• 정확도: 앵커 프리(anchor-free) 설계와 향상된 증강 전략과 같은 기능으로 탐지 작업에서 높은 정확도를 제공합니다.
• 사용 편의성: 빠른 설정을 위한 직관적인 API 및 CLI를 제공하여 초보자와 전문가 모두가 쉽게 접근할 수 있습니다.

YOLO26의 기능에 대해 더 알아보려면 Ultralytics YOLO 페이지에서 자세한 통찰력을 확인하십시오.