AzureML에서의 YOLO26 🚀#

Azure란 무엇인가요?#

Azure는 온프레미스 데이터 센터에서 클라우드로 워크로드를 이전할 수 있도록 지원하는 Microsoft의 클라우드 컴퓨팅 플랫폼입니다. 컴퓨팅, 데이터베이스, 분석, 머신 러닝, 네트워킹을 포함한 광범위한 클라우드 서비스를 통해 사용자는 퍼블릭 클라우드에서 새로운 애플리케이션을 개발 및 확장하거나 기존 애플리케이션을 실행할 수 있습니다.

Azure Machine Learning(AzureML)이란 무엇인가요?#

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

AzureML이 YOLO 사용자에게 제공하는 이점은 무엇입니까?#

AzureML을 사용하면 빠른 프로토타입부터 대규모 실행까지 클라우드에서 Ultralytics YOLO26 모델을 학습 및 배포할 수 있습니다. 다음과 같은 기능을 활용할 수 있습니다:

• 학습을 위한 대규모 데이터셋과 컴퓨팅 리소스를 쉽게 관리할 수 있습니다.
• 데이터 전처리, 특징 선택 및 모델 학습을 위한 내장 도구를 활용할 수 있습니다.
• 모델 및 데이터의 모니터링, 감사, 버전 관리를 포함한 MLOps(머신 러닝 운영) 기능을 통해 보다 효율적으로 협업할 수 있습니다.

다음 섹션에서는 컴퓨팅 터미널 또는 노트북을 사용하여 AzureML에서 YOLO26 객체 탐지 모델을 실행하는 방법을 자세히 설명하는 퀵스타트 가이드를 제공합니다.

사전 요구 사항#

시작하기 전에 AzureML 작업 공간에 액세스할 수 있는지 확인하십시오. 작업 공간이 없는 경우 Azure 공식 문서에 따라 새로운 AzureML 작업 공간을 생성할 수 있습니다. 이 작업 공간은 모든 AzureML 리소스를 관리하는 중앙 관리 장소 역할을 합니다.

컴퓨팅 인스턴스 생성#

AzureML 작업 공간에서 컴퓨팅(Compute) > 컴퓨팅 인스턴스(Compute instances) > 새로 만들기(New)를 선택하고 필요한 리소스를 갖춘 인스턴스를 선택하십시오.

터미널 퀵스타트#

컴퓨팅을 시작하고 터미널을 여십시오:

가상 환경 생성#

conda 가상 환경을 만들고 내부에 pip를 설치하십시오:

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

필요한 종속성을 설치하십시오:

pip install ultralytics onnx

YOLO26 작업 수행#

예측(Predict):

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

Train a detection model for 10 epochs with an initial learning_rate of 0.01:

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

Ultralytics CLI 사용 방법에 대한 추가 지침은 여기에서 확인할 수 있습니다.

노트북 퀵스타트#

새 IPython 커널 생성#

컴퓨팅 터미널을 여십시오.

컴퓨팅 터미널에서 노트북이 종속성을 관리하는 데 사용할 Python 3.12 기반의 새로운 ipykernel을 만드십시오:

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 새로 만든 커널을 선택하십시오.

그런 다음 노트북 셀을 열고 필요한 종속성을 설치하십시오:

%%bash
source activate yolo26env
pip install ultralytics onnx

Ultralytics CLI를 사용하여 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 등의 작업을 수행하십시오:

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 CLI나 Python 인터페이스를 사용하여 YOLO26 작업을 실행할 수 있습니다. 위 Python 예제는 배포를 위해 학습된 모델을 ONNX로 내보내기도 합니다.

이 단계를 따르면 AzureML에서 YOLO26을 빠르게 실행할 수 있습니다. 더 복잡한 워크플로우는 AzureML 문서를 참조하십시오.

AzureML 더 알아보기#

이 가이드는 AzureML에서 YOLO26을 실행하는 기본 사항을 다룹니다. 더 자세한 내용은 다음 리소스를 탐색하십시오:

• 데이터 자산 생성(Create a Data Asset): AzureML 환경 내에서 데이터 자산을 설정하고 관리하십시오.
• AzureML 작업 시작(Initiate an AzureML Job): AzureML에서 머신 러닝 학습 작업을 시작하십시오.
• 모델 등록(Register a Model): 모델 등록, 버전 관리 및 배포를 관리하십시오.
• Modal 퀵스타트(Modal Quickstart): AzureML의 대안으로 Modal의 서버리스 GPU 클라우드에서 YOLO26을 실행하십시오.

FAQ#

모델 학습을 위해 AzureML에서 YOLO26을 어떻게 실행합니까?#

학습을 위해 AzureML에서 YOLO26을 실행하려면 컴퓨팅 인스턴스를 생성하고, Conda 환경을 설정하고, Ultralytics를 설치한 다음 학습 명령을 실행하십시오:

1. 컴퓨팅 인스턴스 생성: AzureML 작업 공간에서 컴퓨팅 > 컴퓨팅 인스턴스 > 새로 만들기로 이동하여 필요한 인스턴스를 선택하십시오.

2. 환경 설정: 컴퓨팅 인스턴스를 시작하고 터미널을 연 다음 Python 3.12를 사용하여 Conda 환경을 만드십시오(Python 3.13은 현재 AzureML에서 종속성 문제가 발생합니다):

   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

자세한 내용은 Ultralytics CLI 사용 지침을 참조하십시오.

YOLO26 학습에 AzureML을 사용할 때의 이점은 무엇입니까?#

AzureML은 YOLO26 모델을 학습하기 위한 강력하고 효율적인 생태계를 제공합니다:

• 확장성: 데이터와 모델 복잡성이 증가함에 따라 컴퓨팅 리소스를 쉽게 확장할 수 있습니다.
• MLOps 통합: 버전 관리, 모니터링, 감사와 같은 기능을 활용하여 ML 운영을 간소화할 수 있습니다.
• 협업: 팀 내에서 리소스를 공유 및 관리하여 협업 워크플로우를 개선할 수 있습니다.

이러한 장점 덕분에 AzureML은 빠른 프로토타입부터 대규모 배포까지의 프로젝트에 이상적인 플랫폼입니다. 더 많은 팁은 AzureML 작업(AzureML Jobs)을 확인하십시오.

AzureML에서 YOLO26을 실행할 때 발생하는 일반적인 문제를 어떻게 해결합니까?#

AzureML에서 YOLO26 관련 문제를 해결하려면 종속성이 설치되었는지 확인하고, Conda 환경이 활성화되었는지 확인하며, 컴퓨팅 인스턴스에 충분한 리소스가 있는지 확인하십시오:

• 종속성 문제: pip install ultralytics onnx를 통해 필요한 모든 패키지가 설치되었는지 확인하십시오.
• 환경 설정: 명령을 실행하기 전에 conda 환경이 올바르게 활성화되었는지 확인하십시오.
• 리소스 할당: 컴퓨팅 인스턴스에 학습 워크로드를 처리하기에 충분한 리소스가 있는지 확인하십시오.

추가 지침은 YOLO 일반 문제(YOLO Common Issues) 문서를 검토하십시오.

AzureML에서 Ultralytics CLI와 Python 인터페이스를 모두 사용할 수 있습니까?#

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

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

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

• Python 인터페이스: 사용자 지정 코딩이 필요하거나 노트북 내에서 통합해야 하는 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 장점은 무엇입니까?#

Ultralytics YOLO26은 경쟁 객체 탐지 모델보다 다음과 같은 여러 독보적인 장점을 제공합니다:

• 속도: Faster R-CNN 및 SSD와 같은 모델에 비해 더 빠른 추론 및 학습 속도를 제공합니다.
• 정확도(Accuracy): 앵커 프리(anchor-free) 설계와 향상된 증강 전략 기능을 통해 탐지 작업에서 높은 정확도를 제공합니다.
• 사용 편의성: 직관적인 API 및 CLI를 통한 빠른 설정을 지원하여 초보자와 전문가 모두가 쉽게 접근할 수 있습니다.

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