YOLO11 🚀 on AzureML

Azure란 무엇인가요?

Azure is Microsoft's cloud computing platform, designed to help organizations move their workloads to the cloud from on-premises data centers. With the full spectrum of cloud services including those for computing, databases, analytics, machine learning, and networking, users can pick and choose from these services to develop and scale new applications, or run existing applications, in the public cloud.

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.

In the subsequent sections, you will find a quickstart guide detailing how to run YOLO11 object detection models using AzureML, either from a compute terminal or a notebook.

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:

가상 환경 만들기

콘다 가상 환경을 생성하고 그 안에 pip를 설치합니다:

conda create --name yolo11env -y
conda activate yolo11env
conda install pip -y

필요한 종속성을 설치합니다:

cd ultralytics
pip install -r requirements.txt
pip install ultralytics
pip install onnx>=1.12.0

Perform YOLO11 tasks

예측:

yolo predict model=yolo11n.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=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.

컴퓨팅 터미널에서 노트북에서 종속성을 관리하기 위해 사용할 새 아이피커널을 만들어야 합니다:

conda create --name yolo11env -y
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>=1.12.0

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

You can use either the Ultralytics CLI or Python interface for running YOLO11 tasks, as described in the terminal section above.

By following these steps, you should be able to get YOLO11 running quickly on AzureML for quick trials. For more advanced uses, you may refer to the full AzureML documentation linked at the beginning of this guide.

AzureML로 자세히 알아보기

This guide serves as an introduction to get you up and running with YOLO11 on AzureML. However, it only scratches the surface of what AzureML can offer. To delve deeper and unlock the full potential of AzureML for your machine learning projects, consider exploring the following resources:

• 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.
• Train YOLO11 with AzureML Python SDK: Explore a step-by-step guide on using the AzureML Python SDK to train your YOLO11 models.
• Train YOLO11 with AzureML CLI: Discover how to utilize the command-line interface for streamlined training and management of YOLO11 models on AzureML.

자주 묻는 질문

How do I run YOLO11 on AzureML for model training?

Running YOLO11 on AzureML for model training involves several steps:

1. 컴퓨팅 인스턴스를 만듭니다: AzureML 작업 영역에서 컴퓨팅 > 컴퓨팅 인스턴스 > 새로 만들기로 이동하여 필요한 인스턴스를 선택합니다.

2. 환경 설정: 컴퓨팅 인스턴스를 시작하고 터미널을 연 다음 콘다 환경을 만듭니다:

   conda create --name yolo11env -y
   conda activate yolo11env
   conda install pip -y
   pip install ultralytics onnx>=1.12.0
   

3. Run YOLO11 Tasks: Use the Ultralytics CLI to train your model:

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

자세한 내용은 Ultralytics CLI 에서 사용 지침을 참조하세요.

What are the benefits of using AzureML for YOLO11 training?

AzureML provides a robust and efficient ecosystem for training YOLO11 models:

• 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.

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

Troubleshooting common issues with YOLO11 on AzureML can involve the following steps:

• 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)
  

더 자세한 지침은 여기와 여기 빠른 시작 가이드를 참조하세요.

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

Ultralytics YOLO11 offers several unique advantages over competing object detection models:

• 속도: Faster R-CNN 및 SSD와 같은 모델에 비해 추론 및 학습 시간이 더 빠릅니다.
• Accuracy: High accuracy in detection tasks with features like anchor-free design and enhanced augmentation strategies.
• 사용 편의성: 직관적인 API와 CLI 를 통해 초보자나 전문가 모두 빠르게 설정할 수 있습니다.

To explore more about YOLO11's features, visit the Ultralytics YOLO page for detailed insights.

📅 Created 11 months ago ✏️ Updated 12 days ago

댓글