YOLO26 no AzureML
O que é o Azure?#
O Azure é a plataforma de computação em nuvem da Microsoft, concebida para ajudar as organizações a transferir as suas cargas de trabalho de centros de dados locais para a nuvem. Com todo o espetro de serviços na nuvem, incluindo serviços de computação, bases de dados, análise, aprendizagem automática e redes, os utilizadores podem escolher os serviços de que precisam para desenvolver e escalar novas aplicações ou executar aplicações existentes na nuvem pública.
O que é o Azure Machine Learning (AzureML)?#
Azure Machine Learning (AzureML) é um serviço de nuvem totalmente gerido para criar, treinar e implementar modelos de machine learning em grande escala. Oferece machine learning automatizado, treino de modelos por arrastar e largar e um SDK Python para controlo programático total dos teus modelos.
Como beneficia o AzureML os utilizadores de YOLO?#
O AzureML permite-te treinar e implementar modelos Ultralytics YOLO26 na nuvem, desde protótipos rápidos até execuções em grande escala. Com esta plataforma, podes:
- Gere grandes conjuntos de dados e recursos computacionais para o treino.
- Usa ferramentas integradas para pré-processamento de dados, seleção de características e treino de modelos.
- Colabora com maior eficiência graças aos recursos de MLOps (operações de machine learning), incluindo monitorização, auditoria e controlo de versões de modelos e dados.
Nas secções seguintes, encontrarás um guia de início rápido que explica como executar modelos de deteção de objetos YOLO26 usando o AzureML, a partir de um terminal de computação ou de um notebook.
Pré-requisitos#
Antes de começar, confirma que tens acesso a uma área de trabalho do AzureML. Se ainda não tiveres uma, podes criar uma nova área de trabalho do AzureML seguindo a documentação oficial do Azure. Esta área de trabalho funciona como um local centralizado para gerir todos os recursos do AzureML.
Criar uma instância de computação#
No teu espaço de trabalho AzureML, seleciona Compute > Compute instances > New e, em seguida, escolhe uma instância com os recursos de que precisas.
Início rápido a partir do terminal#
Inicia a computação e abre um terminal:
Criar um ambiente virtual#
Cria um ambiente virtual conda e instala o pip nele:
conda create --name yolo26env -y python=3.12
conda activate yolo26env
conda install pip -yAtualmente, o Python 3.13 tem problemas de dependências no AzureML, por isso usa o Python 3.12.
Instala as dependências necessárias:
pip install ultralytics onnxExecutar tarefas YOLO26#
yolo predict model=yolo26n.pt source='https://ultralytics.com/images/bus.jpg'Treina um modelo de deteção durante 10 épocas:
yolo train data=coco8.yaml model=yolo26n.pt epochs=10Início rápido a partir de um notebook#
Criar um novo kernel IPython#
Abre o terminal de computação.
No terminal de computação, cria um novo ipykernel usando Python 3.12, que será usado pelo notebook para gerir as dependências:
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"Fecha o terminal e cria um novo notebook. No notebook, seleciona o kernel que acabaste de criar.
Em seguida, abre uma célula do notebook e instala as dependências necessárias:
%%bash
source activate yolo26env
pip install ultralytics onnxExecuta source activate yolo26env no início de cada célula %%bash para que a célula use o ambiente pretendido.
Executa algumas previsões usando a CLI da Ultralytics:
%%bash
source activate yolo26env
yolo predict model=yolo26n.pt source='https://ultralytics.com/images/bus.jpg'Ou usa a interface Python da Ultralytics, por exemplo, para treinar o modelo:
from ultralytics import YOLO
# Carregar um modelo
model = YOLO("yolo26n.pt") # carregar um modelo YOLO26n oficial
# Usar o modelo
model.train(data="coco8.yaml", epochs=3) # treinar o modelo
metrics = model.val() # avaliar o desempenho do modelo no conjunto de validação
results = model("https://ultralytics.com/images/bus.jpg") # faz uma previsão numa imagem
path = model.export(format="onnx") # exportar o modelo para o formato ONNXPodes usar a CLI da Ultralytics ou a interface Python para executar tarefas YOLO26. O exemplo Python acima também exporta o modelo treinado para ONNX para implementação.
Seguindo estes passos, podes começar rapidamente a usar YOLO26 no AzureML. Para fluxos de trabalho mais avançados, consulta a documentação do AzureML.
Explora mais com o AzureML#
Este guia aborda os princípios básicos para executar YOLO26 no AzureML. Para aprofundar o tema, explora estes recursos:
- Criar um ativo de dados: Configura e gere os teus ativos de dados no ambiente AzureML.
- Iniciar uma tarefa do AzureML: Dá início às tuas tarefas de treino de aprendizagem automática no AzureML.
- Registar um modelo: Gere o registo, o controlo de versões e a implementação de modelos.
- Início rápido do Modal: Executa YOLO26 na nuvem de GPUs sem servidor do Modal como alternativa ao AzureML.
Perguntas frequentes#
Para executar YOLO26 no AzureML para treino, cria uma instância de computação, configura um ambiente Conda, instala a Ultralytics e executa o comando de treino:
-
Criar uma instância de computação: Na tua área de trabalho do AzureML, navega até Compute > Compute instances > New e seleciona a instância necessária.
-
Configurar o ambiente: inicia a tua instância de computação, abre um terminal e cria um ambiente Conda com Python 3.12 (o Python 3.13 atualmente tem problemas de dependências no AzureML):
conda create --name yolo26env -y python=3.12 conda activate yolo26env conda install pip -y pip install ultralytics onnx -
Executar tarefas YOLO26: usa a CLI da Ultralytics para treinar o teu modelo:
yolo train data=coco8.yaml model=yolo26n.pt epochs=10
-
AzureML oferece um ambiente gerido para treinar modelos YOLO26:
- Escalabilidade: aumenta os teus recursos computacionais à medida que os dados e a complexidade do modelo crescem.
- Integração com MLOps: usa funcionalidades como controlo de versões, monitorização e auditoria para simplificar as operações de ML.
- Colaboração: partilha e gere recursos entre equipas, melhorando os fluxos de trabalho colaborativos.
Esses recursos tornam o AzureML uma boa opção para projetos que vão de protótipos rápidos a implantações em grande escala.
Para resolver problemas com YOLO26 no AzureML, verifica se as dependências estão instaladas, confirma se o ambiente Conda está ativado e certifica-te de que a instância de computação tem recursos suficientes:
- Problemas de dependências: certifica-te de que todos os pacotes necessários estão instalados com
pip install ultralytics onnx. - Configuração do ambiente: verifica se o teu ambiente conda está ativado corretamente antes de executar comandos.
- Alocação de recursos: certifica-te de que as tuas instâncias de computação têm recursos suficientes para lidar com a carga de trabalho de treino.
Para obteres mais orientações, consulta a documentação Problemas comuns com YOLO.
- Problemas de dependências: certifica-te de que todos os pacotes necessários estão instalados com
Sim, AzureML permite usar tanto a CLI da Ultralytics como a interface Python:
-
CLI: ideal para tarefas rápidas e para executar scripts padrão diretamente no terminal.
yolo predict model=yolo26n.pt source='https://ultralytics.com/images/bus.jpg' -
Interface Python: útil para tarefas mais complexas que exigem código personalizado e integração em notebooks.
from ultralytics import YOLO model = YOLO("yolo26n.pt") model.train(data="coco8.yaml", epochs=3)
Para obteres instruções passo a passo, consulta o guia de início rápido da CLI e o guia de início rápido do Python.
-
Ultralytics YOLO26 oferece várias vantagens em relação a modelos concorrentes de deteção de objetos:
- Velocidade: tempos de inferência e treino mais rápidos do que os de modelos como Faster R-CNN e SSD.
- Precisão: alta precisão em tarefas de deteção, com funcionalidades como o design sem âncoras e estratégias de aumento de dados melhoradas.
- Facilidade de utilização: API e CLI intuitivas para uma configuração rápida, acessíveis tanto a principiantes como a especialistas.
Comentários
Faz uma pergunta, partilha os teus resultados ou ajuda alguém.