YOLO26 🚀 no AzureML

O que é o Azure?

Azure é a plataforma de computação em nuvem da Microsoft, projetada para ajudar organizações a migrar suas cargas de trabalho locais para a nuvem. Com uma gama completa de serviços em nuvem, incluindo computação, bancos de dados, análise, aprendizado de máquina e rede, os usuários podem escolher entre esses serviços para desenvolver e escalar novas aplicações ou executar aplicações existentes na nuvem pública.

O que é o Azure Machine Learning (AzureML)?

O Azure Machine Learning, comumente referido como AzureML, é um serviço em nuvem totalmente gerenciado que permite a cientistas de dados e desenvolvedores incorporar análises preditivas em suas aplicações de forma eficiente, ajudando organizações a utilizar grandes conjuntos de dados e trazer todos os benefícios da nuvem para o aprendizado de máquina. O AzureML oferece uma variedade de serviços e capacidades visando tornar o aprendizado de máquina acessível, fácil de usar e escalável. Ele fornece recursos como aprendizado de máquina automatizado, treinamento de modelos do tipo arrastar e soltar, além de um robusto Python SDK para que os desenvolvedores possam tirar o máximo proveito de seus modelos de aprendizado de máquina.

Como o AzureML beneficia os usuários do YOLO?

Para usuários do YOLO (You Only Look Once), o AzureML fornece uma plataforma robusta, escalável e eficiente para treinar e implantar modelos de aprendizado de máquina. Se você deseja executar protótipos rápidos ou escalar para lidar com dados mais extensos, o ambiente flexível e amigável do AzureML oferece várias ferramentas e serviços para atender às suas necessidades. Você pode usar o AzureML para:

• Gerenciar facilmente grandes conjuntos de dados e recursos computacionais para treinamento.
• Utilizar ferramentas integradas para pré-processamento de dados, seleção de características e treinamento de modelos.
• Colaborar de forma mais eficiente com capacidades para MLOps (Operações de Aprendizado de Máquina), incluindo, mas não se limitando a, monitoramento, auditoria e controle de versão de modelos e dados.

Nas seções a seguir, você encontrará um guia de início rápido detalhando como executar modelos de detecção de objetos YOLO26 usando o AzureML, seja a partir de um terminal de computação ou de um notebook.

Pré-requisitos

Antes de começar, certifique-se de ter acesso a um workspace do AzureML. Se você não tiver um, pode criar um novo AzureML workspace seguindo a documentação oficial do Azure. Este workspace atua como um local centralizado para gerenciar todos os recursos do AzureML.

Criar uma instância de computação

No seu workspace do AzureML, selecione Compute > Compute instances > New, e selecione a instância com os recursos de que você precisa.

Início rápido a partir do Terminal

Inicie sua computação e abra um Terminal:

Criar virtualenv

Crie um ambiente virtual conda com sua versão preferida do Python e instale o pip nele. O Python 3.13.1 atualmente apresenta problemas de dependência no AzureML, então use o Python 3.12 em vez disso.

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

Instale as dependências necessárias:

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

Realizar tarefas do YOLO26

Prever:

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

Treinar um modelo de detecção por 10 epochs com uma learning_rate inicial de 0.01:

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

Você pode encontrar mais instruções para usar a CLI do Ultralytics aqui.

Início rápido a partir de um Notebook

Criar um novo kernel IPython

Abra o Terminal de computação.

A partir do seu terminal de computação, crie um novo ipykernel usando Python 3.12 que será usado pelo seu notebook para gerenciar 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"

Feche seu terminal e crie um novo notebook. No seu notebook, selecione o kernel recém-criado.

Em seguida, abra uma célula do notebook e instale as dependências necessárias:

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

Observe que você precisa executar source activate yolo26env em cada célula %%bash para garantir que a célula use o ambiente pretendido.

Execute algumas previsões usando a CLI do Ultralytics:

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

Ou com a interface Python do Ultralytics, por exemplo, para treinar o modelo:

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

Você pode usar a CLI ou a interface Python do Ultralytics para executar tarefas do YOLO26, conforme descrito na seção do terminal acima.

Seguindo estes passos, você deverá conseguir executar o YOLO26 rapidamente no AzureML para testes rápidos. Para usos mais avançados, você pode consultar a documentação completa do AzureML vinculada no início deste guia.

Explore mais com o AzureML

Este guia serve como uma introdução para te colocar em funcionamento com o YOLO26 no AzureML. No entanto, ele apenas arranha a superfície do que o AzureML pode oferecer. Para se aprofundar e desbloquear todo o potencial do AzureML para seus projetos de aprendizado de máquina, considere explorar os seguintes recursos:

• Criar um Ativo de Dados: Aprenda a configurar e gerenciar seus ativos de dados de forma eficaz dentro do ambiente AzureML.
• Iniciar um Trabalho do AzureML: Obtenha uma compreensão abrangente de como iniciar seus trabalhos de treinamento de aprendizado de máquina no AzureML.
• Registrar um Modelo: Familiarize-se com as práticas de gerenciamento de modelos, incluindo registro, versionamento e implantação.
• Treinar YOLO26 com o SDK Python do AzureML: Explore um guia passo a passo sobre como usar o SDK Python do AzureML para treinar seus modelos YOLO26.
• Treinar YOLO26 com a CLI do AzureML: Descubra como utilizar a interface de linha de comando para treinamento e gerenciamento simplificados de modelos YOLO26 no AzureML.

FAQ

Como executo o YOLO26 no AzureML para treinamento de modelos?

Executar o YOLO26 no AzureML para treinamento de modelos envolve vários passos:

1. Criar uma Instância de Computação: No seu workspace do AzureML, navegue até Compute > Compute instances > New, e selecione a instância necessária.

2. Configurar o Ambiente: Inicie sua instância de computação, abra um terminal e crie um ambiente Conda. Defina sua versão do Python (o Python 3.13.1 ainda não é suportado):

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

3. Executar Tarefas do YOLO26: Use a CLI do Ultralytics para treinar seu modelo:

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

Para mais detalhes, você pode consultar as instruções para usar a CLI do Ultralytics.

Quais são os benefícios de usar o AzureML para treinamento do YOLO26?

O AzureML fornece um ecossistema robusto e eficiente para treinar modelos YOLO26:

• Escalabilidade: Escale facilmente seus recursos de computação à medida que seus dados e a complexidade do modelo crescem.
• Integração com MLOps: Utilize recursos como versionamento, monitoramento e auditoria para simplificar as operações de ML.
• Colaboração: Compartilhe e gerencie recursos dentro de equipes, aprimorando fluxos de trabalho colaborativos.

Essas vantagens tornam o AzureML uma plataforma ideal para projetos que variam de protótipos rápidos a implantações em larga escala. Para mais dicas, confira AzureML Jobs.

Como soluciono problemas comuns ao executar o YOLO26 no AzureML?

Solucionar problemas comuns com o YOLO26 no AzureML pode envolver os seguintes passos:

• Problemas de Dependência: Certifique-se de que todos os pacotes necessários estejam instalados. Consulte o arquivo requirements.txt para dependências.
• Configuração do Ambiente: Verifique se o seu ambiente conda está corretamente ativado antes de executar comandos.
• Alocação de Recursos: Certifique-se de que suas instâncias de computação tenham recursos suficientes para lidar com a carga de trabalho de treinamento.

Para orientações adicionais, revise nossa documentação de Problemas Comuns do YOLO.

Posso usar a CLI e a interface Python do Ultralytics no AzureML?

Sim, o AzureML permite que você use a CLI e a interface Python do Ultralytics perfeitamente:

• CLI: Ideal para tarefas rápidas e para executar scripts padrão diretamente do terminal.

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

• Interface Python: Útil para tarefas mais complexas que exigem codificação personalizada e integração dentro de notebooks.

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

Para instruções passo a passo, consulte o guia de início rápido da CLI e o guia de início rápido do Python.

Qual é a vantagem de usar o Ultralytics YOLO26 em relação a outros modelos de detecção de objetos?

O Ultralytics YOLO26 oferece várias vantagens únicas sobre modelos de detecção de objetos concorrentes:

• Velocidade: Tempos de inferência e treinamento mais rápidos em comparação com modelos como Faster R-CNN e SSD.
• Precisão: Alta precisão em tarefas de detecção com recursos como design sem âncoras e estratégias de aumento aprimoradas.
• Facilidade de Uso: API e CLI intuitivas para configuração rápida, tornando-o acessível tanto para iniciantes quanto para especialistas.

Para explorar mais sobre os recursos do YOLO26, visite a página Ultralytics YOLO para obter insights detalhados.