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)?#

O Azure Machine Learning (AzureML) é um serviço na nuvem totalmente gerido para criar, treinar e implementar modelos de aprendizagem automática em grande escala. Disponibiliza aprendizagem automática automatizada, treino de modelos com arrastar e largar e um SDK de Python para controlo programático completo 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:

• Gerir facilmente grandes conjuntos de dados e recursos computacionais para o treino.
• Usar ferramentas integradas para o pré-processamento de dados, a seleção de características e o treino de modelos.
• Colaborar de forma mais eficiente com capacidades de MLOps (operações de aprendizagem automática), incluindo, entre outras, a monitorização, a auditoria e o 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#

Na tua área de trabalho do AzureML, seleciona Compute > Compute instances > New e escolhe a 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 -y

Instala as dependências necessárias:

pip install ultralytics onnx

Executar tarefas YOLO26#

Fazer previsões:

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=10

Podes encontrar mais instruções sobre como usar a CLI da Ultralytics aqui.

Início 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 onnx

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 ONNX

Podes 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#