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 dos data centers locais para a nuvem. Com o espectro completo de serviços em nuvem, incluindo aqueles para computação, bancos de dados, análise, aprendizado de máquina e rede, os usuários podem selecionar e 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 (AzureML) é um serviço de nuvem totalmente gerenciado para criar, treinar e implantar modelos de aprendizado de máquina em escala. Ele oferece aprendizado de máquina automatizado, treinamento de modelos do tipo arrastar-e-soltar e um SDK Python para controle total e programático sobre seus modelos.

Como o AzureML beneficia os usuários do YOLO?#

O AzureML permite treinar e implantar modelos Ultralytics YOLO26 na nuvem, desde protótipos rápidos até execuções em grande escala. Com ele, você pode:

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

Nas seções subsequentes, 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 workspace do AzureML seguindo a documentação oficial da 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 pelo terminal#

Inicie sua computação e abra um terminal:

Criar um ambiente virtual#

Crie um ambiente virtual conda e instale o pip nele:

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

Instale as dependências necessárias:

pip install ultralytics onnx

Executar tarefas YOLO26#

Predict:

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

Train um modelo de detecção por 10 épocas com uma taxa de aprendizado (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 da Ultralytics aqui.

Início rápido a partir de um notebook#

Criar um Novo Kernel IPython#

Abra o terminal de computação.

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

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

%%bash
source activate yolo26env
pip install ultralytics onnx

Execute algumas previsões usando a CLI da Ultralytics:

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

Ou com a interface Python da 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 da Ultralytics para executar tarefas YOLO26. O exemplo em Python acima também exporta o modelo treinado para ONNX para implantação.

Ao seguir esses passos, você pode colocar o YOLO26 para funcionar rapidamente no AzureML. Para fluxos de trabalho mais avançados, consulte a documentação do AzureML.

Explore mais com o AzureML#

Este guia cobre o básico sobre como executar o YOLO26 no AzureML. Para ir mais longe, explore estes recursos:

• Criar um Ativo de Dados: Configure e gerencie seus ativos de dados dentro do ambiente do AzureML.
• Iniciar um Job do AzureML: Dê início aos seus trabalhos de treinamento de aprendizado de máquina no AzureML.
• Registrar um Modelo: Gerencie o registro, versionamento e implantação de modelos.
• Início rápido do Modal: Execute o YOLO26 na nuvem GPU sem servidor do Modal como uma alternativa ao AzureML.

FAQ#

Como executo o YOLO26 no AzureML para treinamento de modelos?#

Para executar o YOLO26 no AzureML para treinamento, crie uma instância de computação, configure um ambiente Conda, instale o Ultralytics e execute o comando de treinamento:

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 com Python 3.12 (o Python 3.13 atualmente apresenta problemas de dependência no AzureML):

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

3. Executar tarefas YOLO26: Use a CLI da Ultralytics para treinar seu modelo:

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

Para mais detalhes, consulte as instruções para usar a CLI da Ultralytics.

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

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

• Escalabilidade: Escale facilmente seus recursos computacionais conforme seus dados e a complexidade do modelo aumentam.
• Integração MLOps: Utilize recursos como versionamento, monitoramento e auditoria para otimizar as operações de ML.
• Colaboração: Compartilhe e gerencie recursos dentro das equipes, melhorando os fluxos de trabalho colaborativos.

Essas vantagens tornam o AzureML uma plataforma ideal para projetos que vão desde protótipos rápidos até implantações em grande escala. Para mais dicas, confira AzureML Jobs.

Como solucionar problemas comuns ao executar o YOLO26 no AzureML?#

Para solucionar problemas do YOLO26 no AzureML, verifique se suas dependências estão instaladas, confirme se seu ambiente Conda está ativado e garanta que sua instância de computação tenha recursos suficientes:

• Problemas de Dependência: Certifique-se de que todos os pacotes necessários estejam instalados com pip install ultralytics onnx.
• Configuração do Ambiente: Verifique se o seu ambiente conda está ativado corretamente 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, reveja nossa documentação Problemas Comuns do YOLO.

Posso usar tanto a CLI quanto a interface Python da Ultralytics no AzureML?#

Sim, o AzureML permite que você use a CLI e a interface Python da Ultralytics de forma integrada:

• 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 em relação aos modelos concorrentes de detecção de objetos:

• 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 (anchor-free) e estratégias de aumento de dados 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 insights detalhados.