Skip to main content
Editar no GitHub (EN)

YOLO26 🚀 no AzureML

O que é o Azure?

Azure é a plataforma da Microsoft, projetada para ajudar organizações a migrar suas cargas de trabalho locais para a nuvem. Com uma gama completa de serviços de nuvem, incluindo aqueles voltados para computação, bancos de dados, análise, cloud computing, e rede, os usuários podem escolher os serviços ideais para desenvolver e escalar novas aplicações, ou executar aplicações existentes, na nuvem pública.machine learningO que é o Azure Machine Learning (AzureML)?

O Azure Machine Learning, geralmente chamado de AzureML, é um serviço de nuvem totalmente gerenciado que permite a cientistas de dados e desenvolvedores incorporar, de forma eficiente, análises preditivas em suas aplicações, 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 recursos destinados a 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, bem como um robusto SDK para Python, para que desenvolvedores possam aproveitar ao máximo 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 recursos e treinamento de modelos.
  • Colaborar de forma mais eficiente com recursos para MLOps (Machine Learning Operations), incluindo, mas não limitado 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 que você tem acesso a um workspace do AzureML. Se você ainda não tem um, pode criar um novo

workspace do AzureML 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 pelo Terminal

Create Azure Compute Instance

Inicie sua computação e abra um Terminal:

Criar virtualenv

Open Terminal

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

Instale as dependências necessárias:

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

Executar tarefas do YOLO26

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

Prever:

com uma learning_rate inicial de 0.01:

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

Treina um modelo de deteção durante 10 epochsVocê pode encontrar mais 

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

instruções para usar a CLI da Ultralytics aquiInício 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 o Python 3.12 que será usado pelo seu notebook para gerenciar dependências:

Open Terminal

Feche seu terminal e crie um novo notebook. A partir do seu notebook, selecione o kernel criado recentemente.

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"

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

Observe que você precisa executar 

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

em cada source activate yolo26env célula para garantir que a célula use o ambiente pretendido.%%bashExecute algumas predições usando a

CLI da UltralyticsOu com a :

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

interface Python da Ultralytics, por exemplo, para treinar o modelo:Você pode usar a CLI ou a interface Python da Ultralytics para executar tarefas do YOLO26, conforme descrito na seção do terminal acima.

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

Ao seguir estas etapas, você conseguirá colocar o YOLO26 em execução rapidamente no AzureML para testes rápidos. Para usos mais avançados, consulte a documentação completa do AzureML vinculada no início deste guia.

Explore mais com o AzureML

Este guia serve como uma introdução para ajudar você a começar 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 Data Asset

FAQ

Executar o YOLO26 no AzureML para treinamento de modelos envolve várias etapas:

Criar uma instância de computação

  1. : A partir do seu workspace do AzureML, navegue até Compute > Compute instances > New e selecione a instância necessária.Configurar o ambiente

  2. : 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):Executar tarefas do YOLO26

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

  3. : Use a CLI da Ultralytics para treinar seu modelo:Para mais detalhes, você pode consultar as 

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

instruções para usar a CLI da UltralyticsQuais são os benefícios de usar o AzureML para o treinamento do YOLO26?.

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

: Escale facilmente seus recursos de computação à medida que a complexidade de seus dados e modelos aumenta.

  • EscalabilidadeIntegração MLOps
  • : Utilize recursos como versionamento, monitoramento e auditoria para otimizar as operações de ML.Colaboração
  • : Compartilhe e gerencie recursos dentro das 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 JobsComo soluciono problemas comuns ao executar o YOLO26 no AzureML?.

A solução de problemas comuns com o YOLO26 no AzureML pode envolver as seguintes etapas:

Problemas de dependência

  • : Certifique-se de que todos os pacotes necessários estejam instalados. Consulte o arquivo para dependências.requirements.txtConfiguração do ambiente
  • : Verifique se o seu ambiente conda está ativado corretamente antes de executar os 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 nosso

Posso usar tanto a CLI quanto a interface Python da Ultralytics no AzureML?Problemas Comuns no YOLO.

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

: Ideal para tarefas rápidas e execução de scripts padrão diretamente do terminal.

  • CLIInterface Python

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

  • : Útil para tarefas mais complexas que exigem codificação personalizada e integração dentro de notebooks.Para instruções passo a passo, consulte o 

    from ultralytics import YOLO

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

guia de início rápido da CLIguia de início rápido do Python e o Qual é a vantagem de usar o YOLO26 da Ultralytics em relação a outros modelos .

?object detectionO YOLO26 da Ultralytics oferece várias vantagens exclusivas em relação aos modelos concorrentes de detecção de objetos:

: Tempos de inferência e treinamento mais rápidos em comparação com modelos como Faster R-CNN e SSD.

  • Velocidade: Alta precisão em tarefas de detecção com recursos como design sem âncoras (anchor-free) e estratégias aprimoradas de aumento de dados.
  • PrecisãoConteúdo de teste finalizado.
  • Facilidade de Uso: API e CLI intuitivas para uma configuração rápida, tornando-a acessível tanto para iniciantes quanto para especialistas.

Para explorar mais sobre as funcionalidades do YOLO26, visita a página Ultralytics YOLO para informações detalhadas.

Comentários