YOLO26 🚀 no AzureML#

O que é o Azure?#

O Azure é a plataforma de computação na nuvem da Microsoft, concebida para ajudar as organizações a transferirem as suas cargas de trabalho dos centros de dados locais para a nuvem. Com todo o espectro de serviços de nuvem, incluindo serviços de computação, bases de dados, análise, machine learning e redes, os utilizadores podem escolher entre estes serviços para desenvolver e dimensionar 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 gerido para criar, treinar e implementar modelos de machine learning em escala. Fornece machine learning automatizado, treino de modelos através de arrastar e largar e um SDK de Python para controlo totalmente programático dos teus modelos.

Como é que o AzureML beneficia 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 ele, podes:

• Gerir facilmente grandes conjuntos de dados e recursos computacionais para o treino.
• Utilizar ferramentas integradas para pré-processamento de dados, seleção de funcionalidades e treino de modelos.
• Colaborar de forma mais eficiente com funcionalidades de MLOps (operações de machine learning), incluindo, entre outras, 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 detecção de objetos YOLO26 com o AzureML, a partir de um terminal de computação ou de um notebook.

Pré-requisitos#

Antes de começares, certifica-te de que tens acesso a um espaço de trabalho do AzureML. Se não tiveres um, podes criar um novo espaço de trabalho do AzureML seguindo a documentação oficial do Azure. Este espaço de trabalho funciona como um local centralizado para gerir todos os recursos do AzureML.

Criar uma instância de computação#

No teu espaço de trabalho do AzureML, seleciona Compute > Compute instances > New e seleciona a instância com os recursos de que precisas.

Início rápido a partir do terminal#

Inicia a tua 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 do YOLO26#

Prever:

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

Treina um modelo de detecção durante 10 épocas, com uma learning_rate inicial de 0,01:

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

Podes encontrar mais instruções para utilizar a CLI da Ultralytics aqui.

Início rápido a partir de um notebook#

Criar um novo kernel do IPython#

Abre o Terminal de computação.

A partir do terminal de computação, cria um novo ipykernel utilizando o Python 3.12, que será usado pelo teu 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 recém-criado.

Em seguida, abre uma célula do notebook e instala as dependências necessárias:

%%bash
source activate yolo26env
pip install ultralytics onnx

Executa algumas previsões utilizando a CLI da Ultralytics:

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

Ou utiliza 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

Podes utilizar a CLI da Ultralytics ou a interface Python para executar tarefas do YOLO26. O exemplo Python acima também exporta o modelo treinado para ONNX para implementação.

Ao seguir estes passos, podes colocar o YOLO26 a funcionar rapidamente no AzureML. Para fluxos de trabalho mais avançados, consulta a documentação do AzureML.

Explora mais com o AzureML#

Este guia aborda os conceitos básicos da execução do YOLO26 no AzureML. Para avançar, explora estes recursos:

• Criar um recurso de dados: Configura e gere os teus recursos de dados no ambiente do AzureML.
• Iniciar um trabalho do AzureML: Inicia os teus trabalhos de treino de machine learning no AzureML.
• Registar um modelo: Gere o registo, o controlo de versões e a implementação de modelos.
• Início rápido do Modal: Executa o YOLO26 na nuvem de GPU sem servidor do Modal como alternativa ao AzureML.

Perguntas frequentes#