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 de data centers 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 esses serviços para desenvolver e dimensionar novos aplicativos ou executar aplicativos 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 larga 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 funciona 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#

Prever:

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

Treine um modelo de detecção por 10 épocas 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 sobre como usar a CLI do 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 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. O exemplo em Python acima também exporta o modelo treinado para ONNX para implantação.

Seguindo estes passos, você consegue 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 AzureML.
• Iniciar um Job do AzureML: Dê início aos seus jobs de treinamento de aprendizado de máquina no AzureML.
• Registrar um Modelo: Gerencie o registro, controle de versões e implantação de modelos.
• Início Rápido do Modal: Execute o YOLO26 na nuvem de GPU serverless do Modal como uma alternativa ao AzureML.

FAQ#