Começar

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)?#

Azure Machine Learning (AzureML) é um serviço de nuvem totalmente gerido para criar, treinar e implementar modelos de machine learning em grande escala. Oferece machine learning automatizado, treino de modelos por arrastar e largar e um SDK Python para controlo programático total 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:

  • Gere grandes conjuntos de dados e recursos computacionais para o treino.
  • Usa ferramentas integradas para pré-processamento de dados, seleção de características e treino de modelos.
  • Colabora com maior eficiência graças aos recursos de MLOps (operações de machine learning), incluindo 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 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#

No teu espaço de trabalho AzureML, seleciona Compute > Compute instances > New e, em seguida, escolhe uma instância com os recursos de que precisas.

Create Azure Compute Instance

Início rápido a partir do terminal#

Inicia a computação e abre um terminal:

Opening a terminal on an AzureML compute instance

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
Versão do Python

Atualmente, o Python 3.13 tem problemas de dependências no AzureML, por isso usa o Python 3.12.

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

Início rápido a partir de um notebook#

Criar um novo kernel IPython#

Abre o terminal de computação.

Opening a terminal on an AzureML compute instance

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
Ativar o ambiente em cada célula

Executa source activate yolo26env no início de cada célula %%bash para que a célula use o ambiente pretendido.

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:

Perguntas frequentes#

  • Para executar YOLO26 no AzureML para treino, cria uma instância de computação, configura um ambiente Conda, instala a Ultralytics e executa o comando de treino:

    1. Criar uma instância de computação: Na tua área de trabalho do AzureML, navega até Compute > Compute instances > New e seleciona a instância necessária.

    2. Configurar o ambiente: inicia a tua instância de computação, abre um terminal e cria um ambiente Conda com Python 3.12 (o Python 3.13 atualmente tem problemas de dependências 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: usa a CLI da Ultralytics para treinar o teu modelo:

      yolo train data=coco8.yaml model=yolo26n.pt epochs=10
  • AzureML oferece um ambiente gerido para treinar modelos YOLO26:

    • Escalabilidade: aumenta os teus recursos computacionais à medida que os dados e a complexidade do modelo crescem.
    • Integração com MLOps: usa funcionalidades como controlo de versões, monitorização e auditoria para simplificar as operações de ML.
    • Colaboração: partilha e gere recursos entre equipas, melhorando os fluxos de trabalho colaborativos.

    Esses recursos tornam o AzureML uma boa opção para projetos que vão de protótipos rápidos a implantações em grande escala.

  • Para resolver problemas com YOLO26 no AzureML, verifica se as dependências estão instaladas, confirma se o ambiente Conda está ativado e certifica-te de que a instância de computação tem recursos suficientes:

    • Problemas de dependências: certifica-te de que todos os pacotes necessários estão instalados com pip install ultralytics onnx.
    • Configuração do ambiente: verifica se o teu ambiente conda está ativado corretamente antes de executar comandos.
    • Alocação de recursos: certifica-te de que as tuas instâncias de computação têm recursos suficientes para lidar com a carga de trabalho de treino.

    Para obteres mais orientações, consulta a documentação Problemas comuns com YOLO.

  • Sim, AzureML permite usar tanto a CLI da Ultralytics como a interface Python:

    • CLI: ideal para tarefas rápidas e para executar scripts padrão diretamente no terminal.

      yolo predict model=yolo26n.pt source='https://ultralytics.com/images/bus.jpg'
    • Interface Python: útil para tarefas mais complexas que exigem código personalizado e integração em notebooks.

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

    Para obteres instruções passo a passo, consulta o guia de início rápido da CLI e o guia de início rápido do Python.

  • Ultralytics YOLO26 oferece várias vantagens em relação a modelos concorrentes de deteção de objetos:

    • Velocidade: tempos de inferência e treino mais rápidos do que os de modelos como Faster R-CNN e SSD.
    • Precisão: alta precisão em tarefas de deteção, com funcionalidades como o design sem âncoras e estratégias de aumento de dados melhoradas.
    • Facilidade de utilização: API e CLI intuitivas para uma configuração rápida, acessíveis tanto a principiantes como a especialistas.

Comentários

Faz uma pergunta, partilha os teus resultados ou ajuda alguém.