YOLO11 🚀 no AzureML
O que é o Azure?
Azure is Microsoft's cloud computing platform, designed to help organizations move their workloads to the cloud from on-premises data centers. With the full spectrum of cloud services including those for computing, databases, analytics, machine learning, and networking, users can pick and choose from these services to develop and scale new applications, or run existing applications, in the public cloud.
O que é a Aprendizagem Automática do Azure (AzureML)?
O Azure Machine Learning, normalmente designado por AzureML, é um serviço de cloud totalmente gerido que permite aos cientistas de dados e aos programadores incorporar eficientemente a análise preditiva nas suas aplicações, ajudando as organizações a utilizar conjuntos de dados maciços e a trazer todos os benefícios da cloud para o machine learning. O AzureML oferece uma variedade de serviços e capacidades destinadas a tornar a aprendizagem automática acessível, fácil de utilizar e escalável. Fornece capacidades como a aprendizagem automática, a formação de modelos de arrastar e largar, bem como um SDK Python robusto para que os programadores possam tirar o máximo partido dos seus modelos de aprendizagem automática.
Como é que o AzureML beneficia os utilizadores do YOLO ?
Para os utilizadores do YOLO (You Only Look Once), o AzureML fornece uma plataforma robusta, escalável e eficiente para treinar e implementar modelos de aprendizagem automática. Quer pretenda executar protótipos rápidos ou aumentar a escala para lidar com dados mais extensos, o ambiente flexível e fácil de utilizar do AzureML oferece várias ferramentas e serviços para satisfazer as suas necessidades. Pode tirar partido do AzureML para:
- Gere facilmente grandes conjuntos de dados e recursos computacionais para formação.
- Utiliza ferramentas incorporadas para pré-processamento de dados, seleção de características e formação de modelos.
- Colabora de forma mais eficiente com capacidades para MLOps (Operações de Aprendizagem Automática), incluindo, mas não se limitando a, monitorização, auditoria e controlo de versões de modelos e dados.
Nas secções seguintes, encontrarás um guia de início rápido que detalha como executar modelos de deteção de objectos YOLO11 utilizando o AzureML, a partir de um terminal de computação ou de um bloco de notas.
Pré-requisitos
Antes de começar, certifica-te de que tens acesso a um espaço de trabalho AzureML. Se não tiveres um, podes criar um novo espaço de trabalho AzureML seguindo a documentação oficial do Azure. Este espaço de trabalho funciona como um local centralizado para gerir todos os recursos do AzureML.
Cria uma instância de computação
No teu espaço de trabalho AzureML, selecciona Computação > Instâncias de computação > Novo, selecciona a instância com os recursos de que precisas.
Início rápido a partir do terminal
Liga o teu computador e abre um Terminal:
Cria o virtualenv
Cria o teu virtualenv conda e instala o pip nele:
Instala as dependências necessárias:
Executa as tarefas YOLO11
Prevê:
Train a detection model for 10 epochs with an initial learning_rate of 0.01:
Podes encontrar mais instruções para utilizar o Ultralytics CLI aqui.
Início rápido a partir de um bloco de notas
Cria um novo kernel IPython
Abre o Terminal de computação.
A partir do teu terminal de computação, tens de criar um novo ipykernel que será utilizado pelo teu notebook para gerir as tuas dependências:
conda create --name yolo11env -y
conda activate yolo11env
conda install pip -y
conda install ipykernel -y
python -m ipykernel install --user --name yolo11env --display-name "yolo11env"
Fecha o terminal e cria um novo bloco de notas. A partir do teu bloco de notas, podes selecionar o novo kernel.
Em seguida, podes abrir uma célula do Notebook e instalar as dependências necessárias:
%%bash
source activate yolo11env
cd ultralytics
pip install -r requirements.txt
pip install ultralytics
pip install onnx>=1.12.0
Nota que temos de utilizar o source activate yolo11env para todas as células %%bash, para te certificares de que a célula %%bash usa o ambiente que queremos.
Executa algumas previsões utilizando o Ultralytics CLI:
%%bash
source activate yolo11env
yolo predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'
Ou com a interfaceUltralytics Python , por exemplo, para treinar o modelo:
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n.pt") # load an official YOLO11n 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 usar a interface Ultralytics CLI ou Python para executar tarefas YOLO11, como descrito na secção do terminal acima.
Seguindo estes passos, deves conseguir pôr o YOLO11 a funcionar rapidamente no AzureML para testes rápidos. Para utilizações mais avançadas, podes consultar a documentação completa do AzureML, com ligação no início deste guia.
Explora mais com o AzureML
Este guia serve como uma introdução para que possas começar a trabalhar com o YOLO11 no AzureML. No entanto, apenas arranha a superfície do que o AzureML pode oferecer. Para aprofundar e desbloquear todo o potencial do AzureML para os teus projectos de aprendizagem automática, considera explorar os seguintes recursos:
- Criar um ativo de dados: Aprende a configurar e a gerir eficazmente os teus activos de dados no ambiente AzureML.
- Inicia um trabalho do AzureML: Obtém uma compreensão abrangente de como iniciar os teus trabalhos de formação de aprendizagem automática no AzureML.
- Registar um modelo: Familiariza-te com as práticas de gestão de modelos, incluindo o registo, o controlo de versões e a implementação.
- Train YOLO11 with AzureML Python SDK: Explore a step-by-step guide on using the AzureML Python SDK to train your YOLO11 models.
- Train YOLO11 with AzureML CLI: Discover how to utilize the command-line interface for streamlined training and management of YOLO11 models on AzureML.
FAQ
Como é que executo o YOLO11 no AzureML para treino de modelos?
A execução do YOLO11 no AzureML para treino de modelos envolve vários passos:
Cria uma instância de computação: A partir do seu espaço de trabalho AzureML, navega para Computação > Instâncias de computação > Novo e selecciona a instância pretendida.
Configura o ambiente: Inicia a tua instância de computação, abre um terminal e cria um ambiente conda:
Run YOLO11 Tasks: Use the Ultralytics CLI to train your model:
Para mais informações, podes consultar as instruções de utilização do Ultralytics CLI .
Quais são as vantagens de utilizar o AzureML para a formação YOLO11?
O AzureML fornece um ecossistema robusto e eficiente para treinar modelos YOLO11:
- Escalabilidade: Escala facilmente os teus recursos de computação à medida que os teus dados e a complexidade do modelo aumentam.
- Integração de MLOps: Utiliza funcionalidades como o controlo de versões, a monitorização e a auditoria para simplificar as operações de ML.
- Colaboração: Partilha e gere recursos dentro das equipas, melhorando os fluxos de trabalho colaborativos.
Estas vantagens fazem do AzureML uma plataforma ideal para projectos que vão desde protótipos rápidos a implementações em grande escala. Para mais dicas, consulta o AzureML Jobs.
Como posso resolver problemas comuns ao executar o YOLO11 no AzureML?
A solução de problemas comuns com o YOLO11 no AzureML pode envolver as seguintes etapas:
- Questões de dependência: Certifica-te de que todos os pacotes necessários estão instalados. Consulta a página
requirements.txtpara dependências. - Configuração do ambiente: Verifica se o teu ambiente conda está corretamente ativado antes de executares os comandos.
- Atribuição de recursos: Certifica-te de que as tuas instâncias de computação têm recursos suficientes para lidar com a carga de trabalho de formação.
Para obteres orientações adicionais, consulta a nossa documentação YOLO Common Issues.
Posso utilizar as interfaces Ultralytics CLI e Python no AzureML?
Sim, o AzureML permite-te utilizar tanto a interface Ultralytics CLI como a Python sem problemas:
CLI: Ideal para tarefas rápidas e para executar scripts padrão diretamente a partir do terminal.
Python Interface: Útil para tarefas mais complexas que requerem codificação personalizada e integração nos blocos de notas.
Consulta os guias de início rápido para obteres instruções mais detalhadas aqui e aqui.
What is the advantage of using Ultralytics YOLO11 over other object detection models?
Ultralytics O YOLO11 oferece várias vantagens únicas sobre os modelos de deteção de objectos concorrentes:
- Velocidade: Tempos de inferência e treino mais rápidos em comparação com modelos como o Faster R-CNN e o SSD.
- Accuracy: High accuracy in detection tasks with features like anchor-free design and enhanced augmentation strategies.
- Facilidade de utilização: API intuitiva e CLI para uma configuração rápida, tornando-o acessível tanto a principiantes como a especialistas.
To explore more about YOLO11's features, visit the Ultralytics YOLO page for detailed insights.
