Link to this sectionYOLO26 🚀 no AzureML#

Link to this sectionO que é o Azure?#

Azure é a plataforma de computação em nuvem da Microsoft, projetada para ajudar organizações a migrar suas cargas de trabalho dos data centers locais para a nuvem. Com o espectro completo de serviços em nuvem, incluindo aqueles para computação, bancos de dados, análise, aprendizado de máquina e rede, os usuários podem selecionar e escolher entre esses serviços para desenvolver e escalar novas aplicações, ou executar aplicações existentes, na nuvem pública.

Link to this sectionO 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.

Link to this sectionComo o AzureML beneficia os usuários do YOLO?#

O AzureML permite treinar e implantar modelos Ultralytics YOLO26 na nuvem, desde protótipos rápidos até execuções em grande 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.

Link to this sectionPré-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 atua como um local centralizado para gerenciar todos os recursos do AzureML.

Link to this sectionCriar 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.

Link to this sectionInício rápido pelo terminal#

Inicie sua computação e abra um terminal:

Link to this sectionCriar 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

Link to this sectionExecutar tarefas YOLO26#

Predict:

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

Train um modelo de detecção por 10 épocas com uma taxa de aprendizado (learning_rate) inicial de 0.01:

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

Você pode encontrar mais instruções para usar a CLI da Ultralytics aqui.

Link to this sectionInício rápido a partir de um notebook#

Link to this sectionCriar 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 da Ultralytics:

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

Ou com 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

Você pode usar a CLI ou a interface Python da Ultralytics para executar tarefas YOLO26. O exemplo em Python acima também exporta o modelo treinado para ONNX para implantação.

Ao seguir esses passos, você pode colocar o YOLO26 para funcionar rapidamente no AzureML. Para fluxos de trabalho mais avançados, consulte a documentação do AzureML.

Link to this sectionExplore 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 do AzureML.
• Iniciar um Job do AzureML: Dê início aos seus trabalhos de treinamento de aprendizado de máquina no AzureML.
• Registrar um Modelo: Gerencie o registro, versionamento e implantação de modelos.
• Início rápido do Modal: Execute o YOLO26 na nuvem GPU sem servidor do Modal como uma alternativa ao AzureML.

Link to this sectionFAQ#

Link to this sectionComo executo o YOLO26 no AzureML para treinamento de modelos?#

Para executar o YOLO26 no AzureML para treinamento, crie uma instância de computação, configure um ambiente Conda, instale o Ultralytics e execute o comando de treinamento:

1. Criar uma Instância de Computação: No seu workspace do AzureML, navegue até Compute > Compute instances > New e selecione a instância necessária.

2. Configurar o Ambiente: Inicie sua instância de computação, abra um terminal e crie um ambiente Conda com Python 3.12 (o Python 3.13 atualmente apresenta problemas de dependência 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: Use a CLI da Ultralytics para treinar seu modelo:

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

Para mais detalhes, consulte as instruções para usar a CLI da Ultralytics.

Link to this sectionQuais são os benefícios de usar o AzureML para o treinamento do YOLO26?#

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

• Escalabilidade: Escale facilmente seus recursos computacionais conforme seus dados e a complexidade do modelo aumentam.
• Integração MLOps: Utilize recursos como versionamento, monitoramento e auditoria para otimizar as operações de ML.
• Colaboração: Compartilhe e gerencie recursos dentro das equipes, melhorando os fluxos de trabalho colaborativos.

Essas vantagens tornam o AzureML uma plataforma ideal para projetos que vão desde protótipos rápidos até implantações em grande escala. Para mais dicas, confira AzureML Jobs.

Link to this sectionComo solucionar problemas comuns ao executar o YOLO26 no AzureML?#

Para solucionar problemas do YOLO26 no AzureML, verifique se suas dependências estão instaladas, confirme se seu ambiente Conda está ativado e garanta que sua instância de computação tenha recursos suficientes:

• Problemas de Dependência: Certifique-se de que todos os pacotes necessários estejam instalados com pip install ultralytics onnx.
• Configuração do Ambiente: Verifique se o seu ambiente conda está ativado corretamente antes de executar 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, reveja nossa documentação Problemas Comuns do YOLO.

Link to this sectionPosso usar tanto a CLI quanto a interface Python da Ultralytics no AzureML?#

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

• CLI: Ideal para tarefas rápidas e para executar scripts padrão diretamente do terminal.

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

• Interface Python: Útil para tarefas mais complexas que exigem codificação personalizada e integração dentro de notebooks.

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

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

Link to this sectionQual é a vantagem de usar o Ultralytics YOLO26 em relação a outros modelos de detecção de objetos?#

O Ultralytics YOLO26 oferece várias vantagens únicas em relação aos modelos concorrentes de detecção de objetos:

• Velocidade: Tempos de inferência e treinamento mais rápidos em comparação com modelos como Faster R-CNN e SSD.
• Precisão: Alta precisão em tarefas de detecção com recursos como design sem âncoras (anchor-free) e estratégias de aumento de dados aprimoradas.
• Facilidade de Uso: API e CLI intuitivas para configuração rápida, tornando-o acessível tanto para iniciantes quanto para especialistas.

Para explorar mais sobre os recursos do YOLO26, visite a página Ultralytics YOLO para insights detalhados.