YOLO11 🚀 no AzureML
O que é o Azure?
O Azure é a plataforma de computação em nuvem do Microsoft, projetada para ajudar as organizações a mover suas cargas de trabalho para a nuvem a partir de centros de dados locais. Com todo o espetro de serviços de nuvem, incluindo os de computação, bases de dados, análise, aprendizagem automática 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, 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 com o objetivo de 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:
- Gerir facilmente grandes conjuntos de dados e recursos computacionais para formação.
- Utilize ferramentas incorporadas para pré-processamento de dados, seleção de caraterísticas e formação de modelos.
- Colaborar 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, encontrará um guia de início rápido que descreve 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, certifique-se de que tem acesso a um espaço de trabalho do AzureML. Se não tiver um, pode 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.
Criar uma instância de computação
No seu espaço de trabalho AzureML, selecione Computação > Instâncias de computação > Novo, selecione a instância com os recursos de que necessita.
Início rápido a partir do terminal
Inicie o seu computador e abra um Terminal:
Criar virtualenv
Crie seu virtualenv conda e instale o pip nele:
Instalar as dependências necessárias:
Realizar YOLO11 tarefas
Prever:
Treinar um modelo de deteção para 10 épocas com uma taxa de aprendizagem inicial de 0,01:
Pode encontrar mais instruções para utilizar o Ultralytics CLI aqui.
Início rápido a partir de um bloco de notas
Criar um novo kernel IPython
Abra o Terminal de computação.
A partir do seu terminal de computação, precisa de criar um novo ipykernel que será utilizado pelo seu notebook para gerir as suas 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"
Feche o seu terminal e crie um novo bloco de notas. A partir do seu Notebook, pode selecionar o novo kernel.
Em seguida, pode 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
Note-se que precisamos de utilizar o source activate yolo11env para todas as células %%bash, para garantir que a célula %%bash usa o ambiente que queremos.
Execute algumas previsões usando 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
Pode utilizar a interface Ultralytics CLI ou Python para executar tarefas YOLO11 , tal como descrito na secção do terminal acima.
Seguindo estes passos, deverá ser capaz de colocar o YOLO11 a funcionar rapidamente no AzureML para testes rápidos. Para utilizações mais avançadas, pode consultar a documentação completa do AzureML associada no início deste guia.
Explore mais com o AzureML
Este guia serve como uma introdução para o pôr a trabalhar com 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 seus projectos de aprendizagem automática, considere explorar os seguintes recursos:
- Criar um ativo de dados: Saiba como configurar e gerir eficazmente os seus activos de dados no ambiente AzureML.
- Iniciar um trabalho do AzureML: Obtenha uma compreensão abrangente de como iniciar os seus trabalhos de formação de aprendizagem automática no AzureML.
- Registar um modelo: Familiarize-se com as práticas de gestão de modelos, incluindo o registo, o controlo de versões e a implementação.
- Treine YOLO11 com o SDK do AzureML Python : Explore um guia passo-a-passo sobre a utilização do AzureML Python SDK para treinar os seus modelos YOLO11 .
- Treinar YOLO11 com AzureML CLI: Descubra como utilizar a interface de linha de comandos para formação e gestão simplificadas de modelos YOLO11 no AzureML.
FAQ
Como é que executo YOLO11 no AzureML para treino de modelos?
A execução do YOLO11 no AzureML para formação de modelos envolve vários passos:
-
Criar uma instância de computação: A partir do seu espaço de trabalho AzureML, navegue para Computação > Instâncias de computação > Novo e selecione a instância pretendida.
-
Configurar ambiente: Inicie sua instância de computação, abra um terminal e crie um ambiente conda:
-
Execute YOLO11 Tasks: Utilize o Ultralytics CLI para treinar o seu modelo:
Para mais pormenores, pode consultar as instruções de utilização do Ultralytics CLI .
Quais são as vantagens de utilizar o AzureML para a formação em YOLO11 ?
O AzureML fornece um ecossistema robusto e eficiente para a formação de modelos YOLO11 :
- Escalabilidade: Escale facilmente os seus recursos de computação à medida que a complexidade dos seus dados e modelos aumenta.
- Integração de MLOps: Utilize funcionalidades como o controlo de versões, a monitorização e a auditoria para otimizar as operações de ML.
- Colaboração: Partilhe e gira 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, consulte AzureML Jobs.
Como é que resolvo problemas comuns ao executar YOLO11 no AzureML?
A resolução de problemas comuns com YOLO11 no AzureML pode envolver os seguintes passos:
- Questões de dependência: Certifique-se de que todos os pacotes necessários estão instalados. Consulte a secção
requirements.txtpara dependências. - Configuração do ambiente: Verifique se o seu ambiente conda está corretamente ativado antes de executar comandos.
- Atribuição de recursos: Certifique-se de que as suas instâncias de computação têm recursos suficientes para lidar com a carga de trabalho de formação.
Para obter orientações adicionais, consulte a nossa documentação YOLO Common Issues.
Posso utilizar as interfaces Ultralytics CLI e Python no AzureML?
Sim, o AzureML permite-lhe utilizar a interface Ultralytics CLI e a interface 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.
Consulte os guias de início rápido para obter instruções mais detalhadas aqui e aqui.
Qual é a vantagem de utilizar Ultralytics YOLO11 em relação a outros modelos de deteção de objectos?
Ultralytics 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.
- Exatidão: Elevada precisão nas tarefas de deteção com caraterísticas como a conceção sem âncoras e estratégias de aumento melhoradas.
- Facilidade de utilização: API intuitiva e CLI para uma configuração rápida, tornando-o acessível tanto a principiantes como a especialistas.
Para saber mais sobre as funcionalidades do YOLO11, visite a página Ultralytics YOLO para obter informações detalhadas.
