YOLO26 🚀 на AzureML#

Что такое Azure?#

Azure — это платформа облачных вычислений от Microsoft, созданная для того, чтобы помочь организациям переносить рабочие нагрузки из локальных дата-центров в облако. Благодаря полному спектру облачных сервисов, включая вычислительные ресурсы, базы данных, аналитику, машинное обучение и сетевые технологии, пользователи могут выбирать нужные сервисы для разработки и масштабирования новых приложений или запуска существующих в публичном облаке.

Что такое Azure Machine Learning (AzureML)?#

Azure Machine Learning (AzureML) — это полностью управляемый облачный сервис для создания, обучения и развертывания моделей машинного обучения в масштабе. Он предоставляет возможности автоматизированного машинного обучения, обучения моделей методом перетаскивания (drag-and-drop) и Python SDK для полного программного контроля над твоими моделями.

Чем AzureML полезен пользователям YOLO?#

AzureML позволяет обучать и развертывать модели Ultralytics YOLO26 в облаке — от быстрых прототипов до масштабных запусков. С его помощью ты сможешь:

• Легко управлять большими наборами данных и вычислительными ресурсами для обучения.
• Использовать встроенные инструменты для предварительной обработки данных, выбора признаков и обучения моделей.
• Эффективнее сотрудничать благодаря возможностям MLOps (Machine Learning Operations), включая, помимо прочего, мониторинг, аудит и версионирование моделей и данных.

В следующих разделах ты найдешь руководство по быстрому запуску, описывающее, как запускать модели обнаружения объектов YOLO26 с помощью AzureML, как из терминала вычислений, так и из блокнота.

Предварительные требования#

Прежде чем начать, убедись, что у тебя есть доступ к рабочей области AzureML. Если ее нет, ты можешь создать новую рабочую область AzureML, следуя официальной документации Azure. Эта рабочая область служит централизованным местом для управления всеми ресурсами AzureML.

Создание вычислительного экземпляра (Compute Instance)#

В своей рабочей области AzureML выбери Compute > Compute instances > New и выбери экземпляр с нужными тебе ресурсами.

Быстрый запуск из терминала#

Запусти вычислительный экземпляр и открой терминал:

Создание виртуальной среды#

Создай виртуальную среду conda и установи в нее pip:

conda create --name yolo26env -y python=3.12
conda activate yolo26env
conda install pip -y

Установи необходимые зависимости:

pip install ultralytics onnx

Выполнение задач YOLO26#

Предсказание:

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

Обучи модель детектирования в течение 10 эпох с начальной скоростью обучения (learning_rate), равной 0.01:

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

Больше инструкций по использованию интерфейса командной строки Ultralytics CLI можно найти здесь.

Быстрый запуск из блокнота#

Создание нового ядра IPython#

Открой терминал вычислительного экземпляра.

В терминале вычислительного экземпляра создай новый ipykernel, используя Python 3.12, который будет использоваться твоим блокнотом для управления зависимостями:

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"

Закрой терминал и создай новый блокнот. В блокноте выбери только что созданное ядро (kernel).

Затем открой ячейку блокнота и установи требуемые зависимости:

%%bash
source activate yolo26env
pip install ultralytics onnx

Выполни предсказания с помощью Ultralytics CLI:

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

Или используя Python-интерфейс Ultralytics, например, для обучения модели:

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

Ты можешь использовать как Ultralytics CLI, так и Python-интерфейс для запуска задач YOLO26. В приведенном выше примере на Python обученная модель также экспортируется в формат ONNX для развертывания.

Следуя этим шагам, ты сможешь быстро запустить YOLO26 на AzureML. Дополнительные сведения о продвинутых рабочих процессах см. в документации AzureML.

Изучай больше вместе с AzureML#

Это руководство охватывает основы запуска YOLO26 на AzureML. Чтобы двигаться дальше, изучи эти ресурсы:

• Создание актива данных: настройка и управление твоими ресурсами данных в среде AzureML.
• Запуск задания AzureML: запуск задач обучения машинного обучения в AzureML.
• Регистрация модели: управление регистрацией, версионированием и развертыванием моделей.
• Быстрый старт с Modal: запуск YOLO26 в бессерверном GPU-облаке Modal в качестве альтернативы AzureML.

FAQ#