Link to this sectionYOLO26 🚀 на AzureML#

Link to this sectionЧто такое Azure?#

Azure — это облачная вычислительная платформа от Microsoft, разработанная для помощи организациям в переносе рабочих нагрузок из локальных центров обработки данных в облако. Благодаря широкому спектру облачных сервисов, включая вычисления, базы данных, аналитику, машинное обучение и сетевые технологии, пользователи могут выбирать и комбинировать эти сервисы для разработки и масштабирования новых приложений или запуска существующих в публичном облаке.

Link to this sectionЧто 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.

Link to this sectionЧем AzureML полезен пользователям YOLO?#

AzureML позволяет тебе обучать и развертывать модели Ultralytics YOLO26 в облаке, от создания быстрых прототипов до запуска масштабных задач. С его помощью ты можешь:

• 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.

Link to this sectionПредварительные 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 выступает централизованным местом для управления всеми ресурсами AzureML.

Link to this sectionСоздание вычислительного экземпляра (Compute Instance)#

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

Link to this sectionБыстрый запуск из терминала#

Запусти вычислительный экземпляр и открой терминал:

Link to this sectionСоздание 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

Link to this sectionВыполнение задач YOLO26#

Предсказание:

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

Обучи модель обнаружения 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

Ты можешь найти больше инструкций по использованию Ultralytics CLI здесь.

Link to this sectionБыстрый запуск из блокнота#

Link to this sectionСоздание 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

Запусти предсказания с помощью Ultralytics CLI:

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

Или через интерфейс Python от 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 либо Ultralytics CLI, либо интерфейс Python для запуска задач YOLO26. В примере с Python выше также выполняется экспорт обученной модели в ONNX для развертывания.

Следуя этим шагам, ты сможешь быстро запустить YOLO26 на AzureML. Для более сложных рабочих процессов смотри документацию AzureML.

Link to this sectionИзучай больше вместе с AzureML#

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

• Создание ресурса данных (Data Asset): Настраивай и управляй своими ресурсами данных внутри среды AzureML.
• Запуск задания AzureML: Запускай свои задачи обучения машинного обучения в AzureML.
• Регистрация модели: Управляй регистрацией, версионированием и развертыванием моделей.
• Быстрый запуск Modal: Запуск YOLO26 в бессерверном GPU-облаке Modal как альтернатива AzureML.

Link to this sectionFAQ#

Link to this sectionКак мне запустить YOLO26 на AzureML для обучения модели?#

Чтобы запустить YOLO26 на AzureML для обучения, создай вычислительный экземпляр, настрой среду Conda, установи Ultralytics и выполни команду обучения:

1. Создание вычислительного экземпляра: В рабочей области AzureML перейди в Compute > Compute instances > New и выбери необходимый экземпляр.

2. Настройка среды: Запусти свой вычислительный экземпляр, открой терминал и создай среду Conda с Python 3.12 (в данный момент Python 3.13 имеет проблемы с зависимостями в AzureML):

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

3. Выполнение задач YOLO26: Используй Ultralytics CLI для обучения своей модели:

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

Более подробную информацию можно найти в инструкциях по использованию Ultralytics CLI.

Link to this sectionКаковы преимущества использования AzureML для обучения YOLO26?#

AzureML предоставляет надежную и эффективную экосистему для обучения моделей YOLO26:

• Масштабируемость: Легко масштабируй вычислительные ресурсы по мере роста сложности данных и моделей.
• Интеграция MLOps: Используй такие функции, как версионирование, мониторинг и аудит, для оптимизации операций машинного обучения.
• Совместная работа: Делись ресурсами и управляй ими внутри команд, улучшая совместные рабочие процессы.

Эти преимущества делают AzureML идеальной платформой для проектов, от простых прототипов до крупномасштабных развертываний. Больше советов можно найти в AzureML Jobs.

Link to this sectionКак устранить распространенные проблемы при запуске YOLO26 на AzureML?#

Чтобы устранить проблемы с YOLO26 на AzureML, проверь, установлены ли зависимости, убедись, что твоя среда Conda активирована, и проверь, достаточно ли ресурсов у твоего вычислительного экземпляра:

• Проблемы с зависимостями: Убедись, что все необходимые пакеты установлены с помощью pip install ultralytics onnx.
• Настройка среды: Перед выполнением команд убедись, что твоя среда conda корректно активирована.
• Распределение ресурсов: Убедись, что твои вычислительные экземпляры обладают достаточными ресурсами для обработки рабочей нагрузки обучения.

Для получения дополнительной помощи изучи нашу документацию YOLO Common Issues.

Link to this sectionМогу ли я использовать одновременно Ultralytics CLI и интерфейс Python на AzureML?#

Да, AzureML позволяет беспрепятственно использовать как Ultralytics CLI, так и интерфейс Python:

• CLI: Идеально подходит для быстрых задач и запуска стандартных скриптов непосредственно из терминала.

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

• Интерфейс Python: Полезен для более сложных задач, требующих написания собственного кода и интеграции в блокноты.

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

Пошаговые инструкции см. в руководстве по быстрому запуску CLI и руководстве по быстрому запуску Python.

Link to this sectionВ чем преимущество использования Ultralytics YOLO26 по сравнению с другими моделями обнаружения объектов?#

Ultralytics YOLO26 предлагает несколько уникальных преимуществ перед конкурирующими моделями обнаружения объектов:

• Скорость: Более быстрое выполнение предсказаний и обучения по сравнению с такими моделями, как Faster R-CNN и SSD.
• Точность: Высокая точность в задачах обнаружения благодаря таким функциям, как архитектура без якорей (anchor-free) и расширенные стратегии аугментации.
• Простота использования: Интуитивно понятные API и CLI для быстрой настройки, что делает модель доступной как для начинающих, так и для экспертов.

Чтобы узнать больше о функциях YOLO26, посети страницу Ultralytics YOLO для получения подробной информации.