YOLO26 🚀 в AzureML#

Что такое Azure?#

Azure — это платформа облачных вычислений Microsoft, предназначенная для помощи организациям в переносе рабочих нагрузок из локальных центров обработки данных в облако. Благодаря полному спектру облачных сервисов, включая сервисы для вычислений, баз данных, аналитики, машинного обучения и сетевого взаимодействия, пользователи могут выбирать нужные сервисы для разработки и масштабирования новых приложений или запуска существующих приложений в публичном облаке.

Что такое Машинное обучение Azure (AzureML)?#

Машинное обучение Azure (AzureML) — это полностью управляемый облачный сервис для создания, обучения и развертывания моделей машинного обучения в больших масштабах. Он предоставляет автоматизированное машинное обучение, обучение моделей методом перетаскивания и Python SDK для полного программного управления твоими моделями.

Как AzureML помогает пользователям YOLO?#

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

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

В следующих разделах ты найдешь краткое руководство, в котором подробно описано, как запускать модели обнаружения объектов YOLO26 с помощью AzureML — из терминала вычислительного экземпляра или из ноутбука.

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#

В рабочей области AzureML выбери Compute > Compute instances > New, затем выбери экземпляр с необходимыми ресурсами.

Быстрый старт из терминала#

Запусти вычислительный экземпляр и открой терминал:

Создание виртуального окружения#

Создай виртуальное окружение conda и установи в него 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 обнаружения в течение 10 эпох с начальным значением learning_rate 0.01:

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

Дополнительные инструкции по использованию Ultralytics CLI можно найти здесь.

Быстрый старт из ноутбука#

Создание нового ядра IPython#

Открой терминал вычислительного экземпляра.

В терминале вычислительного экземпляра создай новое ядро ipykernel с помощью Python 3.12, которое будет использоваться твоим ноутбуком 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 ноутбук. В ноутбуке выбери созданное ядро.

Затем открой ячейку ноутбука и установи необходимые зависимости:

%%bash
source activate yolo26env
pip install ultralytics onnx

Выполни несколько предсказаний с помощью Ultralytics CLI:

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

Или с помощью интерфейса Ultralytics Python, 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

Для выполнения задач YOLO26 можно использовать Ultralytics CLI или интерфейс Python. Приведенный выше пример на Python также экспортирует обученную модель в ONNX для развертывания.

Следуя этим шагам, ты быстро запустишь YOLO26 в AzureML. Более сложные рабочие процессы описаны в документации AzureML.

Узнай больше о возможностях AzureML#

Это руководство посвящено основам запуска YOLO26 в AzureML. Чтобы продолжить, изучи следующие ресурсы:

• Создание ресурса данных: настройка и управление ресурсами данных в среде AzureML.
• Запуск задания AzureML: запуск заданий обучения машинного обучения в AzureML.
• Регистрация модели: управление регистрацией, версиями и развертыванием моделей.
• Быстрый старт с Modal: запуск YOLO26 в бессерверном GPU-облаке Modal как альтернативе AzureML.

Часто задаваемые вопросы#