YOLO26 🚀 в AzureML#

Что такое Azure?#

Azure — это платформа облачных вычислений Microsoft, созданная, чтобы помочь организациям перенести рабочие нагрузки из локальных центров обработки данных в облако. Пользователи могут выбирать из полного спектра облачных служб, включая вычисления, базы данных, аналитику, машинное обучение и сетевые службы, чтобы разрабатывать и масштабировать новые приложения или запускать существующие в общедоступном облаке.

Что такое Azure Machine Learning (AzureML)?#

Azure Machine Learning (AzureML) — это полностью управляемая облачная служба для создания, обучения и развёртывания моделей машинного обучения в больших масштабах. Она предоставляет средства автоматизированного машинного обучения, обучение моделей с помощью перетаскивания элементов и Python SDK для полного программного управления моделями.

Чем AzureML полезен пользователям YOLO?#

AzureML позволяет обучать и развёртывать модели Ultralytics YOLO26 в облаке — от быстрых прототипов до масштабных 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 (операций машинного обучения), включая, помимо прочего, мониторинг, аудит и управление версиями моделей и данных.

В следующих разделах ты найдёшь руководство по быстрому старту, в котором подробно описано, как запускать модели обнаружения объектов YOLO26 в AzureML из терминала вычислительной среды или блокнота.

Предварительные требования#

Прежде чем начать, убедись, что у тебя есть доступ к рабочей области AzureML. Если её нет, создай рабочую область AzureML, следуя официальной документации Azure. Эта рабочая область служит единым местом для управления всеми ресурсами AzureML.

Создание вычислительного экземпляра#

В рабочей области AzureML выбери «Вычисления» > «Вычислительные экземпляры» > «Создать», затем выбери экземпляр с нужными ресурсами.

Быстрый старт из терминала#

Запусти вычислительную среду и открой терминал:

Создание виртуальной среды#

Создай виртуальную среду conda и установи в неё 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#

Выполни предсказание:

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

Обучи модель обнаружения в течение 10 эпох:

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

Дополнительные инструкции по использованию CLI Ultralytics см. здесь.

Быстрый старт в блокноте#

Создание ядра IPython#

Открой терминал вычислительной среды.

В терминале вычислительной среды создай новое ядро ipykernel на Python 3.12, которое блокнот будет использовать 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 блокнот. В блокноте выбери только что созданное ядро.

Затем открой ячейку блокнота и установи необходимые зависимости:

%%bash
source activate yolo26env
pip install ultralytics onnx

Выполни предсказания с помощью CLI Ultralytics:

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

Или воспользуйся интерфейсом Python Ultralytics, например, чтобы обучить модель:

from ultralytics import YOLO

# Загрузить модель
model = YOLO("yolo26n.pt")  # загрузить официальную модель YOLO26n

# использовать модель
model.train(data="coco8.yaml", epochs=3)  # обучить модель
metrics = model.val()  # оценить производительность модели на проверочной выборке
results = model("https://ultralytics.com/images/bus.jpg")  # получи предсказание для изображения
path = model.export(format="onnx")  # экспортировать модель в формат ONNX

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

Выполнив эти шаги, ты быстро запустишь YOLO26 в AzureML. О более сложных сценариях работы см. в документации AzureML.

Дополнительные возможности AzureML#

В этом руководстве описаны основы запуска YOLO26 в AzureML. Чтобы узнать больше, изучи следующие материалы:

• Создание ресурса данных: настрой и управляй ресурсами данных в среде AzureML.
• Запуск задания AzureML: запусти задания обучения машинного обучения в AzureML.
• Регистрация модели: управляй регистрацией, версиями и развёртыванием моделей.
• Быстрый старт с Modal: запускай YOLO26 в бессерверном облаке GPU Modal как альтернативе AzureML.

Часто задаваемые вопросы#