Редактировать страницу на GitHub (EN)

YOLO26 🚀 на AzureML

Что такое Azure?

Azure — это облачная вычислительная платформа от Microsoft, разработанная для того, чтобы помочь организациям перенести свои рабочие нагрузки из локальных центров обработки данных в облако. Благодаря широкому спектру облачных сервисов, включая вычисления, базы данных, аналитику, машинное обучение и сетевые технологии, ты можешь выбирать нужные инструменты для разработки и масштабирования новых приложений или запуска уже существующих в публичном облаке.

Что такое Azure Machine Learning (AzureML)?

Azure Machine Learning, широко известная как AzureML, — это полностью управляемый облачный сервис, который позволяет специалистам по анализу данных и разработчикам эффективно встраивать прогнозную аналитику в свои приложения, помогая организациям использовать огромные наборы данных и применять все преимущества облачных технологий в машинном обучении. AzureML предлагает множество сервисов и функций, направленных на то, чтобы сделать машинное обучение доступным, простым в использовании и масштабируемым. Она предоставляет такие возможности, как автоматизированное машинное обучение, обучение моделей методом перетаскивания (drag-and-drop), а также надежный Python SDK, чтобы ты мог получить максимум от своих моделей машинного обучения.

Чем полезна AzureML для пользователей YOLO?

Для пользователей YOLO (You Only Look Once) платформа AzureML предоставляет надежную, масштабируемую и эффективную среду как для обучения, так и для развертывания моделей машинного обучения. Независимо от того, хочешь ли ты запустить быстрые прототипы или масштабировать систему для обработки более обширных данных, гибкая и удобная среда AzureML предлагает различные инструменты и сервисы для твоих нужд. Ты можешь использовать AzureML для того, чтобы:

  • Легко управлять большими наборами данных и вычислительными ресурсами для обучения.
  • Использовать встроенные инструменты для предварительной обработки данных, выбора признаков и обучения моделей.
  • Более эффективно взаимодействовать с инструментами для MLOps (Machine Learning Operations), 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 использованием AzureML — как через терминал вычислительного экземпляра, так и через ноутбук.

Предварительные требования

Прежде чем начать, убедись, что у тебя есть доступ к рабочей области AzureML. Если её 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 своей рабочей области AzureML выбери Compute > Compute instances > New и выбери экземпляр с необходимыми тебе ресурсами.

Create Azure Compute Instance

Быстрый старт через терминал

Запусти вычислительный ресурс и открой терминал:

Open Terminal

Создание виртуального окружения

Создай виртуальное окружение conda с предпочтительной версией Python и установи в него pip. В Python 3.13.1 в AzureML сейчас возникают проблемы с зависимостями, поэтому используй Python 3.12.

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

Установи необходимые зависимости:

cd ultralytics
pip install -r requirements.txt
pip install ultralytics
pip install onnx

Выполнение задач YOLO26

Предсказание:

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

Обучение модели детектирования на 10 эпох с начальной скоростью обучения (learning_rate) 0.01:

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

Больше инструкций по использованию Ultralytics CLI можно найти здесь.

Быстрый старт через ноутбук

Создание нового IPython ядра

Открой терминал вычислительного экземпляра.

Open Terminal

В терминале вычислительного экземпляра создай новое ipykernel с использованием Python 3.12, которое твой ноутбук 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 новый ноутбук. В ноутбуке выбери только что созданное ядро.

Затем открой ячейку ноутбука и установи необходимые зависимости:

%%bash
source activate yolo26env
cd ultralytics
pip install -r requirements.txt
pip install ultralytics
pip install onnx

Обрати внимание, что тебе нужно запускать source activate yolo26env в каждой %%bash ячейке, чтобы убедиться, что ячейка использует нужное окружение.

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 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, как описано в разделе терминала выше.

Выполнив эти шаги, ты сможешь быстро запустить YOLO26 на AzureML для первичных проб. Для более сложных задач ты можешь обратиться к полной документации AzureML, ссылка на которую приведена в начале этого руководства.

Узнай больше об AzureML

Это руководство служит введением, которое поможет тебе начать работу с YOLO26 на AzureML. Однако оно лишь поверхностно затрагивает возможности AzureML. Чтобы углубиться и полностью раскрыть потенциал AzureML для своих проектов по машинному обучению, изучи следующие ресурсы:

Часто задаваемые вопросы (FAQ)

Как запустить YOLO26 на AzureML для обучения модели?

Запуск YOLO26 на AzureML для обучения модели включает несколько шагов:

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

  2. Настройка окружения: Запусти вычислительный экземпляр, открой терминал и создай окружение Conda. Укажи свою версию Python (Python 3.13.1 пока не поддерживается):

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

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

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

Для получения подробной информации ты можешь обратиться к инструкциям по использованию Ultralytics CLI.

Каковы преимущества использования AzureML для обучения YOLO26?

AzureML предоставляет надежную и эффективную экосистему для обучения моделей YOLO26:

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

Эти преимущества делают AzureML идеальной платформой для проектов, начиная от быстрых прототипов и заканчивая крупномасштабными внедрениями. Дополнительные советы можно найти в разделе AzureML Jobs.

Как устранить распространенные проблемы при запуске YOLO26 на AzureML?

Устранение типичных проблем с YOLO26 на AzureML может включать следующие шаги:

  • Проблемы с зависимостями: Убедись, что установлены все необходимые пакеты. Обратись к файлу requirements.txt для проверки зависимостей.
  • Настройка окружения: Проверь, что твое окружение conda правильно активировано перед выполнением команд.
  • Распределение ресурсов: Убедись, что твои вычислительные экземпляры обладают достаточными ресурсами для обработки учебной нагрузки.

Для получения дополнительной помощи изучи нашу документацию по типичным проблемам YOLO.

Могу ли я использовать и Ultralytics CLI, и Python-интерфейс в AzureML?

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

  • CLI: Идеально подходит для быстрых задач и запуска стандартных скриптов прямо 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 внутри ноутбуков.

    from ultralytics import YOLO

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

Для пошаговых инструкций обратись к руководству по быстрому старту CLI и руководству по быстрому старту Python.

В чем преимущество использования Ultralytics YOLO26 перед другими моделями обнаружения объектов?

Ultralytics YOLO26 предлагает несколько уникальных преимуществ по сравнению с конкурирующими моделями обнаружения объектов:

  • Скорость: Более быстрое время логического вывода и обучения по сравнению с такими моделями, как Faster R-CNN и SSD.
  • Точность: Высокая точность в задачах обнаружения благодаря таким особенностям, как дизайн без привязки (anchor-free) и улучшенные 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, где представлена подробная информация.

Contributors
Редактировать страницу на GitHub (EN)
GLglenn-jocher12PDpderrenger1Y-Y-T-G1LULucashygi1RIRizwanMunawar1

Комментарии