Перейти к содержанию

YOLO26 🚀 на AzureML

Что такое Azure?

Azure — это платформа облачных вычислений от Microsoft, разработанная для того, чтобы помочь организациям перенести свои рабочие нагрузки в облако из локальных центров обработки данных. Благодаря полному спектру облачных сервисов, включая сервисы для вычислений, баз данных, аналитики, машинного обучения и сетей, пользователи могут выбирать из этих сервисов для разработки и масштабирования новых приложений или запуска существующих приложений в публичном облаке.

Что такое Azure Machine Learning (AzureML)?

Azure Machine Learning, обычно называемый AzureML, — это полностью управляемая облачная служба, которая позволяет специалистам по обработке данных и разработчикам эффективно встраивать прогнозную аналитику в свои приложения, помогая организациям использовать огромные наборы данных и применять все преимущества облака в машинном обучении. AzureML предлагает множество сервисов и возможностей, направленных на то, чтобы сделать машинное обучение доступным, простым в использовании и масштабируемым. Он предоставляет такие возможности, как автоматизированное машинное обучение, перетаскивание для обучения моделей, а также надежный Python SDK, чтобы разработчики могли максимально эффективно использовать свои модели машинного обучения.

Какие преимущества AzureML предоставляет пользователям YOLO?

Для пользователей YOLO (You Only Look Once), AzureML предоставляет надежную, масштабируемую и эффективную платформу для обучения и развертывания моделей машинного обучения. Если вы хотите запускать быстрые прототипы или масштабироваться для обработки больших объемов данных, гибкая и удобная среда AzureML предлагает различные инструменты и сервисы, отвечающие вашим потребностям. Вы можете использовать AzureML для:

  • Простое управление большими наборами данных и вычислительными ресурсами для обучения.
  • Используйте встроенные инструменты для предварительной обработки данных, выбора признаков и обучения модели.
  • Более эффективная совместная работа благодаря возможностям MLOps (Machine Learning Operations), включая, помимо прочего, мониторинг, аудит и контроль версий моделей и данных.

В последующих разделах вы найдете краткое руководство, подробно описывающее, как запускать модели detect объектов YOLO26 с использованием AzureML, как из вычислительного терминала, так и из ноутбука.

Предварительные требования

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

Создайте вычислительный экземпляр

В вашей рабочей области AzureML выберите Compute > Compute instances > New, выберите экземпляр с необходимыми ресурсами.

Создайте вычислительный экземпляр Azure

Быстрый старт из терминала

Запустите вычисления и откройте терминал:

Открыть терминал

Создать virtualenv

Создайте виртуальную среду conda с предпочитаемой версией Python и установите в ней pip. В Python 3.13.1 в настоящее время есть проблемы с зависимостями в AzureML, поэтому используйте Python 3.12.

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

Установите необходимые зависимости:

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

Выполнение задач YOLO26

Predict:

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

Обучите модель обнаружения в течение 10 эпох с начальной learning_rate 0.01:

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

Вы можете найти больше инструкций по использованию Ultralytics CLI здесь.

Быстрый старт из Notebook

Создайте новое ядро IPython

Открыть вычислительный терминал.

Открыть терминал

В вашем вычислительном терминале создайте новое ipykernel, используя Python 3.12, который будет использоваться вашим 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"

Закройте терминал и создайте новый блокнот. В блокноте выберите только что созданное ядро.

Затем откройте ячейку блокнота и установите необходимые зависимости:

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

Обратите внимание, что вам нужно запустить source activate yolo26env в каждом %%bash ячейку, чтобы убедиться, что ячейка использует предполагаемую среду.

Запустите несколько прогнозов, используя Ultralytics CLI:

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

Или с помощью Python-интерфейса 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

Вы можете использовать либо Ultralytics CLI, либо интерфейс python для выполнения задач YOLO26, как описано в разделе терминала выше.

Следуя этим шагам, вы сможете быстро запустить YOLO26 на AzureML для быстрых испытаний. Для более продвинутого использования вы можете обратиться к полной документации AzureML, ссылка на которую приведена в начале этого руководства.

Узнайте больше об AzureML

Это руководство служит введением для начала работы с YOLO26 на AzureML. Однако оно лишь поверхностно затрагивает возможности AzureML. Чтобы углубиться и раскрыть весь потенциал AzureML для ваших проектов машинного обучения, рассмотрите следующие ресурсы:

Часто задаваемые вопросы

Как запустить YOLO26 на AzureML для обучения модели?

Запуск YOLO26 на AzureML для обучения модели включает несколько шагов:

  1. Создайте вычислительный экземпляр: В вашей рабочей области AzureML перейдите в раздел Compute > Compute instances > New и выберите необходимый экземпляр.

  2. Настройка среды: Запустите вычислительный экземпляр, откройте терминал и создайте среду Conda. Установите 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. Выполнение задач YOLO26: Используйте Ultralytics CLI для обучения вашей модели: 

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

Для получения более подробной информации вы можете 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 масштабируйте свои вычислительные ресурсы по мере роста сложности ваших данных и моделей.
  • Интеграция MLOps: Используйте такие функции, как контроль версий, мониторинг и аудит, для оптимизации операций машинного обучения.
  • Совместная работа: Делитесь ресурсами и управляйте ими в командах, улучшая совместные рабочие процессы.

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

Как устранять распространенные проблемы при запуске YOLO26 на AzureML?

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

  • Проблемы с зависимостями: Убедитесь, что все необходимые пакеты установлены. Обратитесь к requirements.txt файл для зависимостей.
  • Настройка окружения: Убедитесь, что ваша среда conda правильно активирована перед выполнением команд.
  • Распределение ресурсов: Убедитесь, что ваши вычислительные экземпляры имеют достаточно ресурсов для обработки рабочей нагрузки обучения.

Для получения дополнительных указаний ознакомьтесь с нашей документацией по Распространенным проблемам YOLO.

Могу ли я использовать Ultralytics CLI и интерфейс python в AzureML?

Да, AzureML позволяет вам 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 пользовательского кодирования и интеграции в блокнотах.

    from ultralytics import YOLO

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

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

В чем преимущество использования Ultralytics YOLO26 по сравнению с другими моделями detect объектов?

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

  • Скорость: Более быстрое время вывода и обучения по сравнению с такими моделями, как Faster R-CNN и SSD.
  • Точность: Высокая точность в задачах обнаружения благодаря таким функциям, как конструкция без привязки к якорям и расширенные стратегии аугментации.
  • Простота использования: Интуитивно понятный API и CLI для быстрой настройки, что делает его доступным как для новичков, так и для экспертов.

Чтобы узнать больше о возможностях YOLO26, посетите страницу Ultralytics YOLO для получения подробной информации.



📅 Создано 2 лет назад ✏️ Обновлено 7 дней назад
glenn-jocherpderrengerY-T-GLucashygiUltralyticsAssistantRizwanMunawar

Комментарии