Перейти к содержанию

YOLO11 🚀 на AzureML

Что такое Azure?

Azure - это платформа облачных вычислений 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 машинное обучение в Azure (AzureML)?

Azure Machine Learning, обычно называемый AzureML, - это полностью управляемый облачный сервис, который позволяет специалистам по изучению данных и разработчикам эффективно внедрять предиктивную аналитику в свои приложения, помогая организациям использовать огромные массивы данных и использовать все преимущества облачных технологий для машинного обучения. AzureML предлагает множество услуг и возможностей, направленных на то, чтобы сделать машинное обучение доступным, простым в использовании и масштабируемым. Он предоставляет такие возможности, как автоматическое машинное обучение, обучение моделей методом drag-and-drop, а также надежный Python SDK, чтобы разработчики могли максимально эффективно использовать свои модели машинного обучения.

Чем полезен AzureML для пользователей YOLO ?

Для пользователей сайта YOLO (You Only Look Once) AzureML представляет собой надежную, масштабируемую и эффективную платформу для обучения и развертывания моделей машинного обучения. Независимо от того, хотите ли вы запустить быстрые прототипы или увеличить масштаб для работы с более обширными данными, гибкая и удобная среда AzureML предлагает различные инструменты и сервисы для удовлетворения ваших потребностей. Вы можете использовать AzureML для:

  • Удобное управление большими массивами данных и вычислительными ресурсами для обучения.
  • Используйте встроенные инструменты для предварительной обработки данных, выбора признаков и обучения моделей.
  • Более эффективное сотрудничество благодаря возможностям MLOps (Machine Learning Operations), включая, в частности, мониторинг, аудит и версионирование моделей и данных.

В последующих разделах вы найдете краткое руководство по запуску моделей обнаружения объектов YOLO11 с помощью AzureML, как с вычислительного терминала, так и из ноутбука.

Пререквизиты

Прежде чем приступить к работе, убедитесь, что у вас есть доступ к рабочему пространству AzureML. Если у вас его нет, вы можете создать новое рабочее пространство AzureML, следуя официальной документации Azure. Это рабочее пространство выступает в качестве централизованного места для управления всеми ресурсами AzureML.

Создайте вычислительный экземпляр

В рабочей области AzureML выберите Compute > Compute instances > New, выберите экземпляр с нужными вам ресурсами.

Создайте вычислительный экземпляр Azure

Быстрый запуск из терминала

Запустите компьютер и откройте Терминал:

Открытый терминал

Создайте virtualenv

Создайте виртуальную среду conda и установите в нее pip:

conda create --name yolo11env -y
conda activate yolo11env
conda install pip -y

Установите необходимые зависимости:

cd ultralytics
pip install -r requirements.txt
pip install ultralytics
pip install onnx>=1.12.0

Выполните задания YOLO11

Предсказать:

yolo predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'

Обучите модель обнаружения в течение 10 эпох с начальной скоростью обучения (learning_rate) 0,01:

yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01

Дополнительные инструкции по использованию Ultralytics CLI можно найти здесь.

Быстрый старт из блокнота

Создайте новое ядро IPython

Откройте терминал вычислений.

Открытый терминал

В терминале компьютера вам нужно создать новый ipykernel, который будет использоваться вашим ноутбуком для управления зависимостями:

conda create --name yolo11env -y
conda activate yolo11env
conda install pip -y
conda install ipykernel -y
python -m ipykernel install --user --name yolo11env --display-name "yolo11env"

Закройте терминал и создайте новый блокнот. В блокноте можно выбрать новое ядро.

Затем вы можете открыть ячейку Notebook и установить необходимые зависимости:

%%bash
source activate yolo11env
cd ultralytics
pip install -r requirements.txt
pip install ultralytics
pip install onnx>=1.12.0

Обратите внимание, что нам нужно использовать source activate yolo11env для всех ячеек %%bash, чтобы убедиться, что в ячейке %%bash используется нужное нам окружение.

Выполните несколько прогнозов, используя Ultralytics CLI:

%%bash
source activate yolo11env
yolo predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'

Или с помощью интерфейсаUltralytics Python , например, для обучения модели:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load an official YOLO11n 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 интерфейс Ultralytics CLI или Python для выполнения задач YOLO11 , как описано в разделе "Терминал" выше.

Выполнив эти шаги, вы сможете быстро запустить YOLO11 на AzureML для быстрого тестирования. Для более продвинутого использования вы можете обратиться к полной документации по AzureML, ссылка на которую приведена в начале этого руководства.

Узнайте больше с помощью AzureML

Это руководство служит введением, которое поможет вам начать работу с YOLO11 на AzureML. Однако это лишь поверхностное знакомство с возможностями AzureML. Чтобы углубиться и раскрыть весь потенциал AzureML для ваших проектов машинного обучения, изучите следующие ресурсы:

ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ

Как запустить YOLO11 на AzureML для обучения модели?

Запуск YOLO11 на AzureML для обучения модели включает несколько этапов:

  1. Создайте вычислительный экземпляр: В рабочей области AzureML перейдите к Compute > Compute instances > New и выберите нужный экземпляр.

  2. Настройте среду: Запустите свой вычислительный экземпляр, откройте терминал и создайте среду conda:

    conda create --name yolo11env -y
conda activate yolo11env
conda install pip -y
pip install ultralytics onnx>=1.12.0

  3. Выполните задание YOLO11 : Используйте Ultralytics CLI для обучения модели: 

    yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01

Для получения более подробной информации вы можете обратиться к инструкции по использованию Ultralytics CLI .

В чем преимущества использования AzureML для обучения на сайте YOLO11 ?

AzureML предоставляет надежную и эффективную экосистему для обучения моделей YOLO11 :

  • Масштабируемость: Легко масштабируйте вычислительные ресурсы по мере роста сложности данных и моделей.
  • Интеграция с MLOps: Используйте такие функции, как версионирование, мониторинг и аудит, чтобы оптимизировать операции ML.
  • Совместная работа: Обменивайтесь ресурсами и управляйте ими в командах, улучшая совместные рабочие процессы.

Эти преимущества делают AzureML идеальной платформой для проектов - от быстрых прототипов до масштабных развертываний. Дополнительные советы можно найти в разделе "Работа с AzureML".

Как устранить общие неполадки при запуске YOLO11 на AzureML?

Устранение распространенных проблем с YOLO11 на AzureML может включать следующие шаги:

  • Проблемы зависимости: Убедитесь, что все необходимые пакеты установлены. Обратитесь к requirements.txt файл для поиска зависимостей.
  • Настройка среды: Перед выполнением команд убедитесь, что среда conda активирована правильно.
  • Распределение ресурсов: Убедитесь, что ваши вычислительные экземпляры имеют достаточно ресурсов, чтобы справиться с учебной нагрузкой.

Для получения дополнительных указаний ознакомьтесь с нашей документацией YOLO Common Issues.

Можно ли использовать интерфейс Ultralytics CLI и Python в AzureML?

Да, AzureML позволяет использовать интерфейс Ultralytics CLI и Python без проблем:

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

    yolo predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'

  • Python Интерфейс: Пригодится для более сложных задач, требующих индивидуального кодирования и интеграции в блокноты.

    from ultralytics import YOLO

model = YOLO("yolo11n.pt")
model.train(data="coco8.yaml", epochs=3)

Более подробные инструкции см. в руководствах по быстрому запуску здесь и здесь.

В чем преимущество использования Ultralytics YOLO11 перед другими моделями обнаружения объектов?

Ultralytics YOLO11 обладает рядом уникальных преимуществ по сравнению с конкурирующими моделями обнаружения объектов:

  • Скорость: Более быстрый вывод и обучение по сравнению с такими моделями, как Faster R-CNN и SSD.
  • Точность: Высокая точность в задачах обнаружения благодаря таким особенностям, как безъякорная конструкция и улучшенные стратегии дополнения.
  • 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 YOLO11, посетите Ultralytics YOLO страницу для получения подробной информации.

📅 Создано 1 год назад ✏️ Обновлено 2 месяца назад
УльтралитикаПомощник гленн-джохер РизванМунавар ouphi

Комментарии