AzureML üzerinde YOLO26 🚀

Azure nedir?

Azure, kurumların iş yüklerini şirket içi veri merkezlerinden buluta taşımasına yardımcı olmak için tasarlanmış, Microsoft'un bulut bilişim platformudur. İşlem gücü, veritabanları, analitik, makine öğrenimi ve ağ oluşturma dahil olmak üzere çok çeşitli bulut hizmetleriyle kullanıcılar, genel bulutta yeni uygulamalar geliştirip ölçeklendirmek veya mevcut uygulamaları çalıştırmak için bu hizmetlerden seçim yapabilirler.

Azure Machine Learning (AzureML) nedir?

Yaygın olarak AzureML olarak adlandırılan Azure Machine Learning, veri bilimcilerin ve geliştiricilerin tahmine dayalı analitiği uygulamalarına verimli bir şekilde yerleştirmelerini sağlayan, tam olarak yönetilen bir bulut hizmetidir. Bu hizmet, kurumların devasa veri kümelerini kullanmalarına ve bulutun tüm avantajlarını makine öğrenimine taşımalarına yardımcı olur. AzureML, makine öğrenimini erişilebilir, kullanımı kolay ve ölçeklenebilir hale getirmeyi amaçlayan çeşitli hizmetler ve yetenekler sunar. Otomatik makine öğrenimi, sürükle-bırak model eğitimi ve geliştiricilerin makine öğrenimi modellerinden en iyi şekilde yararlanabilmeleri için güçlü bir Python SDK gibi özellikler sağlar.

AzureML, YOLO Kullanıcılarına Nasıl Avantaj Sağlar?

YOLO (You Only Look Once) kullanıcıları için AzureML, makine öğrenimi modellerini hem eğitmek hem de dağıtmak için sağlam, ölçeklenebilir ve verimli bir platform sağlar. Hızlı prototipler çalıştırmak veya daha kapsamlı verileri işlemek için ölçek büyütmek istesen, AzureML'nin esnek ve kullanıcı dostu ortamı, ihtiyaçlarına uygun çeşitli araçlar ve hizmetler sunar. AzureML'den şu amaçlarla yararlanabilirsin:

Eğitim için büyük veri kümelerini ve hesaplama kaynaklarını kolayca yönetmek.
Veri ön işleme, özellik seçimi ve model eğitimi için yerleşik araçlardan yararlanmak.
Modellerin ve verilerin izlenmesi, denetlenmesi ve sürümlenmesi dahil ancak bunlarla sınırlı olmamak üzere, MLOps (Makine Öğrenimi Operasyonları) yetenekleriyle daha verimli iş birliği yapmak.

Sonraki bölümlerde, bir işlem terminalinden veya not defterinden AzureML kullanarak YOLO26 nesne algılama modellerini nasıl çalıştıracağını detaylandıran bir hızlı başlangıç kılavuzu bulacaksın.

Ön koşullar

Başlamadan önce, bir AzureML çalışma alanına erişimin olduğundan emin ol. Eğer bir çalışma alanın yoksa, Azure'un resmi belgelerini takip ederek yeni bir AzureML çalışma alanı oluşturabilirsin. Bu çalışma alanı, tüm AzureML kaynaklarını yönetmek için merkezi bir yer görevi görür.

Bir işlem örneği oluştur

AzureML çalışma alanından Compute > Compute instances > New seçeneklerine git ve ihtiyacın olan kaynaklara sahip örneği seç.

Terminalden Hızlı Başlangıç

İşlem birimini başlat ve bir Terminal aç:

Open Terminal

Sanal ortam oluştur

Tercih ettiğin Python sürümüyle bir conda sanal ortamı oluştur ve içine pip yükle. Python 3.13.1'de şu anda AzureML ile bağımlılık sorunları yaşanmaktadır, bu yüzden onun yerine Python 3.12 kullan.

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

Gerekli bağımlılıkları yükle:

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

YOLO26 görevlerini gerçekleştir

Tahmin yap:

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

0.01'lik bir başlangıç learning_rate ile 10 epoch boyunca bir algılama modeli eğit:

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

Ultralytics CLI kullanma talimatlarını burada bulabilirsin.

Not defterinden Hızlı Başlangıç

Yeni bir IPython çekirdeği oluştur

İşlem terminalini aç.

Open Terminal

İşlem terminalinden, not defterinin bağımlılıkları yönetmek için kullanacağı, Python 3.12 kullanarak yeni bir ipykernel oluştur:

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"

Terminalini kapat ve yeni bir not defteri oluştur. Not defterinden, yeni oluşturduğun çekirdeği seç.

Ardından bir not defteri hücresi aç ve gerekli bağımlılıkları yükle:

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

Note that you need to run source activate yolo26env in every %%bash cell to ensure the cell uses the intended environment.

Ultralytics CLI kullanarak bazı tahminler çalıştır:

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

Veya Ultralytics Python arayüzü ile, örneğin modeli eğitmek için:

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

Yukarıdaki terminal bölümünde açıklandığı gibi, YOLO26 görevlerini çalıştırmak için Ultralytics CLI veya Python arayüzünü kullanabilirsin.

Bu adımları izleyerek, hızlı denemeler için YOLO26'yı AzureML üzerinde hızlıca çalıştırabilirsin. Daha gelişmiş kullanımlar için bu kılavuzun başında bağlantısı verilen tam AzureML belgelerine başvurabilirsin.

AzureML ile Daha Fazlasını Keşfet

Bu kılavuz, AzureML üzerinde YOLO26 ile çalışmaya başlaman için bir giriş niteliğindedir. Ancak, AzureML'nin sunduklarının sadece yüzeyini çizmektedir. Daha derinlemesine incelemek ve makine öğrenimi projelerin için AzureML'nin tüm potansiyelini ortaya çıkarmak için aşağıdaki kaynakları keşfetmeyi düşün:

Veri Varlığı Oluştur: Veri varlıklarını AzureML ortamında nasıl etkili bir şekilde kurup yöneteceğini öğren.
AzureML İşi Başlat: AzureML'de makine öğrenimi eğitim işlerini nasıl başlatacağın konusunda kapsamlı bilgi edin.
Model Kaydet: Kayıt, sürümleme ve dağıtım dahil olmak üzere model yönetimi uygulamalarına aşina ol.
AzureML Python SDK ile YOLO26 Eğit: YOLO26 modellerini eğitmek için AzureML Python SDK'sını kullanma konusunda adım adım bir kılavuzu keşfet.
AzureML CLI ile YOLO26 Eğit: AzureML'de YOLO26 modellerinin hızlı eğitimi ve yönetimi için komut satırı arayüzünün nasıl kullanılacağını keşfet.

SSS

Model eğitimi için AzureML üzerinde YOLO26'yı nasıl çalıştırırım?

AzureML üzerinde model eğitimi için YOLO26'yı çalıştırmak birkaç adım içerir:

İşlem Örneği Oluştur: AzureML çalışma alanından Compute > Compute instances > New kısmına git ve gerekli örneği seç.
Ortamı Kur: İşlem örneğini başlat, bir terminal aç ve bir Conda ortamı oluştur. Python sürümünü ayarla (Python 3.13.1 henüz desteklenmiyor):
```
conda create --name yolo26env -y python=3.12
conda activate yolo26env
conda install pip -y
pip install ultralytics onnx
```
YOLO26 Görevlerini Çalıştır: Modelini eğitmek için Ultralytics CLI'ı kullan:
```
yolo train data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01
```

Daha fazla detay için Ultralytics CLI kullanma talimatlarına başvurabilirsin.

YOLO26 eğitimi için AzureML kullanmanın avantajları nelerdir?

AzureML, YOLO26 modellerini eğitmek için sağlam ve verimli bir ekosistem sağlar:

Ölçeklenebilirlik: Verilerin ve model karmaşıklığın arttıkça hesaplama kaynaklarını kolayca ölçeklendir.
MLOps Entegrasyonu: ML operasyonlarını kolaylaştırmak için sürümleme, izleme ve denetleme gibi özellikleri kullan.
İş Birliği: Ekipler içindeki kaynakları paylaş ve yönet, iş birliğine dayalı iş akışlarını geliştir.

Bu avantajlar, AzureML'yi hızlı prototiplerden büyük ölçekli dağıtımlara kadar projeler için ideal bir platform haline getirir. Daha fazla ipucu için AzureML Jobs sayfasına göz at.