YOLO26 🚀 AzureML üzerinde#

Azure nedir?#

Azure, kuruluşların iş yüklerini şirket içi veri merkezlerinden buluta taşımalarına yardımcı olmak üzere tasarlanmış Microsoft'un bulut bilişim platformudur. Bilişim, veritabanları, analiz, makine öğrenimi ve ağ iletişimi dahil olmak üzere tüm bulut hizmetleri yelpazesi sayesinde kullanıcılar, yeni uygulamalar geliştirmek ve ölçeklendirmek veya mevcut uygulamaları herkese açık bulutta çalıştırmak için bu hizmetler arasından seçim yapabilir.

Azure Machine Learning (AzureML) nedir?#

Azure Machine Learning (AzureML), makine öğrenimi modellerini büyük ölçekte oluşturmak, eğitmek ve dağıtmak için tamamen yönetilen bir bulut hizmetidir. Otomatik makine öğrenimi, sürükle ve bırak yöntemiyle model eğitimi ve modellerin üzerinde tam programatik denetim sağlayan bir Python SDK sunar.

AzureML, YOLO kullanıcılarına nasıl fayda sağlar?#

AzureML, hızlı prototiplerden büyük ölçekli çalıştırmalara kadar Ultralytics YOLO26 modellerini bulutta eğitmene ve dağıtmana olanak tanır. Bununla şunları yapabilirsin:

• Eğitim için büyük veri kümelerini ve hesaplama kaynaklarını kolayca yönetebilirsin.
• Veri ön işleme, özellik seçimi ve model eğitimi için yerleşik araçlardan yararlanabilirsin.
• Model ve verilerin izlenmesi, denetlenmesi ve sürümlenmesi dahil ancak bunlarla sınırlı olmayan MLOps (Makine Öğrenimi Operasyonları) özellikleri sayesinde daha verimli iş birliği yapabilirsin.

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

Ön koşullar#

Başlamadan önce bir AzureML çalışma alanına erişimin olduğundan emin ol. Yoksa Azure'ın resmi belgelerini izleyerek yeni bir AzureML çalışma alanı oluşturabilirsin. Bu çalışma alanı, tüm AzureML kaynaklarını yönetmek için merkezi bir yer görevi görür.

Hesaplama Örneği Oluşturma#

AzureML çalışma alanından Compute > Compute instances > New seçeneklerini belirle ve ihtiyacın olan kaynaklara sahip örneği seç.

Terminalden Hızlı Başlangıç#

Hesaplamanı başlat ve bir Terminal aç:

Sanal Ortam Oluşturma#

Bir conda sanal ortamı oluştur ve içine pip yükle:

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

Gerekli bağımlılıkları yükle:

pip install ultralytics onnx

YOLO26 Görevlerini Gerçekleştirme#

Tahmin:

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

Başlangıç learning_rate değeri 0.01 olan bir algılama modelini 10 epoch boyunca eğit:

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

Ultralytics CLI'yi kullanma talimatlarının tamamını burada bulabilirsin.

Not Defterinden Hızlı Başlangıç#

Yeni IPython Çekirdeği Oluşturma#

Hesaplama Terminalini aç.

Hesaplama terminalinden, bağımlılıklarını yönetmek üzere not defterin tarafından kullanılacak Python 3.12 ile 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 oluşturulan çekirdeği seç.

Ardından bir not defteri hücresi aç ve gerekli bağımlılıkları yükle:

%%bash
source activate yolo26env
pip install ultralytics onnx

Ultralytics CLI kullanarak bazı tahminler çalıştır:

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

Ya da örneğin modeli eğitmek için Ultralytics Python arayüzünü kullan:

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

YOLO26 görevlerini çalıştırmak için Ultralytics CLI'yi veya Python arayüzünü kullanabilirsin. Yukarıdaki Python örneği, eğitilmiş modeli dağıtım için ONNX biçimine de aktarır.

Bu adımları izleyerek YOLO26'yı AzureML üzerinde hızlıca çalıştırabilirsin. Daha gelişmiş iş akışları için AzureML belgelerine bak.

AzureML ile Daha Fazlasını Keşfet#

Bu kılavuz, YOLO26'yı AzureML üzerinde çalıştırmanın temellerini kapsar. Daha ileri gitmek için şu kaynakları incele:

• Veri Varlığı Oluştur: AzureML ortamındaki veri varlıklarını ayarla ve yönet.
• AzureML İşi Başlat: AzureML üzerindeki makine öğrenimi eğitim işlerini başlat.
• Model Kaydet: Model kaydını, sürümlemeyi ve dağıtımı yönet.
• Modal Hızlı Başlangıç: AzureML'ye alternatif olarak YOLO26'yı Modal'ın sunucusuz GPU bulutunda çalıştır.

SSS#