AzureML'de YOLO26 🚀#

Azure nedir?#

Azure, kuruluşların iş yüklerini şirket içi veri merkezlerinden buluta taşımalarına yardımcı olmak için tasarlanmış Microsoft'un bulut bilişim platformudur. İşlem, veritabanları, analiz, makine öğrenimi ve ağ hizmetleri dâhil olmak üzere geniş bir bulut hizmetleri yelpazesi sunar. Kullanıcılar bu hizmetler arasından seçim yaparak yeni uygulamalar geliştirebilir ve ölçeklendirebilir ya da mevcut uygulamalarını genel bulutta çalıştırabilir.

Azure Machine Learning (AzureML) nedir?#

Azure Makine Öğrenimi (AzureML), makine öğrenimi modellerini ölçekli olarak oluşturmak, eğitmek ve dağıtmak için tam olarak yönetilen bir bulut hizmetidir. Otomatik makine öğrenimi, sürükle-bırak ile 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 eğitip dağıtmana olanak tanır. Şunları yapabilirsin:

• Eğitim için büyük veri kümelerini ve hesaplama kaynaklarını kolayca yönet.
• Veri ön işleme, özellik seçimi ve model eğitimi için yerleşik araçlardan yararlan.
• Modellerin ve verilerin izlenmesi, denetlenmesi ve sürümlendirilmesi dâhil ancak bunlarla sınırlı olmayan MLOps (Makine Öğrenimi Operasyonları) özellikleriyle daha verimli iş birliği yap.

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

Ön koşullar#

Başlamadan önce bir AzureML çalışma alanına erişimin olduğundan emin ol. Henüz yoksa Azure'ın resmî belgelerindeki adımları izleyerek yeni bir AzureML çalışma alanı oluşturabilirsin. Bu çalışma alanı, tüm AzureML kaynaklarını yönetebileceğin merkezi bir yer işlevi görür.

İşlem Örneği Oluştur#

AzureML çalışma alanında İşlem > İşlem örnekleri > Yeni'yi seç ve ihtiyacın olan kaynaklara sahip örneği belirle.

Terminalden Hızlı Başlangıç#

İşlemini başlat ve bir Terminal aç:

Sanal Ortam Oluştur#

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 Gerçekleştir#

Tahmin et:

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

10 epoch boyunca bir algılama modeli eğit:

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

Ultralytics CLI'yi kullanma talimatlarının tamamına buradan ulaşabilirsin.

Not Defterinden Hızlı Başlangıç#

Yeni bir IPython Çekirdeği Oluştur#

İşlem Terminalini aç.

İşlem terminalinden, not defterinin bağımlılıkları yönetmek için kullanacağı Python 3.12 tabanlı 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"

Terminali kapat ve yeni bir not defteri oluştur. Not defterinde az önce oluşturduğun çekirdeği seç.

Ardından bir not defteri hücresi aç ve gerekli bağımlılıkları yükle:

%%bash
source activate yolo26env
pip install ultralytics onnx

Ultralytics CLI ile bazı tahminler çalıştır:

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

Ya da modeli eğitmek için örneğin Ultralytics Python arayüzünü kullan:

from ultralytics import YOLO

# Bir model yükle
model = YOLO("yolo26n.pt")  # resmî bir YOLO26n modelini yükle

# Modeli kullan
model.train(data="coco8.yaml", epochs=3)  # modeli eğit
metrics = model.val()  # doğrulama kümesinde model performansını değerlendir
results = model("https://ultralytics.com/images/bus.jpg")  # bir görüntü üzerinde tahmin yap
path = model.export(format="onnx")  # modeli ONNX biçimine aktar

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'de hızla çalıştırabilirsin. Daha gelişmiş iş akışları için AzureML belgelerine bak.

AzureML ile Daha Fazlasını Keşfet#

Bu kılavuz, YOLO26'yı AzureML'de çalıştırmanın temellerini ele alıyor. Daha fazlasını öğrenmek için şu kaynakları incele:

• Veri Varlığı Oluştur: AzureML ortamında veri varlıklarını kur ve yönet.
• AzureML İşi Başlat: AzureML'de 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.

Sık Sorulan Sorular#