Link to this sectionAzureML üzerinde YOLO26 🚀#

Link to this sectionAzure nedir?#

Azure, kuruluşların iş yüklerini şirket içi veri merkezlerinden buluta taşımasına yardımcı olmak için tasarlanmış Microsoft'un bulut bilişim platformudur. Bilişim, veritabanları, analitik, makine öğrenimi ve ağ oluşturma gibi bulut hizmetlerinin tüm yelpazesi sayesinde, yeni uygulamalar geliştirmek ve ölçeklendirmek ya da mevcut uygulamaları genel bulutta çalıştırmak için bu hizmetlerden dilediğini seçebilirsin.

Link to this sectionAzure Machine Learning (AzureML) nedir?#

Azure Machine Learning (AzureML), makine öğrenimi modellerini ölçeklenebilir bir şekilde oluşturmak, eğitmek ve dağıtmak için tam yönetilen bir bulut hizmetidir. Otomatik makine öğrenimi, sürükle-bırak yöntemiyle model eğitimi ve modellerin üzerinde tam programatik kontrol sağlayan bir Python SDK'sı sunar.

Link to this sectionAzureML, YOLO Kullanıcılarına Nasıl Fayda Sağlar?#

AzureML, Ultralytics YOLO26 modellerini hızlı prototiplerden büyük ölçekli çalıştırmalara kadar bulutta eğitmeni ve dağıtmanı sağlar. Bununla şunları yapabilirsin:

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

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

Link to this sectionÖn 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.

Link to this sectionBir İşlem Örneği (Compute Instance) Oluştur#

AzureML çalışma alanından Compute > Compute instances > New adımlarını izle ve ihtiyacın olan kaynaklara sahip örneği seç.

Link to this sectionTerminalden Hızlı Başlangıç#

İşlem birimini başlat ve bir Terminal aç:

Link to this sectionSanal 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

Link to this sectionYOLO26 Görevlerini Gerçekleştir#

Tahmin:

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

Train a detection model for 10 epochs with an initial learning_rate of 0.01:

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

Ultralytics CLI kullanmak için daha fazla talimatı burada bulabilirsin.

Link to this sectionNot Defterinden Hızlı Başlangıç#

Link to this sectionYeni 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"

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 yürüt:

%%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

YOLO26 görevlerini çalıştırmak için Ultralytics CLI veya Python arayüzünden birini kullanabilirsin. Yukarıdaki Python örneği ayrıca eğitilmiş modeli dağıtım için ONNX formatına aktarır.

Bu adımları izleyerek YOLO26'yı AzureML üzerinde hızlıca çalıştırabilirsin. Daha ileri düzey iş akışları için AzureML belgelerine göz at.

Link to this sectionAzureML ile Daha Fazlasını Keşfet#

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

• Bir Veri Varlığı Oluştur: AzureML ortamında veri varlıklarını ayarla ve yönet.
• Bir AzureML İşi Başlat: AzureML üzerinde makine öğrenimi eğitim işlerini başlat.
• Bir Modeli Kaydet: Model kaydını, sürüm yönetimini ve dağıtımını yönet.
• Modal Hızlı Başlangıç: AzureML'ye alternatif olarak YOLO26'yı Modal'ın sunucusuz GPU bulutunda çalıştır.

Link to this sectionSSS#

Link to this sectionModel eğitimi için YOLO26'yı AzureML'de nasıl çalıştırırım?#

YOLO26'yı eğitim için AzureML'de çalıştırmak üzere bir işlem örneği oluştur, bir Conda ortamı ayarla, Ultralytics yükle ve eğitim komutunu çalıştır:

1. Bir İşlem Örneği Oluştur: AzureML çalışma alanından Compute > Compute instances > New kısmına git ve gerekli örneği seç.

2. Ortamı Ayarla: İşlem örneğini başlat, bir terminal aç ve Python 3.12 ile bir Conda ortamı oluştur (Python 3.13 şu anda AzureML'de bağımlılık sorunlarına sahip):

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

3. YOLO26 Görevlerini Çalıştır: Modeli eğitmek için Ultralytics CLI kullan:

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

Daha fazla detay için Ultralytics CLI kullanma talimatlarına başvurabilirsin.

Link to this sectionYOLO26 eğitimi için AzureML kullanmanın faydaları nelerdir?#

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

• Ölçeklenebilirlik: Verilerin ve model karmaşıklığın arttıkça işlem kaynaklarını kolayca ölçeklendir.
• MLOps Entegrasyonu: ML operasyonlarını hızlandırmak için sürüm oluşturma, izleme ve denetim gibi özellikleri kullan.
• İş Birliği: İş birliğine dayalı iş akışlarını geliştirerek ekipler içinde kaynakları paylaş ve yönet.

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.

Link to this sectionYOLO26'yı AzureML'de çalıştırırken karşılaşılan yaygın sorunları nasıl gideririm?#

YOLO26'yı AzureML'de sorun gidermek için bağımlılıklarının yüklü olduğunu doğrula, Conda ortamının etkinleştirildiğinden emin ol ve işlem örneğinin yeterli kaynağa sahip olduğunu kontrol et:

• Bağımlılık Sorunları: Tüm gerekli paketlerin pip install ultralytics onnx ile yüklendiğinden emin ol.
• Ortam Kurulumu: Komutları çalıştırmadan önce conda ortamının doğru şekilde etkinleştirildiğini doğrula.
• Kaynak Tahsisi: İşlem örneklerinin eğitim iş yükünü yönetmek için yeterli kaynağa sahip olduğundan emin ol.

Ek rehberlik için YOLO Yaygın Sorunlar belgelerimizi incele.

Link to this sectionAzureML üzerinde hem Ultralytics CLI hem de Python arayüzünü kullanabilir miyim?#

Evet, AzureML hem Ultralytics CLI hem de Python arayüzünü sorunsuz bir şekilde kullanmana izin verir:

• CLI: Hızlı görevler ve standart komut dosyalarını doğrudan terminalden çalıştırmak için idealdir.

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

• Python Arayüzü: Özel kodlama ve not defterleri içinde entegrasyon gerektiren daha karmaşık görevler için kullanışlıdır.

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

Adım adım talimatlar için CLI hızlı başlangıç kılavuzuna ve Python hızlı başlangıç kılavuzuna başvur.

Link to this sectionUltralytics YOLO26'yı diğer nesne algılama modellerine göre kullanmanın avantajı nedir?#

Ultralytics YOLO26, rakip nesne algılama modellerine göre çeşitli benzersiz avantajlar sunar:

• Hız: Faster R-CNN ve SSD gibi modellere kıyasla daha hızlı çıkarım ve eğitim süreleri.
• Doğruluk: Çapa içermeyen tasarım ve geliştirilmiş artırma stratejileri gibi özelliklerle algılama görevlerinde yüksek doğruluk.
• Kullanım Kolaylığı: Hızlı kurulum için sezgisel API ve CLI, onu hem yeni başlayanlar hem de uzmanlar için erişilebilir kılar.

YOLO26'nın özellikleri hakkında daha fazlasını keşfetmek için ayrıntılı bilgiler içeren Ultralytics YOLO sayfasını ziyaret et.