AzureML üzerinde YOLO26 🚀#

Azure nedir?#

Azure, kuruluşların iş yüklerini şirket içi veri merkezlerinden buluta taşımasına yardımcı olmak için tasarlanmış Microsoft'un bulut bilişim platformudur. Hesaplama, veritabanları, analitik, makine öğrenimi ve ağ oluşturma hizmetleri dahil olmak üzere çok çeşitli bulut hizmetleriyle kullanıcılar, genel bulutta yeni uygulamalar geliştirmek ve ölçeklendirmek veya mevcut uygulamaları çalıştırmak için bu hizmetler arasından seçim yapabilir.

Azure 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.

AzureML, YOLO Kullanıcılarına Nasıl Fayda Sağlar?#

AzureML, hızlı prototiplerden büyük ölçekli çalıştırmalara kadar bulutta Ultralytics YOLO26 modellerini 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.

Ön koşullar#

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

Bir İşlem Örneği (Compute Instance) Oluştur#

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

Terminalden Hızlı Başlangıç#

İşlem birimini 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'

0,01 başlangıç learning_rate değeriyle 10 epoch boyunca bir nesne algılama modelini eğit:

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

Ultralytics CLI kullanımına ilişkin diğer talimatları burada bulabilirsin.

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"

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'

Veya örneğin modeli eğitmek için Ultralytics Python arayüzü ile:

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 arayüzünü kullanabilirsin. Yukarıdaki Python örneği ayrıca eğitilen modeli dağıtım için ONNX formatına aktarır.

Bu adımları izleyerek YOLO26'yı AzureML üzerinde hızlı bir şekilde çalıştırabilirsin. Daha gelişmiş iş akışları için AzureML belgelerine göz at.

AzureML ile Daha Fazlasını Keşfet#

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

• Veri Varlığı Oluştur: AzureML ortamında veri varlıklarını kur ve yönet.
• AzureML İşi Başlat: AzureML üzerinde makine öğrenimi eğitim işlerini başlat.
• Model Kaydet: Model kaydını, sürüm oluşturmayı ve dağıtımı yönet.
• Modal Hızlı Başlangıç: AzureML'e alternatif olarak YOLO26'yı Modal'ın sunucusuz GPU bulutunda çalıştır.

SSS#