AzureML üzerinde YOLO11 🚀

Q: How do I run YOLO11 on AzureML for model training?

Running YOLO11 on AzureML for model training involves several steps: For more details, you can refer to the instructions to use the Ultralytics CLI.

Q: What are the benefits of using AzureML for YOLO11 training?

AzureML provides a robust and efficient ecosystem for training YOLO11 models: These advantages make AzureML an ideal platform for projects ranging from quick prototypes to large-scale deployments. For more tips, check out AzureML Jobs.

Q: How do I troubleshoot common issues when running YOLO11 on AzureML?

Troubleshooting common issues with YOLO11 on AzureML can involve the following steps: For additional guidance, review our YOLO Common Issues documentation.

Q: What is the advantage of using Ultralytics YOLO11 over other object detection models?

Ultralytics YOLO11 offers several unique advantages over competing object detection models: To explore more about YOLO11's features, visit the Ultralytics YOLO page for detailed insights.

Azure nedir?

Azure is Microsoft's cloud computing platform, designed to help organizations move their workloads to the cloud from on-premises data centers. With the full spectrum of cloud services including those for computing, databases, analytics, machine learning, and networking, users can pick and choose from these services to develop and scale new applications, or run existing applications, in the public cloud.

Azure Machine Learning (AzureML) nedir?

Genellikle AzureML olarak adlandırılan Azure Machine Learning, veri bilimcilerin ve geliştiricilerin uygulamalarına verimli bir şekilde tahmine dayalı analitik eklemesine olanak tanıyan, kuruluşların büyük veri kümelerini kullanmasına ve bulutun tüm avantajlarını makine öğrenimine getirmesine yardımcı olan tam olarak yönetilen bir bulut hizmetidir. AzureML, makine öğrenimini erişilebilir, kullanımı kolay ve ölçeklenebilir hale getirmeyi amaçlayan çeşitli hizmetler ve yetenekler sunar. Geliştiricilerin makine öğrenimi modellerinden en iyi şekilde yararlanabilmeleri için otomatik makine öğrenimi, sürükle ve bırak model eğitimi gibi özelliklerin yanı sıra sağlam bir Python SDK sağlar.

AzureML YOLO Kullanıcılarına Nasıl Fayda 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. İster hızlı prototipler çalıştırmak ister daha kapsamlı verileri işlemek için ölçeklendirmek isteyin, AzureML'nin esnek ve kullanıcı dostu ortamı ihtiyaçlarınıza uygun çeşitli araçlar ve hizmetler sunar. AzureML'den şu amaçlarla yararlanabilirsiniz

Eğitim için büyük veri kümelerini ve hesaplama kaynaklarını kolayca yönetin.
Veri ön işleme, özellik seçimi ve model eğitimi için yerleşik araçları kullanın.
Modellerin ve verilerin izlenmesi, denetlenmesi ve sürümlendirilmesi dahil ancak bunlarla sınırlı olmamak üzere MLOps (Makine Öğrenimi Operasyonları) yetenekleriyle daha verimli bir şekilde işbirliği yapın.

Sonraki bölümlerde, AzureML kullanarak YOLO11 nesne algılama modellerini bir işlem terminalinden veya bir not defterinden nasıl çalıştıracağınızı açıklayan bir hızlı başlangıç kılavuzu bulacaksınız.

Ön Koşullar

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

Hesaplama örneği oluşturma

AzureML çalışma alanınızdan Hesaplama > Hesaplama örnekleri > Yeni'yi seçin, ihtiyacınız olan kaynaklara sahip örneği seçin.

Terminalden Hızlı Başlangıç

Bilgisayarınızı başlatın ve bir Terminal açın:

Açık Terminal

virtualenv oluşturun

Conda virtualenv'inizi oluşturun ve içine pip yükleyin:

conda create --name yolo11env -y
conda activate yolo11env
conda install pip -y

Gerekli bağımlılıkları yükleyin:

cd ultralytics
pip install -r requirements.txt
pip install ultralytics
pip install onnx>=1.12.0

YOLO11 görevlerini gerçekleştirin

Tahmin et:

yolo predict model=yolo11n.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=yolo11n.pt epochs=10 lr0=0.01

Ultralytics CLI adresini kullanmak için daha fazla talimatı burada bulabilirsiniz.

Not Defterinden Hızlı Başlangıç

Yeni bir IPython çekirdeği oluşturun

Hesaplama Terminalini açın.

Açık Terminal

Hesaplama terminalinizden, bağımlılıklarınızı yönetmek için not defteriniz tarafından kullanılacak yeni bir ipykernel oluşturmanız gerekir:

conda create --name yolo11env -y
conda activate yolo11env
conda install pip -y
conda install ipykernel -y
python -m ipykernel install --user --name yolo11env --display-name "yolo11env"

Terminalinizi kapatın ve yeni bir not defteri oluşturun. Not defterinizden yeni çekirdeği seçebilirsiniz.

Ardından bir Notebook hücresi açabilir ve gerekli bağımlılıkları yükleyebilirsiniz:

%%bash
source activate yolo11env
cd ultralytics
pip install -r requirements.txt
pip install ultralytics
pip install onnx>=1.12.0

Kullanmamız gerektiğini unutmayın source activate yolo11env tüm %%bash hücreleri için, %%bash hücresinin istediğimiz ortamı kullandığından emin olmak için.

Kullanarak bazı tahminler çalıştırın Ultralytics CLI:

%%bash
source activate yolo11env
yolo predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'

Ya da Ultralytics Python arayüzüyle, örneğin modeli eğitmek için:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load an official YOLO11n 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, YOLO11 görevlerini çalıştırmak için Ultralytics CLI veya Python arayüzünü kullanabilirsiniz.

Bu adımları izleyerek, hızlı denemeler için YOLO11'i AzureML üzerinde hızlı bir şekilde çalıştırabilmeniz gerekir. Daha gelişmiş kullanımlar için, bu kılavuzun başında bağlantısı verilen AzureML belgelerinin tamamına başvurabilirsiniz.

AzureML ile Daha Fazlasını Keşfedin

Bu kılavuz, AzureML üzerinde YOLO11 ile çalışmaya başlamanız için bir giriş niteliğindedir. Ancak, AzureML'nin sunabileceklerinin yalnızca yüzeyini çizer. Daha derine inmek ve makine öğrenimi projeleriniz için AzureML'in tüm potansiyelini ortaya çıkarmak için aşağıdaki kaynakları keşfetmeyi düşünün:

Veri Varlığı Oluşturma: AzureML ortamında veri varlıklarınızı etkili bir şekilde nasıl kuracağınızı ve yöneteceğinizi öğrenin.
Bir AzureML İşi Başlatın: AzureML'de makine öğrenimi eğitim işlerinizi nasıl başlatacağınızı kapsamlı bir şekilde anlayın.
Bir Model Kaydedin: Kayıt, sürüm oluşturma ve dağıtım dahil olmak üzere model yönetimi uygulamalarına aşina olun.
Train YOLO11 with AzureML Python SDK: Explore a step-by-step guide on using the AzureML Python SDK to train your YOLO11 models.
Train YOLO11 with AzureML CLI: Discover how to utilize the command-line interface for streamlined training and management of YOLO11 models on AzureML.

SSS

Model eğitimi için AzureML üzerinde YOLO11'i nasıl çalıştırabilirim?

Model eğitimi için AzureML üzerinde YOLO11 çalıştırmak birkaç adım içerir:

Bir Hesaplama Örneği oluşturun: AzureML çalışma alanınızdan Hesaplama > Hesaplama örnekleri > Yeni'ye gidin ve gerekli örneği seçin.

Ortam Kurun: Hesaplama örneğinizi başlatın, bir terminal açın ve bir conda ortamı oluşturun:

conda create --name yolo11env -y
conda activate yolo11env
conda install pip -y
pip install ultralytics onnx>=1.12.0

Run YOLO11 Tasks: Use the Ultralytics CLI to train your model:

yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01

Daha fazla ayrıntı için Ultralytics CLI adresindeki kullanım talimatlarına bakabilirsiniz.

YOLO11 eğitimi için AzureML kullanmanın faydaları nelerdir?

AzureML, YOLO11 modellerini eğitmek için sağlam ve verimli bir ekosistem sağlar:

Ölçeklenebilirlik: Verileriniz ve model karmaşıklığınız arttıkça bilgi işlem kaynaklarınızı kolayca ölçeklendirin.
MLOps Entegrasyonu: ML operasyonlarını kolaylaştırmak için sürüm oluşturma, izleme ve denetim gibi özelliklerden yararlanın.
İşbirliği: Kaynakları ekipler içinde paylaşın ve yönetin, işbirliğine dayalı iş akışlarını geliştirin.

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