İçeriğe geç

YOLO11 🚀 AzureML'de

Azure nedir?

Azure, Microsoft'un bulut bilişim platformudur ve kuruluşların iş yüklerini şirket içi veri merkezlerinden buluta taşımalarına yardımcı olmak için tasarlanmıştır. Bilgi işlem, veritabanları, analitik, makine öğrenimi ve ağ oluşturma dahil olmak üzere tüm bulut hizmetleri yelpazesiyle kullanıcılar, genel bulutta yeni uygulamalar geliştirmek ve ölçeklendirmek veya mevcut uygulamaları çalıştırmak için bu hizmetler arasından seçim yapabilir.

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.

Azure İşlem Örneği Oluşturma

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'

Başlangıç learning_rate değeri 0,01 olan bir algılama modelini 10 epok boyunca eğitin:

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 adresini AzureML'de 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 ayarlayacağınızı 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.
  • AzureML Python SDK ile YOLO11 'u eğitin: YOLO11 modellerinizi eğitmek için AzureML Python SDK'yı kullanmaya ilişkin adım adım kılavuzu keşfedin.
  • AzureML ile YOLO11 'u eğitin CLI: AzureML'de YOLO11 modellerinin kolaylaştırılmış eğitimi ve yönetimi için komut satırı arayüzünü nasıl kullanacağınızı keşfedin.

SSS

Model eğitimi için AzureML üzerinde YOLO11 adresini nasıl çalıştırabilirim?

Model eğitimi için AzureML üzerinde YOLO11 çalıştırmak birkaç adım içerir:

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

  2. 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
    
  3. YOLO11 Görevlerini çalıştırın: Modelinizi eğitmek için Ultralytics CLI adresini kullanın:

    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.

AzureML üzerinde YOLO11 çalıştırırken sık karşılaşılan sorunları nasıl giderebilirim?

AzureML'de YOLO11 ile ilgili yaygın sorunların giderilmesi aşağıdaki adımları içerebilir:

  • Bağımlılık Sorunları: Gerekli tüm paketlerin kurulu olduğundan emin olun. Bakınız requirements.txt bağımlılıklar için dosya.
  • Ortam Kurulumu: Komutları çalıştırmadan önce conda ortamınızın doğru şekilde etkinleştirildiğini doğrulayın.
  • Kaynak Tahsisi: Hesaplama örneklerinizin eğitim iş yükünü kaldıracak yeterli kaynağa sahip olduğundan emin olun.

Daha fazla rehberlik için YOLO Ortak Sorunlar dokümanımızı inceleyin.

AzureML'de hem Ultralytics CLI hem de Python arayüzünü kullanabilir miyim?

Evet, AzureML hem Ultralytics CLI hem de Python arayüzünü sorunsuz bir şekilde kullanmanıza olanak tanır:

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

    yolo predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'
    
  • Python Arayüz: Özel kodlama ve not defterlerine entegrasyon gerektiren daha karmaşık görevler için kullanışlıdır.

    from ultralytics import YOLO
    
    model = YOLO("yolo11n.pt")
    model.train(data="coco8.yaml", epochs=3)
    

Daha ayrıntılı talimatlar için buradaki ve buradaki hızlı başlangıç kılavuzlarına bakın.

Ultralytics YOLO11 adresini kullanmanın diğer nesne algılama modellerine göre avantajı nedir?

Ultralytics YOLO11 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: Çapasız tasarım ve geliştirilmiş güçlendirme stratejileri gibi özelliklerle algılama görevlerinde yüksek doğruluk.
  • Kullanım Kolaylığı: Sezgisel API ve hızlı kurulum için CLI , hem yeni başlayanlar hem de uzmanlar için erişilebilir hale getirir.

YOLO11'un özellikleri hakkında daha fazla bilgi edinmek için Ultralytics YOLO sayfasından ayrıntılı bilgi edinebilirsiniz.

📅1 yıl önce oluşturuldu ✏️ 2 ay önce güncellendi

Yorumlar