Link to this sectionYOLO26 🚀 trên AzureML#

Link to this sectionAzure là gì?#

Azure là nền tảng điện toán đám mây của Microsoft, được thiết kế để giúp các tổ chức chuyển khối lượng công việc của họ từ các trung tâm dữ liệu tại chỗ lên đám mây. Với đầy đủ các dịch vụ đám mây bao gồm điện toán, cơ sở dữ liệu, phân tích, học máy và mạng, người dùng có thể lựa chọn các dịch vụ này để phát triển và mở rộng các ứng dụng mới, hoặc chạy các ứng dụng hiện có trên nền tảng đám mây công cộng.

Link to this sectionAzure Machine Learning (AzureML) là gì?#

Azure Machine Learning (AzureML) là một dịch vụ đám mây được quản lý toàn diện để xây dựng, huấn luyện và triển khai các mô hình học máy ở quy mô lớn. Dịch vụ này cung cấp khả năng học máy tự động, huấn luyện mô hình bằng thao tác kéo-thả và Python SDK để kiểm soát lập trình hoàn toàn đối với các mô hình của bạn.

Link to this sectionAzureML mang lại lợi ích gì cho người dùng YOLO?#

AzureML cho phép bạn huấn luyện và triển khai các mô hình Ultralytics YOLO26 trên đám mây, từ các bản mẫu nhanh đến các lần chạy quy mô lớn. Với nó, bạn có thể:

• Quản lý dễ dàng các tập dữ liệu lớn và tài nguyên tính toán để huấn luyện.
• Sử dụng các công cụ tích hợp sẵn cho việc tiền xử lý dữ liệu, chọn đặc trưng và huấn luyện mô hình.
• Cộng tác hiệu quả hơn với các khả năng cho MLOps (Vận hành Học máy), bao gồm nhưng không giới hạn ở giám sát, kiểm toán và quản lý phiên bản của mô hình và dữ liệu.

Trong các phần tiếp theo, bạn sẽ tìm thấy hướng dẫn bắt đầu nhanh chi tiết cách chạy các mô hình phát hiện đối tượng YOLO26 bằng AzureML, từ terminal máy tính hoặc từ notebook.

Link to this sectionĐiều kiện tiên quyết#

Trước khi bắt đầu, hãy đảm bảo bạn có quyền truy cập vào một workspace AzureML. Nếu chưa có, bạn có thể tạo một AzureML workspace mới bằng cách làm theo tài liệu chính thức của Azure. Workspace này đóng vai trò là nơi tập trung để quản lý tất cả các tài nguyên AzureML.

Link to this sectionTạo một Compute Instance#

Từ workspace AzureML của bạn, chọn Compute > Compute instances > New, sau đó chọn instance với các tài nguyên bạn cần.

Link to this sectionBắt đầu nhanh từ Terminal#

Khởi động tài nguyên tính toán của bạn và mở Terminal:

Link to this sectionTạo một Môi trường ảo#

Tạo một môi trường ảo conda và cài đặt pip trong đó:

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

Cài đặt các phụ thuộc cần thiết:

pip install ultralytics onnx

Link to this sectionThực hiện các tác vụ YOLO26#

Dự đoán:

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

Huấn luyện một mô hình phát hiện trong 10 epoch với learning_rate khởi tạo là 0.01:

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

Bạn có thể tìm thêm hướng dẫn sử dụng Ultralytics CLI tại đây.

Link to this sectionBắt đầu nhanh từ Notebook#

Link to this sectionTạo một IPython Kernel mới#

Mở Terminal của tài nguyên tính toán.

Từ terminal, tạo một ipykernel mới sử dụng Python 3.12 để notebook của bạn quản lý các phụ thuộc:

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"

Đóng terminal và tạo một notebook mới. Từ notebook của bạn, chọn kernel vừa tạo.

Sau đó mở một cell trong notebook và cài đặt các phụ thuộc cần thiết:

%%bash
source activate yolo26env
pip install ultralytics onnx

Chạy một vài dự đoán sử dụng Ultralytics CLI:

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

Hoặc với giao diện Python của Ultralytics, ví dụ để huấn luyện mô hình:

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

Bạn có thể sử dụng Ultralytics CLI hoặc giao diện Python để chạy các tác vụ YOLO26. Ví dụ Python ở trên cũng xuất mô hình đã huấn luyện sang ONNX để triển khai.

Bằng cách thực hiện các bước này, bạn có thể chạy YOLO26 nhanh chóng trên AzureML. Đối với các quy trình công việc nâng cao hơn, hãy xem tài liệu AzureML.

Link to this sectionKhám phá thêm với AzureML#

Hướng dẫn này đề cập đến những điều cơ bản khi chạy YOLO26 trên AzureML. Để tìm hiểu sâu hơn, hãy khám phá các tài nguyên sau:

• Tạo Data Asset: Thiết lập và quản lý các tài nguyên dữ liệu của bạn trong môi trường AzureML.
• Khởi chạy AzureML Job: Bắt đầu các công việc huấn luyện học máy của bạn trên AzureML.
• Đăng ký mô hình: Quản lý việc đăng ký, lập phiên bản và triển khai mô hình.
• Modal Quickstart: Chạy YOLO26 trên đám mây GPU serverless của Modal như một giải pháp thay thế cho AzureML.

Link to this sectionCâu hỏi thường gặp#

Link to this sectionLàm thế nào để chạy YOLO26 trên AzureML để huấn luyện mô hình?#

Để chạy YOLO26 trên AzureML nhằm mục đích huấn luyện, hãy tạo một compute instance, thiết lập môi trường Conda, cài đặt Ultralytics và chạy lệnh huấn luyện:

1. Tạo Compute Instance: Từ workspace AzureML, điều hướng đến Compute > Compute instances > New, và chọn instance cần thiết.

2. Thiết lập Môi trường: Khởi động compute instance, mở terminal và tạo một môi trường Conda với Python 3.12 (Python 3.13 hiện đang gặp vấn đề về phụ thuộc trên AzureML):

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

3. Chạy các tác vụ YOLO26: Sử dụng Ultralytics CLI để huấn luyện mô hình của bạn:

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

Để biết thêm chi tiết, bạn có thể tham khảo hướng dẫn sử dụng Ultralytics CLI.

Link to this sectionLợi ích của việc sử dụng AzureML cho huấn luyện YOLO26 là gì?#

AzureML cung cấp một hệ sinh thái mạnh mẽ và hiệu quả cho việc huấn luyện các mô hình YOLO26:

• Khả năng mở rộng: Dễ dàng mở rộng tài nguyên tính toán khi dữ liệu và độ phức tạp của mô hình tăng lên.
• Tích hợp MLOps: Sử dụng các tính năng như lập phiên bản, giám sát và kiểm toán để tối ưu hóa các hoạt động học máy.
• Cộng tác: Chia sẻ và quản lý tài nguyên trong nhóm, nâng cao quy trình làm việc cộng tác.

Những lợi thế này làm cho AzureML trở thành nền tảng lý tưởng cho các dự án từ bản mẫu nhanh đến triển khai quy mô lớn. Để biết thêm mẹo, hãy xem AzureML Jobs.

Link to this sectionLàm thế nào để khắc phục các vấn đề thường gặp khi chạy YOLO26 trên AzureML?#

Để khắc phục sự cố YOLO26 trên AzureML, hãy xác minh các phụ thuộc đã được cài đặt, xác nhận môi trường Conda đã được kích hoạt và đảm bảo compute instance có đủ tài nguyên:

• Vấn đề phụ thuộc: Đảm bảo tất cả các gói cần thiết đã được cài đặt bằng pip install ultralytics onnx.
• Thiết lập môi trường: Xác minh rằng môi trường conda của bạn được kích hoạt chính xác trước khi chạy các lệnh.
• Phân bổ tài nguyên: Đảm bảo các compute instance của bạn có đủ tài nguyên để xử lý khối lượng công việc huấn luyện.

Để được hướng dẫn thêm, hãy xem tài liệu YOLO Common Issues của chúng tôi.

Link to this sectionTôi có thể sử dụng cả Ultralytics CLI và giao diện Python trên AzureML không?#

Có, AzureML cho phép bạn sử dụng cả Ultralytics CLI và giao diện Python một cách liền mạch:

• CLI: Lý tưởng cho các tác vụ nhanh và chạy các tập lệnh tiêu chuẩn trực tiếp từ terminal.

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

• Giao diện Python: Hữu ích cho các tác vụ phức tạp hơn đòi hỏi lập trình tùy chỉnh và tích hợp trong các notebook.

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

Để có hướng dẫn từng bước, hãy tham khảo hướng dẫn bắt đầu nhanh CLI và hướng dẫn bắt đầu nhanh Python.

Link to this sectionƯu điểm của việc sử dụng Ultralytics YOLO26 so với các mô hình phát hiện đối tượng khác là gì?#

Ultralytics YOLO26 mang lại một số lợi thế độc đáo so với các mô hình phát hiện đối tượng cạnh tranh:

• Tốc độ: Thời gian suy luận và huấn luyện nhanh hơn so với các mô hình như Faster R-CNN và SSD.
• Độ chính xác: Độ chính xác cao trong các tác vụ phát hiện với các tính năng như thiết kế không cần neo (anchor-free) và các chiến lược tăng cường dữ liệu nâng cao.
• Dễ sử dụng: API và CLI trực quan cho việc thiết lập nhanh chóng, giúp cả người mới bắt đầu và chuyên gia đều có thể tiếp cận dễ dàng.

Để khám phá thêm về các tính năng của YOLO26, hãy truy cập trang Ultralytics YOLO để có thông tin chuyên sâu.