Bắt đầu

YOLO26 trên AzureML

Azure là gì?#

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

Azure Machine Learning (AzureML) là gì?#

Azure Machine Learning (AzureML) là dịch vụ cloud được quản lý toàn phần để xây dựng, huấn luyện và triển khai model machine learning ở quy mô lớn. Dịch vụ cung cấp machine learning tự động, tính năng huấn luyện model bằng thao tác kéo thả và Python SDK để kiểm soát model hoàn toàn bằng mã.

AzureML mang lại lợi ích gì cho người dùng YOLO?#

AzureML cho phép bạn training và triển khai model Ultralytics YOLO26 trên đám mây, từ tạo prototype nhanh đến các lần chạy ở quy mô lớn. Với AzureML, bạn có thể:

  • Quản lý dataset lớn và tài nguyên tính toán để huấn luyện.
  • Sử dụng các công cụ tích hợp sẵn để tiền xử lý dữ liệu, chọn đặc trưng và huấn luyện model.
  • Cộng tác hiệu quả hơn với các khả năng MLOps (Vận hành machine learning), bao gồm giám sát, kiểm toán và quản lý phiên bản model cũng như dữ liệu.

Trong các phần tiếp theo, bạn sẽ tìm thấy hướng dẫn bắt đầu nhanh, trình bày cách chạy model phát hiện đối tượng YOLO26 bằng AzureML từ terminal tính toán hoặc notebook.

Điều kiện tiên quyết#

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

Tạo Compute Instance#

Trong workspace AzureML, chọn Compute > Compute instances > New, sau đó chọn instance có tài nguyên bạn cần.

Create Azure Compute Instance

Bắt đầu nhanh từ Terminal#

Khởi động tài nguyên tính toán và mở Terminal:

Opening a terminal on an AzureML compute instance

Tạo môi trường ảo#

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

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

Python 3.13 hiện đang gặp sự cố dependency trên AzureML, vì vậy hãy dùng Python 3.12.

Cài đặt các dependency cần thiết:

pip install ultralytics onnx

Thực hiện các tác vụ YOLO26#

Dự đoán:

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

Training model phát hiện trong 10 epoch:

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

Bắt đầu nhanh từ notebook#

Tạo IPython Kernel mới#

Mở Terminal của tài nguyên tính toán.

Opening a terminal on an AzureML compute instance

Từ terminal của tài nguyên tính toán, tạo ipykernel mới bằng Python 3.12 để notebook sử dụng kernel này quản lý dependency:

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 notebook mới. Trong notebook, chọn kernel vừa tạo.

Sau đó, mở một ô notebook và cài đặt các dependency cần thiết:

%%bash
source activate yolo26env
pip install ultralytics onnx
Kích hoạt môi trường trong mọi ô

Chạy source activate yolo26env ở đầu mỗi ô %%bash để ô đó sử dụng đúng môi trường.

Chạy một số dự đoán bằng Ultralytics CLI:

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

Hoặc dùng giao diện Python của Ultralytics, chẳng hạn để training model:

from ultralytics import YOLO

# Tải model
model = YOLO("yolo26n.pt")  # tải model YOLO26n chính thức

# Sử dụng model
model.train(data="coco8.yaml", epochs=3)  # training model
metrics = model.val()  # đánh giá hiệu suất model trên tập validation
results = model("https://ultralytics.com/images/bus.jpg")  # dự đoán trên một ảnh
path = model.export(format="onnx")  # xuất model sang định dạng ONNX

Bạn có thể dùng Ultralytics CLI hoặc giao diện Python để chạy các tác vụ YOLO26. Ví dụ Python ở trên cũng xuất model đã training sang ONNX để triển khai.

Bằng cách làm theo các bước này, bạn có thể nhanh chóng chạy YOLO26 trên AzureML. Để tìm hiểu các workflow nâng cao hơn, hãy xem tài liệu AzureML.

Khám phá thêm về AzureML#

Hướng dẫn này trình bày những kiến thức cơ bản về cách chạy YOLO26 trên AzureML. Để tìm hiểu sâu hơn, hãy khám phá các tài nguyên sau:

Câu hỏi thường gặp#

  • Để chạy YOLO26 trên AzureML nhằm training, hãy tạo compute instance, thiết lập môi trường Conda, cài đặt Ultralytics và chạy lệnh training:

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

    2. Thiết lập môi trường: Khởi động instance tính toán, mở terminal và tạo môi trường Conda với Python 3.12 (Python 3.13 hiện gặp vấn đề về dependency 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 model:

      yolo train data=coco8.yaml model=yolo26n.pt epochs=10
  • AzureML cung cấp môi trường được quản lý để huấn luyện model YOLO26:

    • Khả năng mở rộng: Mở rộng tài nguyên tính toán khi dữ liệu và độ phức tạp của model tăng lên.
    • Tích hợp MLOps: Sử dụng các tính năng như quản lý phiên bản, giám sát và kiểm toán để tinh giản hoạt động ML.
    • Cộng tác: Chia sẻ và quản lý tài nguyên trong nhóm, cải thiện quy trình làm việc cộng tác.

    Những tính năng này khiến AzureML phù hợp với các dự án từ prototype nhanh đến triển khai quy mô lớn.

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

    • Sự cố về dependency: Đảm bảo tất cả các package bắt buộc đã được cài đặt bằng pip install ultralytics onnx.
    • Thiết lập môi trường: Xác minh môi trường conda đã được kích hoạt chính xác trước khi chạy lệnh.
    • Phân bổ tài nguyên: Đảm bảo các instance tính toán có đủ tài nguyên để xử lý khối lượng công việc huấn luyện.

    Để được hướng dẫn thêm, hãy xem tài liệu Các sự cố thường gặp với YOLO.

  • Có, AzureML cho phép bạn sử dụng cả Ultralytics CLI lẫn giao diện Python:

    • CLI: Phù hợp cho các tác vụ nhanh và chạy trực tiếp các script tiêu chuẩn 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 viết code tùy chỉnh và tích hợp trong notebook.

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

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

  • Ultralytics YOLO26 có một số ưu điểm so với các model phát hiện đối tượng cạnh tranh:

    • Tốc độ: Thời gian suy luận và huấn luyện nhanh hơn so với các model như Faster R-CNN và SSD.
    • Độ chính xác: Độ chính xác cao trong các tác vụ phát hiện nhờ những tính năng như thiết kế không dùng anchor và các chiến lược tăng cường nâng cao.
    • Dễ sử dụng: API và CLI trực quan giúp thiết lập nhanh chóng, phù hợp cho cả người mới bắt đầu lẫn chuyên gia.

Bình luận

Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.