YOLO11 🚀 trên AzureML

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

Chạy YOLO11 trên AzureML để đào tạo mô hình bao gồm một số bước: Để biết thêm chi tiết, bạn có thể tham khảo hướng dẫn sử dụng Ultralytics CLI .

Azure là gì?

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

Azure Machine Learning (AzureML) là gì?

Azure Machine Learning, thường được gọi là AzureML, là một dịch vụ đám mây được quản lý hoàn toàn cho phép các nhà khoa học và nhà phát triển dữ liệu nhúng hiệu quả các phân tích dự đoán vào ứng dụng của họ, giúp các tổ chức sử dụng các bộ dữ liệu khổng lồ và mang tất cả các lợi ích của đám mây vào học máy. AzureML cung cấp nhiều dịch vụ và khả năng nhằm giúp máy học có thể truy cập, dễ sử dụng và có thể mở rộng. Nó cung cấp các khả năng như học máy tự động, đào tạo mô hình kéo và thả, cũng như mạnh mẽ Python SDK để các nhà phát triển có thể tận dụng tối đa các mô hình học máy của họ.

AzureML mang lại lợi ích như thế nào YOLO Người dùng?

Đối với người dùng của YOLO (Bạn chỉ nhìn một lần), AzureML cung cấp một nền tảng mạnh mẽ, có thể mở rộng và hiệu quả để đào tạo và triển khai các mô hình học máy. Cho dù bạn đang tìm cách chạy các nguyên mẫu nhanh hay mở rộng quy mô để xử lý dữ liệu phong phú hơn, môi trường linh hoạt và thân thiện với người dùng của AzureML cung cấp nhiều công cụ và dịch vụ khác nhau để phù hợp với nhu cầu của bạn. Bạn có thể tận dụng AzureML để:

Dễ dàng quản lý các bộ dữ liệu lớn và tài nguyên tính toán để đào tạo.
Sử dụng các công cụ tích hợp để tiền xử lý dữ liệu, lựa chọn tính năng và đào tạo mô hình.
Cộng tác hiệu quả hơn với các chức năng cho MLOps (Machine Learning Operations), bao gồm nhưng không giới hạn ở việc giám sát, kiểm tra và lập phiên bản các mô hình và dữ liệu.

Trong các phần tiếp theo, bạn sẽ tìm thấy hướng dẫn bắt đầu nhanh nêu chi tiết cách chạy các mô hình phát hiện đối tượng YOLO11 bằng AzureML, từ thiết bị đầu cuối tính toán hoặc máy tính xách tay.

Điều kiện tiên quyết

Trước khi bạn có thể bắt đầu, hãy đảm bảo bạn có quyền truy cập vào không gian làm việc AzureML. Nếu chưa có, bạn có thể tạo không gian làm việc AzureML mới bằng cách làm theo tài liệu chính thức của Azure. Không gian làm việc này hoạt động như một nơi tập trung để quản lý tất cả các tài nguyên AzureML.

Tạo phiên bản điện toán

Từ không gian làm việc AzureML của bạn, chọn Phiên bản điện toán > > Mới, chọn phiên bản có tài nguyên bạn cần.

Bắt đầu nhanh từ Terminal

Bắt đầu tính toán và mở Terminal:

Mở Terminal

Tạo virtualenv

Tạo conda virtualenv của bạn và cài đặt pip trong đó:

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

Cài đặt các phụ thuộc cần thiết:

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

Thực hiện nhiệm vụ YOLO11

Dự đoán:

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

Đào tạo mô hình phát hiện trong 10 kỷ nguyên với tốc độ học ban đầu là 0,01:

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

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

Bắt đầu nhanh từ Sổ ghi chép

Tạo hạt nhân IPython mới

Mở thiết bị đầu cuối điện toán.

Mở Terminal

Từ thiết bị đầu cuối điện toán, bạn cần tạo một ipykernel mới sẽ được sổ ghi chép của bạn sử dụng để quản lý các phần phụ thuộc của bạn:

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"

Đóng thiết bị đầu cuối của bạn và tạo sổ ghi chép mới. Từ Notebook của bạn, bạn có thể chọn hạt nhân mới.

Sau đó, bạn có thể mở một ô Sổ ghi chép và cài đặt các phần phụ thuộc cần thiết:

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

Lưu ý rằng chúng ta cần sử dụng source activate yolo11env Đối với tất cả các ô %%bash, để đảm bảo rằng ô %%bash sử dụng môi trường chúng ta muốn.

Chạy một số dự đoán bằng cách sử dụng Ultralytics CLI:

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

Hoặc với Ultralytics Python Giao diện, ví dụ để đào tạo mô hình:

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

Bạn có thể sử dụng một trong hai Ultralytics CLI hoặc Python giao diện để chạy các tác vụ YOLO11, như được mô tả trong phần thiết bị đầu cuối ở trên.

Bằng cách làm theo các bước này, bạn sẽ có thể chạy YOLO11 nhanh chóng trên AzureML để dùng thử nhanh. Để biết thêm các cách sử dụng nâng cao, bạn có thể tham khảo tài liệu AzureML đầy đủ được liên kết ở đầu hướng dẫn này.

Khám phá thêm với AzureML

Hướng dẫn này đóng vai trò là phần giới thiệu giúp bạn bắt đầu và chạy YOLO11 trên AzureML. Tuy nhiên, hướng dẫn này chỉ giới thiệu sơ lược về những gì AzureML có thể cung cấp. Để tìm hiểu sâu hơn và khai thác toàn bộ tiềm năng của AzureML cho các dự án học máy của bạn, hãy cân nhắc khám phá các tài nguyên sau:

Tạo tài sản dữ liệu: Tìm hiểu cách thiết lập và quản lý tài sản dữ liệu của bạn một cách hiệu quả trong môi trường AzureML.
Bắt đầu công việc AzureML: Hiểu biết toàn diện về cách khởi động các công việc đào tạo máy học của bạn trên AzureML.
Đăng ký Mô hình: Tự làm quen với các phương pháp quản lý mô hình bao gồm đăng ký, lập phiên bản và triển khai.
Đào tạo YOLO11 với AzureML Python SDK : Khám phá hướng dẫn từng bước về cách sử dụng AzureML Python SDK để đào tạo các mô hình YOLO11 của bạn.
Đào tạo YOLO11 bằng AzureML CLI : Khám phá cách sử dụng giao diện dòng lệnh để đào tạo và quản lý hợp lý các mô hình YOLO11 trên AzureML.

FAQ

Làm thế nào để chạy YOLO11 trên AzureML để đào tạo mô hình?

Việc chạy YOLO11 trên AzureML để đào tạo mô hình bao gồm một số bước sau:

Tạo phiên bản điện toán: Từ không gian làm việc AzureML của bạn, điều hướng đến Phiên bản điện toán > điện toán > Mới và chọn phiên bản bắt buộc.
Môi trường thiết lập: Khởi động phiên bản điện toán, mở thiết bị đầu cuối và tạo môi trường conda:
```
conda create --name yolo11env -y
conda activate yolo11env
conda install pip -y
pip install ultralytics onnx>=1.12.0
```
Chạy Nhiệm vụ YOLO11 : Sử dụng Ultralytics CLI để đào tạo mô hình của bạn:
```
yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01
```

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

Lợi ích của việc sử dụng AzureML cho đào tạo YOLO11 là gì?

AzureML cung cấp một hệ sinh thái mạnh mẽ và hiệu quả để đào tạo các mô hình YOLO11:

Khả năng thay đổi quy mô: Dễ dàng thay đổi quy mô tài nguyên điện toán khi độ phức tạp của dữ liệu và mô hình tăng lên.
Tích hợp MLOps: Sử dụng các tính năng như lập phiên bản, giám sát và kiểm tra để hợp lý hóa các hoạt động ML.
Cộng tác: Chia sẻ và quản lý tài nguyên trong nhóm, tăng cường quy trình làm việc cộng tác.

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

Làm thế nào để khắc phục sự cố thường gặp khi chạy YOLO11 trên AzureML?

Việc khắc phục sự cố thường gặp với YOLO11 trên AzureML có thể bao gồm các bước sau:

Vấn đề phụ thuộc: Đảm bảo tất cả các gói cần thiết được cài đặt. Tham khảo requirements.txt tập tin cho các phụ thuộc.
Thiết lập môi trường: Xác minh rằng môi trường conda của bạn đã được kích hoạt chính xác trước khi chạy lệnh.
Phân bổ tài nguyên: Đảm bảo phiên bản điện toán của bạn có đủ tài nguyên để xử lý khối lượng công việc đào tạo.

Để được hướng dẫn thêm, hãy xem lại YOLO Tài liệu về các vấn đề thường gặp .

Tôi có thể sử dụng cả hai không Ultralytics CLI và Python giao diện trên AzureML?

Có, AzureML cho phép bạn sử dụng cả hai Ultralytics CLI và Python Giao diện liền mạch:

CLI: Lý tưởng cho các tác vụ nhanh và chạy các tập lệnh tiêu chuẩn trực tiếp từ thiết bị đầu cuối.
```
yolo predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'
```
Python Giao diện: Hữu ích cho các tác vụ phức tạp hơn yêu cầu mã hóa và tích hợp tùy chỉnh trong sổ ghi chép.
```
from ultralytics import YOLO

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

Tham khảo hướng dẫn bắt đầu nhanh để biết thêm hướng dẫn chi tiết tại đây và nhấn vào đây.

Lợi ích của việc sử dụng là gì? Ultralytics YOLO11 có tốt hơn các mô hình phát hiện đối tượng khác không?

Ultralytics YOLO11 cung cấp một số lợi thế độc đáo so với các mô hình phát hiện đối tượng cạnh tranh:

Tốc độ: Thời gian suy luận và đào tạo nhanh hơn so với các mô hình như R-CNN và SSD nhanh hơn.
Độ chính xác : Độ chính xác cao trong các nhiệm vụ phát hiện với các tính năng như thiết kế không có điểm neo và các chiến lược tăng cường nâng cao.
Dễ sử dụng: API trực quan và CLI để thiết lập nhanh chóng, làm cho nó có thể truy cập được cho cả người mới bắt đầu và các chuyên gia.

Để khám phá thêm về các tính năng của YOLO11, hãy truy cập trang YOLO Ultralytics để biết thông tin chi tiết.

📅 Được tạo ra cách đây 1 năm ✏️ Đã cập nhật cách đây 1 tháng