YOLO11 🚀 trên AzureML

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 dữ liệu và nhà phát triển nhúng hiệu quả phân tích dự đoán vào các ứng dụng của họ, giúp các tổ chức sử dụng các tập dữ liệu lớn và mang lại tất cả các lợi ích của đám mây cho máy học. AzureML cung cấp nhiều dịch vụ và khả năng nhằm mục đích làm cho máy học có thể truy cập được, dễ sử dụng và có thể mở rộng. Nó cung cấp các khả năng như máy học tự động, đào tạo mô hình kéo và thả, cũng như một Python SDK giúp các nhà phát triển có thể tận dụng tối đa các mô hình học máy của họ.

AzureML có lợi ích như thế nào YOLO Người dùng?

Đối với người dùng 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 muốn chạy các nguyên mẫu nhanh hay mở rộng quy mô để xử lý dữ liệu mở rộng hơn, môi trường linh hoạt và thân thiện với người dùng của AzureML cung cấp nhiều công cụ và dịch vụ khác nhau phù hợp với nhu cầu của bạn. Bạn có thể tận dụng AzureML để:

Dễ dàng quản lý các tập dữ liệu lớn và tài nguyên tính toán để đào tạo.
Sử dụng các công cụ tích hợp để xử lý dữ liệu trước, lựa chọn tính năng và đào tạo mô hình.
Hợp tác hiệu quả hơn với các khả năng của MLOps (Hoạt động học máy), bao gồm nhưng không giới hạn ở việc giám sát, kiểm tra 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 nêu chi tiết cách chạy YOLO11 mô hình phát hiện đối tượng sử dụng 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 rằng bạn có quyền truy cập vào không gian làm việc AzureML. Nếu bạn không 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 một phiên bản tính toán

Từ không gian làm việc AzureML, chọn Compute > Compute instances > New, chọn phiên bản có tài nguyên bạn cần.

Khởi động nhanh từ Terminal

Khởi động máy tính và mở Terminal:

Mở Terminal

Tạo virtualenv

Tạo conda virtualenv và cài đặt pip vào 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

Trình diễn YOLO11 nhiệm vụ

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 Notebook

Tạo một hạt nhân IPython mới

Mở Terminal máy tính.

Mở Terminal

Từ thiết bị đầu cuối tính toán của bạn, bạn cần tạo một ipykernel mới sẽ được máy tính xách tay của bạn sử dụng để quản lý các 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 terminal và tạo một notebook mới. Từ Notebook, bạn có thể chọn kernel mới.

Sau đó, bạn có thể mở một ô Notebook và cài đặt các 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 mà chúng ta muốn.

Chạy một số dự đoán bằng CLI Ultralytics :

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

Hoặc với giao diện Python Ultralytics , 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 YOLO11 nhiệm vụ, như được mô tả trong phần thiết bị đầu cuối ở trên.

Bằng cách làm theo các bước này, bạn sẽ có thể nhận được YOLO11 chạy nhanh trên AzureML để dùng thử nhanh. Để sử dụng nâng cao hơn, 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 như phần giới thiệu giúp bạn bắt đầu và chạy YOLO11 trên AzureML. Tuy nhiên, nó chỉ là bề nổi của những gì AzureML có thể cung cấp. Để tìm hiểu sâu hơn và mở khóa 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.
Khởi tạo công việc AzureML : Tìm hiểu toàn diện về cách khởi động công việc đào tạo máy học của bạn trên AzureML.
Đăng ký mô hình : Làm quen với các hoạt động quản lý mô hình bao gồm đăng ký, quản lý 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 bạn YOLO11 mô hình.
Đào tạo YOLO11 với AzureML CLI : Khám phá cách sử dụng giao diện dòng lệnh để đào tạo và quản lý hợp lý YOLO11 mô hình trên AzureML.

CÂU HỎI THƯỜNG GẶP

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

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

Tạo phiên bản Compute : Từ không gian làm việc AzureML, điều hướng đến Compute > Phiên bản Compute > Mới và chọn phiên bản cần thiết.
Thiết lập môi trường : Khởi động phiên bản máy tính của bạn, 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 là gì? YOLO11 đào tạo?

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

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

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

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

Xử lý sự cố thường gặp với YOLO11 trên AzureML có thể bao gồm các bước sau:

Các 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 được kích hoạt đúng cách trước khi chạy lệnh.
Phân bổ tài nguyên : Đảm bảo các phiên bản tính toán của bạn có đủ tài nguyên để xử lý khối lượng công việc đào tạo.

Để biết thêm hướng dẫn, hãy xem tài liệu Sự cố thường gặp YOLO của chúng tôi.

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 : Thích hợp cho các tác vụ nhanh và chạy các tập lệnh chuẩn trực tiếp từ thiết bị đầu cuối.
```
yolo predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'
```
Giao diện Python : Hữu ích cho các tác vụ phức tạp hơn đòi hỏi phải mã hóa tùy chỉnh và tích hợp 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 hướng dẫn chi tiết hơn tại đây và tại đây .

Lợi ích của việc sử dụng là gì? Ultralytics YOLO11 so với các mô hình phát hiện đối tượng khác?

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 Faster R-CNN và SSD.
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, giúp cả người mới bắt đầu và chuyên gia đều có thể sử dụng.

Để khám phá thêm về YOLO11 Để biết thêm thông tin chi tiết về các tính năng của Ultralytics YOLO .

📅 Được tạo ra cách đây 1 năm ✏️ Đã cập nhật cách đây 2 tháng