跳至内容

YOLO11 🚀 on AzureML

什么是 Azure？

Azure is Microsoft's cloud computing platform, designed to help organizations move their workloads to the cloud from on-premises data centers. With the full spectrum of cloud services including those for computing, databases, analytics, machine learning, and networking, users can pick and choose from these services to develop and scale new applications, or run existing applications, in the public cloud.

什么是 Azure 机器学习（AzureML）？

Azure Machine Learning（通常称为 AzureML）是一种完全托管的云服务，它使数据科学家和开发人员能够高效地将预测分析嵌入到他们的应用程序中，帮助企业使用海量数据集，并将云计算的所有优势带到机器学习中。AzureML 提供了各种服务和功能，旨在使机器学习易于访问、使用和扩展。它提供的功能包括自动机器学习、拖放模型训练以及强大的Python SDK，使开发人员可以充分利用机器学习模型。

AzureML 如何使YOLO 用户受益？

对于YOLO （You Only Look Once）的用户来说，AzureML 为训练和部署机器学习模型提供了一个强大、可扩展且高效的平台。无论您是要运行快速原型，还是要扩大规模以处理更多数据，AzureML 灵活而用户友好的环境都能提供各种工具和服务来满足您的需求。您可以利用 AzureML

  • 轻松管理用于训练的大型数据集和计算资源。
  • 利用内置工具进行数据预处理、特征选择和模型训练。
  • 通过 MLOps（机器学习运营）功能，包括但不限于模型和数据的监控、审计和版本管理，提高协作效率。

In the subsequent sections, you will find a quickstart guide detailing how to run YOLO11 object detection models using AzureML, either from a compute terminal or a notebook.

先决条件

在开始之前，请确保您可以访问 AzureML 工作区。如果没有，可以按照 Azure 的官方文档创建一个新的AzureML 工作区。该工作区是管理所有 AzureML 资源的集中场所。

创建计算实例

在 AzureML 工作区中，选择 "计算">"计算实例">"新建"，选择具有所需资源的实例。

创建 Azure 计算实例

从终端快速启动

启动计算机并打开终端：

开放式终端

创建 virtualenv

创建 conda 虚拟环境，并在其中安装 pip：

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

安装所需的依赖项：

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

Perform YOLO11 tasks

预测：

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

Train a detection model for 10 epochs with an initial learning_rate of 0.01:

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

您可以在这里找到使用Ultralytics CLI 的更多 说明。

从笔记本电脑快速启动

创建新的 IPython 内核

打开计算终端。

开放式终端

在计算终端，你需要创建一个新的 ipykernel，笔记本将使用它来管理你的依赖关系：

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"

关闭终端，新建一个笔记本。在笔记本中，您可以选择新内核。

然后打开笔记本单元，安装所需的依赖项：

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

请注意，我们需要使用 source activate yolo11env 的所有 %%bash 单元，以确保 %%bash 单元使用我们想要的环境。

使用 Ultralytics CLI:

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

或者使用Ultralytics Python 界面，例如训练模型：

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

You can use either the Ultralytics CLI or Python interface for running YOLO11 tasks, as described in the terminal section above.

By following these steps, you should be able to get YOLO11 running quickly on AzureML for quick trials. For more advanced uses, you may refer to the full AzureML documentation linked at the beginning of this guide.

使用 AzureML 探索更多

This guide serves as an introduction to get you up and running with YOLO11 on AzureML. However, it only scratches the surface of what AzureML can offer. To delve deeper and unlock the full potential of AzureML for your machine learning projects, consider exploring the following resources:

常见问题

How do I run YOLO11 on AzureML for model training?

Running YOLO11 on AzureML for model training involves several steps:

  1. 创建计算实例：从 AzureML 工作区，导航至计算 > 计算实例 > 新建，然后选择所需的实例。

  2. 设置环境：启动计算实例，打开终端，创建 conda 环境：

    conda create --name yolo11env -y
conda activate yolo11env
conda install pip -y
pip install ultralytics onnx>=1.12.0

  3. Run YOLO11 Tasks: Use the Ultralytics CLI to train your model:

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

更多详情，请参阅 Ultralytics CLI 的 使用说明。

What are the benefits of using AzureML for YOLO11 training?

AzureML provides a robust and efficient ecosystem for training YOLO11 models:

  • 可扩展性：随着数据和模型复杂性的增加，轻松扩展计算资源。
  • MLOps 集成：利用版本管理、监控和审计等功能简化 ML 操作。
  • 协作：在团队内部共享和管理资源，加强协作工作流程。

这些优势使 AzureML 成为从快速原型到大规模部署等各种项目的理想平台。有关更多技巧，请查看AzureML 工作。

How do I troubleshoot common issues when running YOLO11 on AzureML?

Troubleshooting common issues with YOLO11 on AzureML can involve the following steps:

  • 依赖性问题:确保安装了所有必需的软件包。请参阅 requirements.txt 文件来查找依赖关系。
  • 环境设置：在运行命令前，确认已正确激活 conda 环境。
  • 资源分配：确保计算实例有足够的资源来处理培训工作量。

如需更多指导，请查阅我们的YOLO 常见问题文档。

能否在 AzureML 上同时使用Ultralytics CLI 和Python 接口？

是的，AzureML 允许您无缝使用Ultralytics CLI 和Python 界面：

  • CLI:适用于快速任务和直接从终端运行标准脚本。

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

  • Python 界面：适用于需要自定义编码和集成到笔记本中的更复杂任务。

    from ultralytics import YOLO

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

有关更详细的说明，请参阅此处和此处的快速入门指南。

What is the advantage of using Ultralytics YOLO11 over other object detection models?

Ultralytics YOLO11 offers several unique advantages over competing object detection models:

  • 速度：与 Faster R-CNN 和 SSD 等模型相比，推理和训练时间更快。
  • Accuracy: High accuracy in detection tasks with features like anchor-free design and enhanced augmentation strategies.
  • 易用性：直观的应用程序接口（API）和可快速设置的CLI ，使初学者和专家都能使用。

To explore more about YOLO11's features, visit the Ultralytics YOLO page for detailed insights.

📅 Created 1 year ago ✏️ Updated 1 month ago
超解助手 翔宇 里兹万-穆纳瓦 瓯越

评论