Link to this sectionAzureML 上的 YOLO26 🚀#

Link to this section什么是 Azure？#

Azure 是微软的云计算平台，旨在帮助企业将其工作负载从本地数据中心迁移到云端。通过包括计算、数据库、分析、机器学习和网络在内的全方位云服务，用户可以按需选择这些服务来开发和扩展新应用程序，或在公有云中运行现有应用程序。

Link to this section什么是 Azure Machine Learning (AzureML)？#

Azure 机器学习 (AzureML) 是一项完全托管的云服务，用于大规模构建、训练和部署机器学习模型。它提供自动机器学习、拖放式模型训练以及用于全面编程控制模型的 Python SDK。

Link to this sectionAzureML 如何使 YOLO 用户受益？#

AzureML 让你能够在云端训练和部署 Ultralytics YOLO26 模型，从快速原型设计到大规模运行皆可。使用它，你可以：

• 轻松管理用于训练的大规模数据集和计算资源。
• 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（机器学习运维）功能更高效地协作，包括但不限于模型和数据的监控、审计及版本控制。

在接下来的章节中，你将找到一份快速入门指南，详细介绍如何从计算终端或 Notebook 中使用 AzureML 运行 YOLO26 目标检测模型。

Link to this section前提条件#

开始之前，请确保你拥有 AzureML 工作区的访问权限。如果你还没有，可以按照 Azure 的官方文档创建一个新的 AzureML 工作区。此工作区将作为管理所有 AzureML 资源的中心位置。

Link to this section创建计算实例#

在你的 AzureML 工作区中，选择“计算” > “计算实例” > “新建”，然后选择满足你所需资源的实例。

Link to this section从终端快速入门#

启动你的计算实例并打开一个终端：

Link to this section创建虚拟环境#

创建一个 conda 虚拟环境并在其中安装 pip：

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

安装所需的依赖项：

pip install ultralytics onnx

Link to this section执行 YOLO26 任务#

预测：

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

训练一个检测模型，进行 10 个 epoch，初始 learning_rate 为 0.01：

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

你可以在此处找到更多使用 Ultralytics CLI 的说明。

Link to this section从 Notebook 快速入门#

Link to this section创建一个新的 IPython 内核#

打开计算终端。

在你的计算终端中，使用 Python 3.12 创建一个新的 ipykernel，供你的 Notebook 用于管理依赖项：

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"

关闭终端并创建一个新 Notebook。在 Notebook 中，选择刚才创建的内核。

然后打开一个 Notebook 单元格并安装所需的依赖项：

%%bash
source activate yolo26env
pip install ultralytics onnx

使用 Ultralytics CLI 运行一些预测：

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

或者使用 Ultralytics Python 接口，例如用于训练模型：

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

你可以使用 Ultralytics CLI 或 Python 接口来运行 YOLO26 任务。上面的 Python 示例还将训练好的模型导出为 ONNX 以便部署。

按照这些步骤，你可以让 YOLO26 在 AzureML 上快速运行。如需了解更高级的工作流程，请参阅 AzureML 文档。

Link to this section通过 AzureML 探索更多#

本指南涵盖了在 AzureML 上运行 YOLO26 的基础知识。若要深入了解，请探索以下资源：

• 创建数据资产：在 AzureML 环境中设置并管理你的数据资产。
• 启动 AzureML 作业：在 AzureML 上启动你的机器学习训练作业。
• 注册模型：管理模型注册、版本控制和部署。
• Modal 快速入门：作为 AzureML 的替代方案，在 Modal 的无服务器 GPU 云上运行 YOLO26。

Link to this section常见问题解答#

Link to this section如何在 AzureML 上运行 YOLO26 进行模型训练？#

要在 AzureML 上运行 YOLO26 进行训练，请创建计算实例，设置 Conda 环境，安装 Ultralytics，然后运行训练命令：

1. 创建计算实例：在 AzureML 工作区中，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，并使用 Python 3.12 创建 Conda 环境（Python 3.13 目前在 AzureML 上存在依赖问题）：

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

3. 运行 YOLO26 任务：使用 Ultralytics CLI 训练你的模型：

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

更多详细信息，请参阅使用 Ultralytics CLI 的说明。

Link to this section在 AzureML 上进行 YOLO26 训练有什么好处？#

AzureML 为训练 YOLO26 模型提供了一个强大且高效的生态系统：

• 可扩展性：随着数据和模型复杂性的增加，轻松扩展你的计算资源。
• MLOps 集成：利用版本控制、监控和审计等功能来简化机器学习运维。
• 协作：在团队内部共享和管理资源，增强协作工作流程。

这些优势使 AzureML 成为从快速原型到大规模部署等各类项目的理想平台。如需更多提示，请查阅 AzureML 作业。

Link to this section在 AzureML 上运行 YOLO26 时，如何排查常见问题？#

要排查 AzureML 上的 YOLO26 问题，请核实依赖项是否已安装，确认 Conda 环境已激活，并确保计算实例拥有足够的资源：

• 依赖问题：确保使用 pip install ultralytics onnx 安装了所有必需的包。
• 环境设置：在运行命令前，验证你的 conda 环境是否已正确激活。
• 资源分配：确保你的计算实例拥有足够的资源来处理训练工作负载。

如需额外指导，请查看我们的 YOLO 常见问题文档。

Link to this section我可以在 AzureML 上同时使用 Ultralytics CLI 和 Python 接口吗？#

可以，AzureML 允许你无缝使用 Ultralytics CLI 和 Python 接口：

• CLI：非常适合执行快速任务以及直接从终端运行标准脚本。

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

• Python 接口：适用于需要自定义编码并在 Notebook 中集成的更复杂任务。

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

有关分步说明，请参阅 CLI 快速入门指南 和 Python 快速入门指南。

Link to this section与其他目标检测模型相比，使用 Ultralytics YOLO26 有什么优势？#

与竞品目标检测模型相比，Ultralytics YOLO26 具有几个独特的优势：

• 速度：与 Faster R-CNN 和 SSD 等模型相比，推理和训练时间更快。
• 准确度：在检测任务中表现出高准确度，并具备无锚点 (anchor-free) 设计和增强的增强策略等特性。
• 易用性：直观的 API 和 CLI 可实现快速设置，无论是初学者还是专家都能轻松上手。

要深入了解 YOLO26 的功能，请访问 Ultralytics YOLO 页面以获取详细见解。