Ultralytics YOLO27：

AzureML 上的 YOLO26 🚀#

什么是 Azure？#

Azure 是 Microsoft 的云计算平台，旨在帮助组织将工作负载从本地数据中心迁移到云端。该平台提供全方位的云服务，包括计算、数据库、分析、机器学习和网络服务，用户可以按需选择这些服务，在公有云中开发和扩展新应用，或运行现有应用。

什么是 Azure 机器学习（AzureML）？#

Azure 机器学习（AzureML）是一项完全托管的云服务，可大规模构建、训练和部署机器学习模型。它提供自动化机器学习、拖放式模型训练，以及用于全面以编程方式控制模型的 Python SDK。

AzureML 如何助益 YOLO 用户？#

AzureML 让你可以在云端训练和部署 Ultralytics YOLO26 模型，从快速原型到大规模运行均可。你可以使用它：

  • 轻松管理训练所需的大型数据集和计算资源。
  • 利用用于数据预处理、特征选择和模型训练的内置工具。
  • 借助 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、审计与版本控制。

在后续章节中，你将看到一份快速入门指南，详细介绍如何使用 AzureML 从计算终端或笔记本运行 YOLO26 目标检测模型。

前置条件#

开始之前，请确保你可以访问 AzureML 工作区。如果没有，可以按照 Azure 官方文档创建新的 AzureML 工作区。此工作区可作为集中管理所有 AzureML 资源的位置。

创建计算实例#

在 AzureML 工作区中，选择 Compute > Compute instances > New，然后选择具有所需资源的实例。

Create Azure Compute Instance

从终端快速入门#

启动计算实例并打开终端：

Open Terminal

创建虚拟环境#

创建 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
Python 版本

Python 3.13 目前在 AzureML 上存在依赖项问题，因此请改用 Python 3.12。

安装所需依赖项：

pip install ultralytics onnx

执行 YOLO26 任务#

预测：

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

以 0.01 的初始 learning_rate 训练一个检测模型 10 个训练轮次：

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

你可以在此处找到使用 Ultralytics CLI 的更多说明。

从笔记本快速入门#

创建新的 IPython 内核#

打开计算终端。

Open Terminal

在计算终端中，使用 Python 3.12 创建新的 ipykernel，笔记本将使用它来管理依赖项：

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"

关闭终端并创建新的笔记本。在笔记本中选择新创建的内核。

然后打开一个笔记本单元格并安装所需依赖项：

%%bash
source activate yolo26env
pip install ultralytics onnx
在每个单元格中激活环境

在每个 %%bash 单元格的顶部运行 source activate yolo26env，以便该单元格使用指定的环境。

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 接口执行 YOLO26 任务。上面的 Python 示例还会将训练好的模型导出为 ONNX 以便部署。

按照这些步骤操作，你就可以快速在 AzureML 上运行 YOLO26。有关更高级的工作流，请参阅 AzureML 文档。

使用 AzureML 探索更多功能#

本指南介绍了在 AzureML 上运行 YOLO26 的基础知识。要进一步了解，请探索以下资源：

常见问题#

  • 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，依次转到 Compute > Compute instances > New，然后选择所需实例。

    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 上存在依赖项问题）：

      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 训练模型：

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

    有关更多详细信息，请参阅使用 Ultralytics CLI 的说明。

  • AzureML 为训练 YOLO26 模型提供了稳健高效的生态系统：

    • 可扩展性：随着数据量和模型复杂度增长，轻松扩展计算资源。
    • MLOps 集成：利用版本控制、监控和审计等功能，简化 ML 运维。
    • 协作：在团队内部共享和管理资源，提升协作工作流效率。

    这些优势使 AzureML 成为适合从快速原型到大规模部署等各类项目的理想平台。想了解更多技巧，请查看 AzureML 作业。

  • 要排查 AzureML 上 YOLO26 的问题，请确认已安装依赖项、Conda 环境已激活，并确保计算实例拥有足够的资源：

    • 依赖项问题：确保使用 pip install ultralytics onnx 安装所有必需的软件包。
    • 环境设置：运行命令前，确认 Conda 环境已正确激活。
    • 资源分配：确保计算实例拥有足够的资源来处理训练工作负载。

    如需更多指导，请参阅我们的 YOLO 常见问题文档。

  • 可以，AzureML 支持你无缝使用 Ultralytics CLI 和 Python 接口：

    • CLI：适合快速任务，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：适合需要自定义编码并在笔记本中集成的复杂任务。

      from ultralytics import YOLO

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

    如需分步说明，请参阅 CLI 快速入门指南和 Python 快速入门指南。

  • Ultralytics YOLO26 相比其他目标检测模型具有多项独特优势：

    • 速度：与 Faster R-CNN 和 SSD 等模型相比，推理和训练速度更快。
    • 精度：凭借无锚点设计和增强的数据增强策略等特性，在检测任务中具有较高精度。
    • 易用性：提供直观的 API 和 CLI，可快速完成设置，初学者和专家都能使用。

    要进一步了解 YOLO26 的功能，请访问 Ultralytics YOLO 页面获取详细信息。

贡献者
GLglenn-jocher12RAraimbekovm3PDpderrenger1Y-Y-T-G1LULucashygi1RIRizwanMunawar1

评论