YOLO11 🚀关于 AzureML
什么是 Azure？
Azure是Microsoft 的云计算平台，旨在帮助企业将其工作负载从内部数据中心转移到云中。Azure 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，用户可以从这些服务中进行选择，在公共云中开发和扩展新的应用程序或运行现有应用程序。
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，并将云的所有优势引入机器学习。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 灵活且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。
- 利用 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。
在随后的章节中，您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电脑运行YOLO11 物体检测模型。
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。
从终端快速启动
启动计算机并打开终端：
创建 virtualenv
创建 conda 虚拟环境，并在其中安装 pip：
安装所需的依赖项：
执行YOLO11 任务
预测：
训练检测模型 10 个历元，初始学习率为 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。
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
如上文终端部分所述，您可以使用Ultralytics CLI 或Python 界面运行YOLO11 任务。
按照这些步骤，您应该能够在 AzureML 上快速运行YOLO11 ，进行快速试验。对于更高级的使用，您可以参考本指南开头链接的完整 AzureML 文档。
使用 AzureML 探索更多
本指南可作为入门指南，帮助您在 AzureML 上运行YOLO11 。然而，它只是对 AzureML 所能提供功能的表面介绍。要深入了解 AzureML 并充分释放其在机器学习项目中的潜力，请考虑探索以下资源：
- 创建数据资产：了解如何在 AzureML 环境中有效设置和管理数据资产。
- 启动 AzureML 作业：全面了解如何在 AzureML 上启动机器学习训练作业。
- 注册模型：熟悉模型管理实践，包括注册、版本管理和部署。
- 使用 AzureMLPython SDK 训练YOLO11 ：探索使用 AzureMLPython SDK 训练YOLO11 模型的分步指南。
- 使用 AzureMLCLI 训练YOLO11 ：了解如何利用命令行界面简化 AzureML 上YOLO11 模型的训练和管理。
常见问题
如何在 AzureML 上运行YOLO11 进行模型训练？
在 AzureML 上运行YOLO11 进行模型训练涉及几个步骤：
-
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。
-
设置环境：启动计算实例，打开终端，创建 conda 环境：
-
运行YOLO11 任务：使用Ultralytics CLI 训练模型：
更多详情，请参阅 Ultralytics CLI 的 使用说明。
使用 AzureML 进行YOLO11 培训有哪些好处？
AzureML 为训练YOLO11 模型提供了一个强大而高效的生态系统：
- 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。
在 AzureML 上运行YOLO11 时，如何排除常见问题？
要排除YOLO11 在 AzureML 上的常见问题，可采取以下步骤：
- 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。
-
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。
与其他物体检测模型相比，使用Ultralytics YOLO11 有什么优势？
Ultralytics YOLO11 与竞争对手的物体检测模型相比，它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。
- 准确性:通过无锚设计和增强型增强策略等功能，实现高精度检测任务。
- 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。
要了解有关YOLO11 功能的更多信息，请访问 Ultralytics YOLO页面了解详情。
