YOLO11 🚀 على AzureML

Q: How do I run YOLO11 on AzureML for model training?

يتضمن تشغيل YOLO11 على AzureML لتدريب النموذج عدة خطوات: لمزيد من التفاصيل، يمكنك الرجوع إلى الإرشادات الخاصة باستخدام Ultralytics CLI.

ما هو Azure؟

Azure هي منصة الحوسبة السحابية من Microsoft، وهي مصممة لمساعدة المؤسسات على نقل أعباء العمل الخاصة بها إلى السحابة من مراكز البيانات المحلية. مع المجموعة الكاملة من الخدمات السحابية بما في ذلك خدمات الحوسبة وقواعد البيانات والتحليلات والتعلم الآلي والشبكات، يمكن للمستخدمين الاختيار من بين هذه الخدمات لتطوير وتوسيع نطاق التطبيقات الجديدة، أو تشغيل التطبيقات الحالية، في السحابة العامة.

ما هو Azure Machine Learning (AzureML)؟

Azure Machine Learning، المعروفة باسم AzureML، هي خدمة سحابية مُدارة بالكامل تمكن علماء البيانات والمطورين من تضمين التحليلات التنبؤية بكفاءة في تطبيقاتهم، مما يساعد المؤسسات على استخدام مجموعات البيانات الضخمة وتحقيق جميع مزايا السحابة في تعلم الآلة. تقدم AzureML مجموعة متنوعة من الخدمات والقدرات التي تهدف إلى جعل تعلم الآلة في المتناول وسهل الاستخدام وقابل للتطوير. توفر إمكانات مثل تعلم الآلة الآلي، وتدريب النماذج بالسحب والإفلات، بالإضافة إلى Python SDK قوي حتى يتمكن المطورون من تحقيق أقصى استفادة من نماذج تعلم الآلة الخاصة بهم.

كيف تفيد AzureML مستخدمي YOLO؟

لمستخدمي YOLO (أنت تنظر مرة واحدة فقط)، توفر AzureML منصة قوية وقابلة للتطوير وفعالة لتدريب ونشر نماذج تعلم الآلة. سواء كنت تتطلع إلى تشغيل نماذج أولية سريعة أو التوسع للتعامل مع المزيد من البيانات، فإن بيئة AzureML المرنة وسهلة الاستخدام توفر أدوات وخدمات متنوعة لتناسب احتياجاتك. يمكنك الاستفادة من AzureML من أجل:

يمكنك إدارة مجموعات البيانات الكبيرة والموارد الحسابية للتدريب بسهولة.
استخدم الأدوات المدمجة للمعالجة المسبقة للبيانات واختيار الميزات وتدريب النموذج.
تعاون بشكل أكثر كفاءة مع إمكانات MLOps (عمليات تعلم الآلة)، بما في ذلك على سبيل المثال لا الحصر مراقبة النماذج والبيانات وتدقيقها وإصدارها.

في الأقسام التالية، ستجد دليلًا سريعًا يشرح بالتفصيل كيفية تشغيل نماذج الكشف عن الكائنات YOLO11 باستخدام AzureML، إما من محطة طرفية للحوسبة أو دفتر ملاحظات.

المتطلبات الأساسية

قبل أن تتمكن من البدء، تأكد من أن لديك حق الوصول إلى مساحة عمل AzureML. إذا لم يكن لديك واحدة، يمكنك إنشاء مساحة عمل AzureML جديدة باتباع وثائق Azure الرسمية. تعمل مساحة العمل هذه كمكان مركزي لإدارة جميع موارد AzureML.

إنشاء مثيل حساب

من مساحة عمل AzureML الخاصة بك، حدد Compute > Compute instances > New، وحدد المثيل بالموارد التي تحتاجها.

بداية سريعة من الوحدة الطرفية

ابدأ تشغيل الحساب الخاص بك وافتح Terminal:

افتح Terminal

إنشاء بيئة افتراضية (virtualenv)

أنشئ بيئة conda الافتراضية الخاصة بك مع إصدار python المفضل لديك وقم بتثبيت pip فيه: Python 3.13.1 لديه بعض المشاكل مع بعض التبعيات في AzureML.

conda create --name yolo11env -y python=3.12
conda activate yolo11env
conda install pip -y

قم بتثبيت التبعيات المطلوبة:

cd ultralytics
pip install -r requirements.txt
pip install ultralytics
pip install onnx

تنفيذ مهام YOLO11

توقع:

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

تدريب نموذج اكتشاف لعدد 10 epochs بمعدل تعلم أولي قدره 0.01:

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

يمكنك العثور على المزيد من التعليمات لاستخدام Ultralytics CLI هنا.

بداية سريعة من دفتر ملاحظات

إنشاء نواة IPython جديدة

افتح Terminal الحساب.

افتح Terminal

من وحدة الحوسبة الطرفية الخاصة بك، تحتاج إلى إنشاء ipykernel جديد (بإصدار python محدد - لأن Python 3.13.1 يواجه بعض المشكلات مع بعض التبعيات في AzureML) والذي سيتم استخدامه بواسطة دفتر الملاحظات الخاص بك لإدارة تبعياتك:

conda create --name yolo11env -y python=3.12
conda activate yolo11env
conda install pip -y
conda install ipykernel -y
python -m ipykernel install --user --name yolo11env --display-name "yolo11env"

أغلق جهازك الطرفي وأنشئ دفتر ملاحظات جديد. من دفتر الملاحظات الخاص بك، يمكنك تحديد النواة الجديدة.

ثم يمكنك فتح خلية دفتر ملاحظات وتثبيت التبعيات المطلوبة:

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

لاحظ أننا بحاجة إلى استخدام source activate yolo11env لجميع خلايا %%bash، للتأكد من أن خلية %%bash تستخدم البيئة التي نريدها.

قم بتشغيل بعض التوقعات باستخدام Ultralytics CLI:

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

أو باستخدام واجهة Ultralytics Python، على سبيل المثال لتدريب النموذج:

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

يمكنك استخدام إما Ultralytics CLI أو واجهة Python لتشغيل مهام YOLO11، كما هو موضح في قسم الوحدة الطرفية أعلاه.

باتباع هذه الخطوات، يجب أن تكون قادرًا على تشغيل YOLO11 بسرعة على AzureML لإجراء تجارب سريعة. للاستخدامات الأكثر تقدمًا، يمكنك الرجوع إلى وثائق AzureML الكاملة المرتبطة في بداية هذا الدليل.

استكشف المزيد مع AzureML

يُعد هذا الدليل بمثابة مقدمة لتبدأ العمل مع YOLO11 على AzureML. ومع ذلك، فهو لا يتناول سوى القليل مما يمكن أن يقدمه AzureML. للتعمق أكثر وإطلاق العنان للإمكانات الكاملة لـ AzureML لمشاريع تعلم الآلة الخاصة بك، ضع في اعتبارك استكشاف الموارد التالية:

إنشاء أصل بيانات: تعرف على كيفية إعداد وإدارة أصول البيانات الخاصة بك بشكل فعال داخل بيئة AzureML.
بدء مهمة AzureML: احصل على فهم شامل لكيفية بدء مهام تدريب تعلم الآلة الخاصة بك على AzureML.
تسجيل نموذج: تعرف على ممارسات إدارة النماذج بما في ذلك التسجيل وإصدار النسخ والنشر.
تدريب YOLO11 باستخدام AzureML Python SDK: استكشف دليلًا تفصيليًا حول استخدام AzureML Python SDK لتدريب نماذج YOLO11 الخاصة بك.
تدريب YOLO11 باستخدام AzureML CLI: اكتشف كيفية استخدام واجهة سطر الأوامر للتدريب والإدارة المبسطة لنماذج YOLO11 على AzureML.

الأسئلة الشائعة

كيف يمكنني تشغيل YOLO11 على AzureML لتدريب النموذج؟

يتضمن تشغيل YOLO11 على AzureML لتدريب النموذج عدة خطوات:

إنشاء مثيل حساب: من مساحة عمل AzureML الخاصة بك، انتقل إلى Compute > Compute instances > New، وحدد المثيل المطلوب.
إعداد البيئة: ابدأ تشغيل مثيل الحوسبة الخاص بك، وافتح Terminal، وأنشئ بيئة conda، ولا تنسَ تعيين إصدار python الخاص بك (python 3.13.1 غير مدعوم حتى الآن):
```
conda create --name yolo11env -y python=3.12
conda activate yolo11env
conda install pip -y
pip install ultralytics onnx
```
تشغيل مهام YOLO11: استخدم Ultralytics CLI لتدريب النموذج الخاص بك:
```
yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01
```

لمزيد من التفاصيل، يمكنك الرجوع إلى تعليمات استخدام Ultralytics CLI.

ما هي فوائد استخدام AzureML لتدريب YOLO11؟

توفر AzureML نظامًا بيئيًا قويًا وفعالًا لتدريب نماذج YOLO11:

قابلية التوسع: قم بتوسيع موارد الحوسبة الخاصة بك بسهولة مع نمو بياناتك وتعقيد النموذج.
تكامل MLOps: استخدم ميزات مثل التحكم في الإصدارات والمراقبة والتدقيق لتبسيط عمليات تعلم الآلة (ML).
التعاون: شارك الموارد وأدرها داخل الفرق، مما يعزز سير العمل التعاوني.

هذه المزايا تجعل AzureML منصة مثالية للمشاريع التي تتراوح من النماذج الأولية السريعة إلى عمليات النشر واسعة النطاق. لمزيد من النصائح، تحقق من وظائف AzureML.

كيف يمكنني استكشاف الأخطاء الشائعة وإصلاحها عند تشغيل YOLO11 على AzureML؟

يمكن أن تتضمن خطوات استكشاف الأخطاء وإصلاحها الشائعة في YOLO11 على AzureML ما يلي:

مشاكل التبعية: تأكد من تثبيت جميع الحزم المطلوبة. الرجوع إلى requirements.txt للت dependencies.
إعداد البيئة: تحقق من تفعيل بيئة conda الخاصة بك بشكل صحيح قبل تشغيل الأوامر.
تخصيص الموارد: تأكد من أن مثيلات الحوسبة الخاصة بك لديها موارد كافية للتعامل مع حجم عمل التدريب.

للحصول على إرشادات إضافية، راجع وثائق مشكلات YOLO الشائعة الخاصة بنا.

هل يمكنني استخدام كل من واجهة Ultralytics CLI و python على AzureML؟

نعم، يتيح لك AzureML استخدام كل من Ultralytics CLI وواجهة Python بسلاسة:

CLI: مثالي للمهام السريعة وتشغيل البرامج النصية القياسية مباشرة من الجهاز الطرفي.
```
yolo predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'
```
واجهة Python: مفيدة للمهام الأكثر تعقيدًا التي تتطلب ترميزًا مخصصًا وتكاملاً داخل دفاتر الملاحظات.
```
from ultralytics import YOLO

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

للحصول على إرشادات خطوة بخطوة، راجع دليل البدء السريع CLI و دليل البدء السريع لـ Python.

ما هي ميزة استخدام Ultralytics YOLO11 على نماذج اكتشاف الكائنات الأخرى؟

يوفر Ultralytics YOLO11 العديد من المزايا الفريدة مقارنةً بنماذج الكشف عن الكائنات المنافسة:

السرعة: أوقات استدلال وتدريب أسرع مقارنة بنماذج مثل Faster R-CNN و SSD.
الدقة: دقة عالية في مهام الكشف مع ميزات مثل التصميم الخالي من المرساة واستراتيجيات التوسيع المحسنة.
سهولة الاستخدام: واجهة برمجة تطبيقات و CLI سهلة الاستخدام للإعداد السريع، مما يجعلها في متناول المبتدئين والخبراء على حد سواء.

لاستكشاف المزيد حول ميزات YOLO11، قم بزيارة صفحة Ultralytics YOLO للحصول على رؤى مفصلة.

📅 أُنشئ منذ سنة واحدة ✏️ تم التحديث منذ 3 أشهر