YOLO11 🚀 no AzureML
O que é Azure?
Azure é a plataforma de computação em nuvem da Microsoft, projetada para ajudar as organizações a migrar suas cargas de trabalho para a nuvem a partir de data centers locais. Com o espectro completo de serviços de nuvem, incluindo aqueles para computação, bancos de dados, análises, aprendizado de máquina e redes, os usuários podem escolher entre esses serviços para desenvolver e dimensionar novos aplicativos ou executar aplicativos existentes na nuvem pública.
O que é Azure Machine Learning (AzureML)?
O Azure Machine Learning, comumente conhecido como AzureML, é um serviço de nuvem totalmente gerenciado que permite que cientistas de dados e desenvolvedores incorporem com eficiência análises preditivas em seus aplicativos, ajudando as organizações a usar conjuntos de dados massivos e trazer todos os benefícios da nuvem para o aprendizado de máquina. O AzureML oferece uma variedade de serviços e recursos destinados a tornar o aprendizado de máquina acessível, fácil de usar e escalável. Ele fornece recursos como aprendizado de máquina automatizado, treinamento de modelo do tipo 'arrastar e soltar', bem como um SDK Python robusto para que os desenvolvedores possam aproveitar ao máximo seus modelos de aprendizado de máquina.
Como o AzureML beneficia os usuários de YOLO?
Para usuários do YOLO (You Only Look Once), o AzureML fornece uma plataforma robusta, escalável e eficiente para treinar e implantar modelos de machine learning. Se você deseja executar protótipos rápidos ou escalar para lidar com dados mais extensos, o ambiente flexível e amigável do AzureML oferece várias ferramentas e serviços para atender às suas necessidades. Você pode usar o AzureML para:
- Gerencie facilmente grandes conjuntos de dados e recursos computacionais para treinamento.
- Utilize ferramentas integradas para pré-processamento de dados, seleção de recursos e treinamento de modelos.
- Colabore de forma mais eficiente com recursos para MLOps (Machine Learning Operations), incluindo, entre outros, monitoramento, auditoria e versionamento de modelos e dados.
Nas seções subsequentes, você encontrará um guia de início rápido detalhando como executar modelos de detecção de objetos YOLO11 usando o AzureML, seja a partir de um terminal de computação ou de um notebook.
Pré-requisitos
Antes de começar, certifique-se de ter acesso a um espaço de trabalho AzureML. Se você não tiver um, pode criar um novo espaço de trabalho AzureML seguindo a documentação oficial do Azure. Este espaço de trabalho atua como um local centralizado para gerenciar todos os recursos do AzureML.
Criar uma instância de computação
No seu espaço de trabalho AzureML, selecione Compute > Compute instances > New, selecione a instância com os recursos de que você precisa.
Início Rápido a partir do Terminal
Inicie sua computação e abra um Terminal:
Criar virtualenv
Crie seu conda virtualenv com sua versão python favorita e instale o pip nele: O Python 3.13.1 está tendo alguns problemas com algumas dependências no AzureML.
conda create --name yolo11env -y python=3.12
conda activate yolo11env
conda install pip -y
Instale as dependências necessárias:
cd ultralytics
pip install -r requirements.txt
pip install ultralytics
pip install onnx
Realizar tarefas YOLO11
Prever:
yolo predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'
Treine um modelo de detecção por 10 épocas com uma learning_rate inicial de 0,01:
yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01
Você pode encontrar mais instruções para usar a CLI Ultralytics aqui.
Início Rápido a partir de um Notebook
Criar um novo kernel IPython
Abrir o Terminal de computação.
A partir do seu terminal de computação, você precisa criar um novo ipykernel (com uma versão específica do python - porque o Python 3.13.1 está tendo alguns problemas com algumas dependências no AzureML) que será usado pelo seu notebook para gerenciar suas dependências:
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"
Feche seu terminal e crie um novo notebook. A partir do seu Notebook, você pode selecionar o novo kernel.
Em seguida, você pode abrir uma célula do Notebook e instalar as dependências necessárias:
%%bash
source activate yolo11env
cd ultralytics
pip install -r requirements.txt
pip install ultralytics
pip install onnx
Observe que precisamos usar o source activate yolo11env para todas as células %%bash, para garantir que a célula %%bash usa o ambiente que queremos.
Execute algumas previsões usando a Ultralytics CLI:
%%bash
source activate yolo11env
yolo predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'
Ou com a interface Python da Ultralytics, por exemplo, para treinar o modelo:
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
Você pode usar a Ultralytics CLI ou a interface Python para executar tarefas YOLO11, conforme descrito na seção de terminal acima.
Ao seguir estes passos, você deverá conseguir executar o YOLO11 rapidamente no AzureML para testes rápidos. Para usos mais avançados, você pode consultar a documentação completa do AzureML, cujo link está no início deste guia.
Explore Mais com o AzureML
Este guia serve como uma introdução para você começar a usar o YOLO11 no AzureML. No entanto, ele apenas arranha a superfície do que o AzureML pode oferecer. Para se aprofundar e desbloquear todo o potencial do AzureML para seus projetos de aprendizado de máquina, considere explorar os seguintes recursos:
- Criar um Ativo de Dados: Aprenda como configurar e gerenciar seus ativos de dados de forma eficaz dentro do ambiente AzureML.
- Inicie um Job AzureML: Obtenha uma compreensão abrangente de como iniciar seus trabalhos de treinamento de machine learning no AzureML.
- Registre um Modelo: Familiarize-se com as práticas de gerenciamento de modelos, incluindo registro, versionamento e implantação.
- Treinar YOLO11 com AzureML Python SDK: Explore um guia passo a passo sobre como usar o AzureML python SDK para treinar seus modelos YOLO11.
- Treinar YOLO11 com AzureML CLI: Descubra como utilizar a interface de linha de comando para treinamento e gerenciamento otimizados de modelos YOLO11 no AzureML.
FAQ
Como executar o YOLO11 no AzureML para treinamento de modelo?
Executar o YOLO11 no AzureML para treinamento de modelo envolve várias etapas:
-
Criar uma Instância de Computação: No seu espaço de trabalho AzureML, navegue até Compute > Compute instances > New e selecione a instância necessária.
-
Configurar Ambiente: Inicie sua instância de computação, abra um terminal e crie um ambiente conda, e não se esqueça de definir sua versão do python (python 3.13.1 ainda não é suportado):
conda create --name yolo11env -y python=3.12 conda activate yolo11env conda install pip -y pip install ultralytics onnx -
Executar Tarefas YOLO11: Use a CLI Ultralytics para treinar seu modelo:
yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01
Para mais detalhes, você pode consultar as instruções para usar a CLI Ultralytics.
Quais são os benefícios de usar o AzureML para treinamento do YOLO11?
O AzureML fornece um ecossistema robusto e eficiente para treinar modelos YOLO11:
- Escalabilidade: Escale facilmente seus recursos de computação à medida que seus dados e a complexidade do modelo aumentam.
- Integração MLOps: Utilize funcionalidades como versionamento, monitorização e auditoria para otimizar as operações de ML.
- Colaboração: Compartilhe e gerencie recursos dentro de equipes, aprimorando os fluxos de trabalho colaborativos.
Essas vantagens tornam o AzureML uma plataforma ideal para projetos que variam de protótipos rápidos a implantações em grande escala. Para mais dicas, confira AzureML Jobs.
Como solucionar problemas comuns ao executar YOLO11 no AzureML?
A solução de problemas comuns com YOLO11 no AzureML pode envolver as seguintes etapas:
- Problemas de Dependência: Certifique-se de que todos os pacotes necessários estejam instalados. Consulte o
requirements.txtficheiro para dependências. - Configuração do Ambiente: Verifique se o seu ambiente conda está ativado corretamente antes de executar os comandos.
- Alocação de Recursos: Certifique-se de que suas instâncias de computação tenham recursos suficientes para lidar com a carga de trabalho de treinamento.
Para obter orientação adicional, reveja a nossa documentação de Problemas Comuns do YOLO.
Posso usar a CLI Ultralytics e a interface Python no AzureML?
Sim, o AzureML permite que você use tanto a Ultralytics CLI quanto a interface Python de forma integrada:
-
CLI: Ideal para tarefas rápidas e execução de scripts padrão diretamente do terminal.
yolo predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg' -
Interface Python: Útil para tarefas mais complexas que exigem codificação personalizada e integração em notebooks.
from ultralytics import YOLO model = YOLO("yolo11n.pt") model.train(data="coco8.yaml", epochs=3)
Para obter instruções passo a passo, consulte o guia de início rápido da CLI e o guia de início rápido do Python.
Qual é a vantagem de usar Ultralytics YOLO11 em relação a outros modelos de detecção de objetos?
O Ultralytics YOLO11 oferece diversas vantagens exclusivas sobre modelos de detecção de objetos concorrentes:
- Velocidade: Tempos de inferência e treinamento mais rápidos em comparação com modelos como Faster R-CNN e SSD.
- Precisão: Alta precisão em tarefas de detecção com recursos como design sem âncora e estratégias de aumento aprimoradas.
- Facilidade de Uso: API e CLI intuitivas para configuração rápida, tornando-o acessível tanto para iniciantes quanto para especialistas.
Para explorar mais sobre os recursos do YOLO11, visite a página Ultralytics YOLO para obter informações detalhadas.
