İçeriğe geç

AzureML üzerinde YOLO11 🚀

Azure nedir?

Azure, Microsoft'un kuruluşların iş yüklerini şirket içi veri merkezlerinden buluta taşımasına yardımcı olmak için tasarlanmış bulut bilişim platformudur. Bilişim, veritabanları, analiz, makine öğrenimi ve ağ iletişimi için olanlar da dahil olmak üzere bulut hizmetlerinin tüm spektrumuyla, kullanıcılar bu hizmetlerden yeni uygulamalar geliştirmek ve ölçeklendirmek veya mevcut uygulamaları genel bulutta çalıştırmak için seçim yapabilir.

Azure Machine Learning (AzureML) nedir?

Genellikle AzureML olarak adlandırılan Azure Machine Learning, veri bilimcilerinin ve geliştiricilerin tahmine dayalı analizleri uygulamalarına verimli bir şekilde yerleştirmelerini sağlayan, kuruluşların büyük veri kümelerini kullanmasına ve bulutun tüm avantajlarını makine öğrenimine getirmesine yardımcı olan, tam olarak yönetilen bir bulut hizmetidir. AzureML, makine öğrenimini erişilebilir, kullanımı kolay ve ölçeklenebilir hale getirmeyi amaçlayan çeşitli hizmetler ve yetenekler sunar. Otomatik makine öğrenimi, sürükle ve bırak model eğitimi ve geliştiricilerin makine öğrenimi modellerinden en iyi şekilde yararlanabilmeleri için güçlü bir python SDK'sı gibi yetenekler sağlar.

AzureML, YOLO Kullanıcılarına Nasıl Fayda Sağlar?

YOLO (You Only Look Once) kullanıcıları için AzureML, makine öğrenimi modellerini hem eğitmek hem de dağıtmak için sağlam, ölçeklenebilir ve verimli bir platform sağlar. İster hızlı prototipler çalıştırmak ister daha kapsamlı verileri işlemek için ölçeği büyütmek isteyin, AzureML'nin esnek ve kullanıcı dostu ortamı ihtiyaçlarınıza uygun çeşitli araçlar ve hizmetler sunar. AzureML'yi şunlar için kullanabilirsiniz:

  • Eğitim için büyük veri kümelerini ve hesaplama kaynaklarını kolayca yönetin.
  • Veri ön işleme, özellik seçimi ve model eğitimi için yerleşik araçları kullanın.
  • Model ve verilerin izlenmesi, denetlenmesi ve sürüm kontrolü dahil ancak bunlarla sınırlı olmamak üzere, MLOps (Makine Öğrenimi Operasyonları) yetenekleriyle daha verimli işbirliği yapın.

Sonraki bölümlerde, bir işlem terminalinden veya bir not defterinden AzureML kullanarak YOLO11 nesne algılama modellerini nasıl çalıştıracağınızı ayrıntılarıyla anlatan hızlı bir başlangıç kılavuzu bulacaksınız.

Ön koşullar

Başlamadan önce, bir AzureML çalışma alanına erişiminiz olduğundan emin olun. Yoksa, Azure'ın resmi belgelerini izleyerek yeni bir AzureML çalışma alanı oluşturabilirsiniz. Bu çalışma alanı, tüm AzureML kaynaklarını yönetmek için merkezi bir yer görevi görür.

Bir işlem örneği oluşturun

AzureML çalışma alanınızdan, İşlem > İşlem örnekleri > Yeni'yi seçin, ihtiyacınız olan kaynaklara sahip örneği seçin.

Azure İşlem Örneği Oluştur

Terminalden Hızlı Başlangıç

İşleminizi başlatın ve bir Terminal açın:

Terminali Aç

virtualenv oluştur

En sevdiğiniz python sürümüyle conda sanal ortamınızı oluşturun ve içine pip'i kurun: Python 3.13.1'in AzureML'deki bazı bağımlılıklarla ilgili bazı sorunları var.

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

Gerekli bağımlılıkları kurun:

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

YOLO11 görevlerini gerçekleştir

Tahmin:

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

0.01'lik bir başlangıç öğrenme oranıyla 10 epok için bir tespit modeli eğitin:

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

Ultralytics CLI'yı kullanma talimatlarını burada bulabilirsiniz.

Bir Notebook'tan Hızlı Başlangıç

Yeni bir IPython çekirdeği oluşturun

İşlem Terminalini açın.

Terminali Aç

Hesaplama terminalinizden, not defteriniz tarafından bağımlılıklarınızı yönetmek için kullanılacak yeni bir ipykernel oluşturmanız gerekir (belirli bir python sürümüyle - çünkü Python 3.13.1'in AzureML'deki bazı bağımlılıklarla ilgili bazı sorunları var):

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"

Terminalinizi kapatın ve yeni bir not defteri oluşturun. Not Defterinizden yeni çekirdeği seçebilirsiniz.

Ardından, bir Notebook hücresi açıp gerekli bağımlılıkları yükleyebilirsiniz:

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

Şunu kullanmamız gerektiğini unutmayın: source activate yolo11env %%bash hücrelerinin istediğimiz ortamı kullandığından emin olmak için tüm %%bash hücreleri için.

Ultralytics CLI'yı kullanarak bazı tahminler yürütün:

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

Veya modeli eğitmek için Ultralytics Python arayüzü ile:

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

Yukarıdaki terminal bölümünde açıklandığı gibi, YOLO11 görevlerini çalıştırmak için Ultralytics CLI veya Python arayüzünü kullanabilirsiniz.

Bu adımları izleyerek, hızlı denemeler için YOLO11'i AzureML üzerinde hızlı bir şekilde çalıştırabilirsiniz. Daha gelişmiş kullanımlar için, bu kılavuzun başında bağlantısı verilen tam AzureML belgelerine başvurabilirsiniz.

AzureML ile Daha Fazlasını Keşfedin

Bu kılavuz, AzureML'de YOLO11 ile çalışmaya başlamanız için bir giriş niteliğindedir. Ancak, bu yalnızca AzureML'nin sunabileceği şeylerin yüzeyini çizmektedir. Makine öğrenimi projeleriniz için AzureML'nin tüm potansiyelini daha derinlemesine incelemek ve ortaya çıkarmak için aşağıdaki kaynakları keşfetmeyi düşünün:

  • Veri Varlığı Oluşturma: AzureML ortamında veri varlıklarınızı nasıl etkili bir şekilde kuracağınızı ve yöneteceğinizi öğrenin.
  • Bir AzureML İşi Başlatın: AzureML üzerinde makine öğrenimi eğitim işlerinizi nasıl başlatacağınız konusunda kapsamlı bir anlayış edinin.
  • Model Kaydetme: Kayıt, sürüm oluşturma ve dağıtım dahil olmak üzere model yönetimi uygulamalarına aşina olun.
  • AzureML Python SDK'sı ile YOLO11'i Eğitin: YOLO11 modellerinizi eğitmek için AzureML Python SDK'sını kullanmaya ilişkin adım adım kılavuzu keşfedin.
  • AzureML CLI ile YOLO11'i Eğitin: AzureML'de YOLO11 modellerinin kolaylaştırılmış eğitimi ve yönetimi için komut satırı arayüzünü nasıl kullanacağınızı keşfedin.

SSS

Model eğitimi için AzureML üzerinde YOLO11'i nasıl çalıştırırım?

Model eğitimi için AzureML'de YOLO11 çalıştırmak çeşitli adımlar içerir:

  1. Bir İşlem Örneği Oluşturun: AzureML çalışma alanınızdan İşlem > İşlem örnekleri > Yeni'ye gidin ve gerekli örneği seçin.

  2. Kurulum Ortamı: İşlem örneğinizi başlatın, bir terminal açın ve bir conda ortamı oluşturun ve python sürümünüzü ayarlamayı unutmayın (python 3.13.1 henüz desteklenmiyor):

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

  3. YOLO11 Görevlerini Çalıştır: Modelinizi eğitmek için Ultralytics CLI'yı kullanın: 

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

Daha fazla ayrıntı için Ultralytics CLI'yı kullanma talimatlarına başvurabilirsiniz.

YOLO11 eğitimi için AzureML kullanmanın faydaları nelerdir?

AzureML, YOLO11 modellerini eğitmek için sağlam ve verimli bir ekosistem sağlar:

  • Ölçeklenebilirlik: Verileriniz ve model karmaşıklığınız arttıkça işlem kaynaklarınızı kolayca ölçeklendirin.
  • MLOps Entegrasyonu: ML operasyonlarını kolaylaştırmak için sürüm kontrolü, izleme ve denetleme gibi özellikleri kullanın.
  • İşbirliği: Ekipler içinde kaynakları paylaşın ve yönetin, işbirlikçi iş akışlarını geliştirin.

Bu avantajlar, AzureML'yi hızlı prototiplerden büyük ölçekli dağıtımlara kadar projeler için ideal bir platform haline getirir. Daha fazla ipucu için AzureML İşleri'ne göz atın.

AzureML üzerinde YOLO11 çalıştırırken karşılaşılan yaygın sorunları nasıl gideririm?

AzureML üzerinde YOLO11 ile ilgili yaygın sorunları giderme aşağıdaki adımları içerebilir:

  • Bağımlılık Sorunları: Gerekli tüm paketlerin yüklü olduğundan emin olun. Şuraya bakın: requirements.txt bağımlılıklar için dosya.
  • Ortam Kurulumu: Komutları çalıştırmadan önce conda ortamınızın doğru şekilde etkinleştirildiğini doğrulayın.
  • Kaynak Tahsisi: İşlem örneklerinizin eğitim iş yükünü kaldıracak kadar kaynağa sahip olduğundan emin olun.

Ek rehberlik için YOLO Genel Sorunlar belgelerimizi inceleyin.

AzureML üzerinde hem Ultralytics CLI'yı hem de Python arayüzünü kullanabilir miyim?

Evet, AzureML hem Ultralytics CLI'yı hem de python arayüzünü sorunsuz bir şekilde kullanmanıza olanak tanır:

  • CLI: Hızlı görevler ve standart komut dosyalarını doğrudan terminalden çalıştırmak için idealdir.

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

  • python Arayüzü: Not defterlerinde özel kodlama ve entegrasyon gerektiren daha karmaşık görevler için kullanışlıdır.

    from ultralytics import YOLO

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

Adım adım talimatlar için CLI hızlı başlangıç kılavuzuna ve Python hızlı başlangıç kılavuzuna bakın.

Ultralytics YOLO11'in diğer nesne algılama modellerine göre avantajı nedir?

Ultralytics YOLO11, rakip nesne algılama modellerine göre çeşitli benzersiz avantajlar sunar:

  • Hız: Faster R-CNN ve SSD gibi modellere kıyasla daha hızlı çıkarım ve eğitim süreleri.
  • Doğruluk: Bağlantısız tasarım ve gelişmiş artırma stratejileri gibi özelliklerle algılama görevlerinde yüksek doğruluk.
  • Kullanım Kolaylığı: Hızlı kurulum için sezgisel API ve CLI, hem yeni başlayanlar hem de uzmanlar için erişilebilir olmasını sağlar.

YOLO11'in özellikleri hakkında daha fazla bilgi edinmek için, ayrıntılı bilgiler için Ultralytics YOLO sayfasını ziyaret edin.



📅 1 yıl önce oluşturuldu ✏️ 3 ay önce güncellendi
glenn-jocher Y-T-G Lucashygi UltralyticsAssistant RizwanMunawar ouphi

Yorumlar