AzureML与YOLO模型的结合使用指南

随着组织将工作负载从本地数据中心迁移到云端,云计算服务提供了包括计算、数据库、分析、机器学习和网络在内的全方位服务。用户可以从这些服务中选择,以在公有云中开发和扩展新应用程序,或运行现有应用程序。

AzureML是一个完全托管的云服务,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,帮助组织利用大规模数据集,并将云的所有好处带给机器学习。AzureML提供了多种服务和功能,旨在使机器学习易于访问、易于使用和可扩展。它提供了自动化机器学习、拖放模型训练以及强大的Python SDK等功能,以便开发人员能够充分利用他们的机器学习模型。

对于YOLO(You Only Look Once)用户来说,AzureML提供了一个强大、可扩展且高效的平台,用于训练和部署机器学习模型。无论是想运行快速原型还是扩展以处理更广泛的数据,AzureML的灵活且用户友好的环境都提供了各种工具和服务来满足需求。可以利用AzureML:

  • 轻松管理用于训练的大型数据集和计算资源。
  • 使用内置工具进行数据预处理、特征选择和模型训练。
  • 通过MLOps(机器学习操作)功能,更高效地协作,包括但不限于模型和数据的监控、审计和版本控制。

在开始之前,请确保有权访问一个AzureML工作区。如果没有,可以通过遵循Azure的官方文档创建一个新的AzureML工作区。此工作区充当集中管理所有AzureML资源的地方。

创建计算实例

从AzureML工作区中,选择计算 > 计算实例 > 新建,并选择需要的实例资源。

从终端开始

启动计算实例并打开一个终端:

conda create --name yolo11env -y conda activate yolo11env conda install pip -y cd ultralytics pip install -r requirements.txt pip install ultralytics pip install onnx>=1.12.0

执行YOLO11任务:

yolo predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg' yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01

可以在此处找到更多使用Ultralytics CLI的说明。

从笔记本开始

创建一个新的IPython内核,打开计算终端。从计算终端,需要创建一个新的ipykernel,它将被笔记本用来管理依赖项:

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"

关闭终端并创建一个新的笔记本。从笔记本中,可以选择新的内核。然后可以打开一个笔记本单元格并安装所需的依赖项:

%%bash source activate yolo11env cd ultralytics pip install -r requirements.txt pip install ultralytics pip install onnx>=1.12.0

请注意,需要对所有%%bash单元格使用source activate yolo11env,以确保%%bash单元格使用想要的环境。

使用Ultralytics CLI进行一些预测:

%%bash source activate yolo11env yolo predict model=yolo11n.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 # 加载模型 model = YOLO("yolo11n.pt") # 使用模型 model.train(data="coco8.yaml", epochs=3) metrics = model.val() results = model("https://ultralytics.com/images/bus.jpg") path = model.export(format="onnx")

可以使用上述终端部分描述的Ultralytics CLI或Python接口来运行YOLO11任务。

  • 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:熟悉包括注册、版本控制和部署在内的模型管理实践。
  • 使用AzureML Python SDK训练YOLO11:探索使用AzureML Python SDK训练YOLO11模型的分步指南。
  • 使用AzureML CLI训练YOLO11:了解如何利用命令行界面在AzureML上流线化训练和管理YOLO11模型。
沪ICP备2024098111号-1
上海秋旦网络科技中心:上海市奉贤区金大公路8218号1幢 联系电话:17898875485