如何用 AzureML 的计算终端快速运行 Ultralytics YOLO26 目标检测训练

如何用 AzureML 的计算终端快速运行 Ultralytics YOLO26 目标检测训练【免费下载链接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking项目地址: https://gitcode.com/GitHub_Trending/ul/ultralytics如果你想在云端 GPU 上跑一次 Ultralytics YOLO26 的目标检测训练又不想本地装环境AzureML 的计算终端Compute Instance Terminal是一条现成的路径在 AzureML 工作区里创建并启动一台计算实例打开 Terminal用 conda 建好 Python 环境并安装ultralytics随后用一条yolo train命令完成训练再用yolo val校验模型。以下内容整理自仓库内的 AzureML 快速开始文档、CLI 用法说明 和 训练模式文档主路径全部基于计算终端。前置条件AzureML 工作区与计算实例开始之前需要满足一个硬性前提你有权限访问一个 AzureML 工作区。没有的话按 Azure 官方文档创建一个它用于集中管理所有 AzureML 资源。然后创建计算实例进入你的 AzureML 工作区选择Compute Compute instances New。选择一台资源满足训练需求的实例类型实例规格按你的数据和模型复杂度选择文档未指定具体型号。启动实例打开计算终端Terminal。终端打开后即可执行后续命令。注意实例资源要足够支撑训练负载这是文档 FAQ 中明确列出的排查项之一。创建 Conda 环境并安装依赖在计算终端中创建虚拟环境并安装 pipconda create --name yolo26env -y python3.12 conda activate yolo26env conda install pip -y这里必须用 Python 3.12。文档中有明确的警告Python 3.13 目前在 AzureML 上存在依赖问题所以创建环境时指定python3.12。接着安装所需依赖pip install ultralytics onnx其中onnx是为后续把模型导出为 ONNX 格式准备的文档中的 Python 示例包含model.export(formatonnx)这一步。先跑一次预测确认环境可用在安装完成、正式训练之前先用一条预测命令验证环境yolo predict modelyolo26n.pt sourcehttps://ultralytics.com/images/bus.jpg该命令加载官方 YOLO26n 预训练模型对文档给出的示例图片做推理。命令中model、source均为文档原值可直接复制执行。CLI 参数以argvalue形式传递参数之间用空格分隔不要加--前缀也不要用逗号分隔这是 CLI 语法规范 中的硬性要求。执行 YOLO26 目标检测训练环境确认后运行训练命令yolo train datacoco8.yaml modelyolo26n.pt epochs10 lr00.01各参数在文档中的含义datacoco8.yaml使用 COCO8 数据集COCO train2017 的前 8 张图4 张训练、4 张验证见 数据集配置。训练模式文档 说明带下载来源的数据集配置在首次使用时会自动下载所以终端里不需要手动拉取数据集。modelyolo26n.pt从官方 YOLO26n 预训练权重开始训练而不是从零构建模型。epochs10训练 10 个 epoch。lr00.01初始学习率。设备device无需指定train 文档 说明若不传device参数有可用 GPU 时默认用device0否则退回 CPU。如果你的实例是多卡可以显式传device0,1之类参数。训练日志与指标会输出到runs目录文档建议训练期间关注该目录下的日志和指标来观察进度见 常见问题排查文档。另外如果训练日志里device显示为null这表示进程在自动选择可用 GPU属于默认行为不代表训练失败。验证训练结果训练完成后用 Val 模式 对产出的权重做验证。文档示例使用path/to/best.pt这类训练输出权重best.pt需替换为本次训练实际输出的权重文件路径yolo val modelbest.pt datacoco8.yaml batch1 imgsz640参数依据 quickstart 中的 Val 示例batch1、imgsz640均为文档给出的取值。验证会输出 mAP50、mAP75、mAP50-95 等检测指标用于判断这次训练是否收敛到可用水平val 文档 也给出了 Python 侧的对应写法metrics.box.map、metrics.box.map50等。如果对指标不满意文档给出的下一步是换超参数或数据重新训练如果满意可以进入模型导出如 ONNX流程。可选分支改用 Notebook 方式如果你后续想在同一个计算实例里用 notebook 开发官方文档给出了配套做法先照上面的方式创建yolo26env环境再额外执行conda install ipykernel -y python -m ipykernel install --user --name yolo26env --display-name yolo26env然后新建 notebook 并选择yolo26env内核。注意在 notebook 的每个%%bashcell 顶部都要运行source activate yolo26env该 cell 才会使用目标环境。例如安装依赖的 cell 为%%bash source activate yolo26env pip install ultralytics onnx训练则可以直接用 Python 接口from ultralytics import YOLO model YOLO(yolo26n.pt) # 加载官方 YOLO26n 预训练模型 model.train(datacoco8.yaml, epochs3) # 训练 metrics model.val() # 在验证集上评估本文主路径是计算终端Notebook 分支仅在需要交互式开发时使用。训练跑不起来时检查什么按 AzureML 快速开始 FAQ 与 常见 YOLO 问题文档依次核对三项依赖是否装全pip install ultralytics onnx是否在yolo26env环境中执行过遇到导入或依赖冲突时文档建议升级pip install -U ultralytics或干净重装。环境是否激活运行yolo命令前确认 conda 环境已激活否则找不到命令或装错包。实例资源是否足够计算实例的规格要能承载训练负载。如果怀疑 GPU 没被用上文档给出的检查手段是用nvidia-smi查看 GPU 与 CUDA 状态在 Python 中执行import torch; print(torch.cuda.is_available())返回True说明 PyTorch 可用 CUDA。也可以在训练时显式传device参数如device0指定 GPU。下一步终端跑通训练与验证后AzureML 文档的扩展章节 指向的后续操作是在 AzureML 中创建数据资产管理自己的数据集、发起 AzureML 训练 Job、注册与管理模型版本。仓库内另有 Modal 快速开始把 YOLO26 训练放到 Modal 的 serverless GPU 云作为 AzureML 的替代选项。【免费下载链接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking项目地址: https://gitcode.com/GitHub_Trending/ul/ultralytics创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考