如何用 AzureML 的计算终端快速运行 Ultralytics YOLO26 目标检测训练-酒店常州论坛

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 pip：

conda create --name yolo26env -y python=3.12 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python=3.12。

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(format="onnx")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 model=yolo26n.pt source='https://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arg=value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 data=coco8.yaml model=yolo26n.pt epochs=10 lr0=0.01

各参数在文档中的含义：

data=coco8.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。
model=yolo26n.pt：从官方 YOLO26n 预训练权重开始训练，而不是从零构建模型。
epochs=10：训练 10 个 epoch。
lr0=0.01：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device=0，否则退回 CPU。如果你的实例是多卡，可以显式传device=0,1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 model=best.pt data=coco8.yaml batch=1 imgsz=640

参数依据 quickstart 中的 Val 示例：batch=1、imgsz=640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(data="coco8.yaml", epochs=3) # 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device=0）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。

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

企业官网建设流程全解析