Azure ML中使用Blob存储训练YOLO-NAS时数据路径找不到的问题

问题核心 #

YOLO-NAS的官方数据加载器（如coco_detection_yolo_format_train）仅支持本地文件系统路径，无法直接识别Azure ML的azureml://格式URI，这是导致路径找不到错误的根本原因。必须将Blob存储的数据映射到计算实例/集群的本地目录后，才能被YOLO-NAS加载。

解决方案 #

方法1：直接使用已挂载的本地路径

从你提供的挂载点截图来看，Blob存储已经挂载到计算实例的本地目录（通常格式为/mnt/azureml/<datastore-name>）。只需修改数据路径配置：

# 替换原有的azureml://路径为挂载后的本地路径
DATA_DIR = '/mnt/azureml/faucetpoc/'  # 对应截图中的挂载点路径
TRAIN_IMAGES_DIR = 'train/images'
TRAIN_LABELS_DIR = 'train/labels'

VAL_IMAGES_DIR = 'valid/images'
VAL_LABELS_DIR = 'valid/labels'

TEST_IMAGES_DIR = 'test/images/'
TEST_LABELS_DIR = 'test/labels'

CLASSES = ['faucet','sink','toilet']
NUM_CLASSES = len(CLASSES)

dataset_params = {
    'data_dir': DATA_DIR,
    'train_images_dir':TRAIN_IMAGES_DIR,
    'train_labels_dir':TRAIN_LABELS_DIR,
    'val_images_dir':VAL_IMAGES_DIR,
    'val_labels_dir':VAL_LABELS_DIR,
    'test_images_dir':TEST_IMAGES_DIR,
    'test_labels_dir':TEST_LABELS_DIR,
    'classes': CLASSES
}

修改后重新运行数据加载代码即可，YOLO-NAS会自动从本地挂载路径读取数据，完成预处理和训练。

方法2：通过Azure ML Dataset加载（适合计算集群场景）

如果使用计算集群训练，推荐通过Azure ML Dataset管理数据，自动完成挂载：

# 1. 连接到Azure ML工作区
from azureml.core import Workspace, Dataset
ws = Workspace.from_config()

# 2. 获取已创建的Dataset（需提前在Azure ML工作室中从Blob存储创建）
dataset = Dataset.get_by_name(ws, name='your-dataset-name')

# 3. 将Dataset挂载到本地临时目录
mount_context = dataset.mount()
mount_context.start()

# 4. 使用挂载后的本地路径作为DATA_DIR
DATA_DIR = mount_context.mount_point

# 后续的dataset_params和数据加载代码保持不变
dataset_params = {
    'data_dir': DATA_DIR,
    # ... 其他参数不变
}

# 训练完成后可停止挂载
# mount_context.stop()

关键注意事项 #

• 确保计算实例/集群拥有Blob存储的访问权限：可通过系统分配托管标识、存储账户密钥或SAS令牌配置权限。
• 计算集群场景下，也可在运行配置中直接指定数据存储挂载，无需手动写挂载代码。
• YOLO-NAS不会自动拉取云端Blob数据，必须先将数据映射到本地文件系统，其数据加载器才能识别并处理。

内容的提问来源于stack exchange，提问作者ram_98