Ultralytics YOLO11 mithilfe der JupyterLab-Integration trainieren

Die Arbeit an Computer-Vision-Modellen kann spannend sein, besonders wenn du siehst, dass dein Modell gute Ergebnisse erzielt. Der Entwicklungsprozess für Computer Vision umfasst in der Regel mehrere unkomplizierte Schritte, etwa die Vorbereitung von Datensätzen und die Feinabstimmung von Modellen wie Ultralytics YOLO11. Einige Schritte können für Einsteiger jedoch schwierig sein, zum Beispiel das Einrichten einer Entwicklungsumgebung. Genau deshalb unterstützt Ultralytics Integrationen wie JupyterLab, die diese Schritte erleichtern.

Die JupyterLab-Integration bietet eine interaktive, benutzerfreundliche Entwicklungsumgebung, in der du ganz einfach Computer-Vision-Modelle erkunden und mit ihnen experimentieren kannst. JupyterLab stellt dir einen integrierten Arbeitsbereich zur Verfügung. Damit kannst du direkt Modelle für Computer Vision erkunden und entwickeln, ohne dich von der Installation und Einrichtung von Umgebungen ablenken zu lassen.

JupyterLab bietet beispielsweise Tools und Funktionen wie Notebooks zum Ausführen von Code, Texteditoren zum Erstellen von Dokumentationen und Terminals für die Interaktion mit dem System. Du kannst mit JupyterLab ganz einfach Ultralytics YOLO11-Modelle direkt auf deinem Computer testen und trainieren. In diesem Artikel untersuchen wir die Integration mit YOLO11, ihre Funktionsweise und ihre Vorteile.

Was ist JupyterLab?#

JupyterLab ist ein webbasiertes Tool, mit dem du Code schreiben und ausführen, Daten organisieren und visuelle Berichte an einem Ort erstellen kannst. Es gehört zu Project Jupyter, das 2014 mit dem Ziel ins Leben gerufen wurde, das Programmieren interaktiver und benutzerfreundlicher zu gestalten. JupyterLab wurde als Weiterentwicklung von Jupyter Notebook entwickelt, 2018 erstmals veröffentlicht und wird häufig für Aufgaben wie Datenanalysen, die Erstellung von Diagrammen und die Entwicklung von Modellen für maschinelles Lernen eingesetzt.

Mit JupyterLab kannst du interaktiv mit Code und Daten arbeiten und Ideen einfach ausprobieren und erkunden. Außerdem kannst du Dokumente erstellen und teilen, die Code, Text und Grafiken verbinden – ideal für die Zusammenarbeit und Präsentationen. Dank der flexiblen Oberfläche kannst du Werkzeuge wie Notebooks, Textdateien und Terminals nebeneinander anordnen. Mit Plugins lässt sich die Funktionalität außerdem an die Anforderungen deines Projekts anpassen und erweitern.

Abb. 1. Komponenten von JupyterLab.

Hier sind weitere interessante Funktionen von JupyterLab:

• Projekte einfach erstellen: Mit JupyterLab kannst du ganz einfach Projekte erstellen und teilen, die visuelle Inhalte wie Diagramme und Dashboards sowie Bilder, Videos und andere Medien enthalten.
• Gemeinsam mit anderen arbeiten: Du kannst ganz einfach mit anderen zusammenarbeiten, indem du Notebooks teilst und Änderungen mit Tools wie Git nachverfolgst.
• Ideal für Einsteiger: JupyterLab ist beliebt in Lehrveranstaltungen zum Programmieren und zur Datenanalyse, in der Forschung zum Testen von Ideen und in der Entwicklung für Aufgaben wie Softwaretests und die Verwaltung von Datenabläufen.

Ultralytics YOLO11-Projekte mit JupyterLab bearbeiten#

Nachdem wir nun besser verstehen, was JupyterLab ist, sehen wir uns genauer an, was die JupyterLab-Integration umfasst und wie du sie bei der Arbeit mit Ultralytics YOLO11 nutzen kannst.

JupyterLab eignet sich hervorragend für die Arbeit an Projekten mit Ultralytics YOLO11-Modellen. Die Plattform vereinfacht die Entwicklung, indem sie eine Komplettumgebung bietet, in der du Aufgaben und Dokumente verwalten kannst, ohne zwischen Plattformen wechseln zu müssen. Über die interaktive Oberfläche kannst du Code ausführen und Ergebnisse sofort sehen. Das ist nützlich, um Daten zu untersuchen oder die Leistung deines YOLO11-Modells nachzuvollziehen. Mit Erweiterungen wie Plotly kannst du außerdem interaktive Diagramme erstellen, die dir helfen, deine YOLO11-Modelle zu visualisieren und zu optimieren.

Angenommen, du arbeitest an einem innovativen Projekt im Bereich KI im Gesundheitswesen. Du planst, Ultralytics YOLO11 mit eigenen Daten zu trainieren, damit Ärzte Tumore auf Röntgen- oder CT-Aufnahmen in Echtzeit erkennen können. YOLO11 lässt sich mit einem Datensatz aus annotierten medizinischen Bildern trainieren, auf denen sowohl normale als auch auffällige Bereiche markiert sind. Mit der JupyterLab-Integration kannst du YOLO11-Modelle direkt in einer kollaborativen, codefreundlichen Umgebung trainieren und feinabstimmen. Außerdem bietet sie Tools für die Verwaltung von Datensätzen, die Durchführung von Experimenten und die Überprüfung der Modellgenauigkeit. So lässt sich visuelle KI im Gesundheitswesen einfacher und effizienter einsetzen.

So funktioniert die JupyterLab-Integration#

Das individuelle Training von Ultralytics YOLO11-Modellen in JupyterLab ist unkompliziert. Die Plattform ähnelt ihrem Vorgänger Jupyter Notebook und Google Colab und bietet eine vorkonfigurierte Umgebung, die den Einstieg erleichtert.

Um JupyterLab für dein YOLO11-Projekt einzurichten, lade zunächst die Datei tutorial.ipynb aus dem Ultralytics-GitHub-Repository herunter und speichere sie in einem Verzeichnis deiner Wahl. (Das Notebook wurde inzwischen aktualisiert und verwendet nun Ultralytics YOLO26.) Öffne anschließend ein Terminal und führe den Befehl pip install jupyterlab aus, um JupyterLab zu installieren. Nach dem Start (siehe nächsten Schritt) zeigt JupyterLab die unten abgebildete Startseite an.

Abb. 2: Erste Startseite von JupyterLab.

Sobald die Installation abgeschlossen ist, wechsle in das Verzeichnis, in dem du die Notebook-Datei gespeichert hast, und führe den Befehl jupyter lab aus, um die Plattform zu starten. Dadurch wird JupyterLab in deinem Standardbrowser geöffnet. Dort kannst du die Datei tutorial.ipynb laden und mit der Erkundung von YOLO11 beginnen. In dieser interaktiven Umgebung kannst du den Code im Notebook Zelle für Zelle ausführen, Einstellungen anpassen und die Ergebnisse sofort sehen. Mit JupyterLab kannst du Ausgaben ganz einfach ansehen, Notizen machen und verschiedene Konfigurationen an einem Ort ausprobieren.

Abb. 3: Das Ultralytics YOLO11-Notebook tutorial.ipynb in der JupyterLab-Oberfläche öffnen.

Wenn du mehr über das Training von Ultralytics-YOLO-Modellen und bewährte Verfahren erfahren möchtest, findest du weitere Informationen im Ultralytics-Leitfaden mit Tipps zum Modelltraining.

Die JupyterLab-Integration auswählen: ihre besonderen Vorteile#

Wenn du die Dokumentation zu den Ultralytics-Integrationen durchsiehst, wirst du feststellen, dass eine große Auswahl an Integrationen zur Verfügung steht. Einige davon bieten sogar ähnliche Funktionen. Die Google-Colab-Integration bietet beispielsweise eine Notebook-Umgebung, in der sich YOLO11 trainieren lässt. Dazu gehört auch das Training eines vortrainierten Modells mit eigenen Daten für bestimmte Aufgaben. Bei der großen Auswahl an Integrationen solltest du bedenken, was die JupyterLab-Integration besonders macht.

Einer der wichtigsten Vorteile der JupyterLab-Integration ist die Unterstützung von Erweiterungen. Diese können bei deinem Computer-Vision-Projekt viel bewirken und den Entwicklungsprozess des Modells vereinfachen. Mit Git-Erweiterungen kannst du beispielsweise deinen Fortschritt nachverfolgen, deine Arbeit mit anderen teilen und deinen Code stets gut pflegen – und das alles, ohne die JupyterLab-Oberfläche zu verlassen.

Hier sind weitere Gründe, warum sich die Integration von JupyterLab gut für dein Projekt eignen könnte:

• Zellen einfach verwalten: In JupyterLab lassen sich verschiedene Zellen ganz einfach verwalten. Statt mühsam Inhalte auszuschneiden und einzufügen, kannst du Zellen per Drag-and-drop neu anordnen.
• Zellen zwischen Notebooks kopieren: Du kannst Zellen ganz einfach zwischen verschiedenen Notebooks kopieren, indem du sie per Drag-and-drop von einem Notebook in ein anderes ziehst.
• Mehrere Ansichten: JupyterLab unterstützt mehrere Ansichten desselben Notebooks, was besonders bei langen Notebooks nützlich ist. Du kannst verschiedene Abschnitte nebeneinander öffnen, um sie zu vergleichen oder zu untersuchen. Änderungen, die du in einer Ansicht vornimmst, erscheinen auch in der anderen.
• Einfach zur klassischen Notebook-Ansicht wechseln: Wenn du mit der klassischen Jupyter-Notebook-Oberfläche besser vertraut bist, kannst du in JupyterLab ganz einfach zurückwechseln. Ersetze einfach „/lab“ im Browserlink durch „/tree“, um zur vertrauten Notebook-Ansicht zurückzukehren.

Anwendungen der JupyterLab-Integration und von Ultralytics YOLO11#

Als Nächstes sehen wir uns einige praktische Anwendungsbereiche für Ultralytics YOLO11 mit der JupyterLab-Integration an.

Ein Entwickler, der an Technologien zur Überwachung von Wildtieren arbeitet, kann beispielsweise die JupyterLab-Integration nutzen, um ein YOLO11-Modell zu trainieren. Durch das Training von YOLO11 mit eigenen Daten lassen sich Computer-Vision-Anwendungen entwickeln, die gefährdete Arten in Drohnenaufnahmen erkennen. JupyterLab vereinfacht diesen Prozess mit einem einzigen Arbeitsbereich für die Datenanalyse, Vorverarbeitung und das Training von Modellen. Entwickler können Code ausführen, Modelle testen und Ergebnisse an einem Ort ansehen – für einen einfachen und übersichtlichen Arbeitsablauf.

Abb. 4. Beispiel für den Einsatz von Ultralytics YOLO-Modellen zur Erkennung von Wildtierarten.

Neben dem Schutz von Wildtieren lässt sich die Kombination aus Ultralytics YOLO11 und JupyterLab in vielen praktischen Anwendungsbereichen einsetzen, zum Beispiel:

• Computer Vision in der Landwirtschaft: Ultralytics YOLO11 unterstützt verschiedene Computer-Vision-Aufgaben und kann dabei helfen, Pflanzenkrankheiten zu erkennen, das Pflanzenwachstum zu überwachen oder Unkraut auf Drohnen- und Satellitenbildern zu identifizieren. JupyterLab vereinfacht dabei die Datenanalyse und die Modelloptimierung.
• Qualitätskontrolle in der Fertigung: Durch die Analyse von Bildern in Echtzeit kann Ultralytics YOLO11 Fehler an Produkten auf Fertigungsstraßen erkennen. JupyterLab bietet eine zentrale Umgebung, um Modelle zu optimieren und Ergebnisse auszuwerten.
• KI in der Logistik: Aufgaben wie die Bestandsverfolgung und das Scannen von Paketen lassen sich mit YOLO11 automatisieren. Das Modell erkennt Objekte in Bildern und markiert ihre Positionen mit Begrenzungsrahmen. JupyterLab bietet Tools, mit denen du Modelle anhand von Logistikdaten effizient trainieren, validieren und testen kannst.

Vorteile der JupyterLab-Integration#

Hier ein kurzer Überblick über einige besondere Vorteile, die die JupyterLab-Integration für visuelle KI im Allgemeinen bietet:

• Fernzugriff und Skalierbarkeit: Die Plattform kann sowohl auf Cloud-Plattformen als auch auf entfernten Servern ausgeführt werden. So erhältst du Zugriff auf leistungsstarke Rechenressourcen und kannst gemeinsam mit anderen forschen.
• Unterstützung mehrerer Programmiersprachen: Python ist zwar die am häufigsten verwendete Sprache, doch JupyterLab unterstützt auch andere Sprachen wie R, Julia und Scala und eignet sich dadurch für vielfältige Arbeitsabläufe.
• Datenintegration: JupyterLab lässt sich mit Datenbanken, Cloud-Speichern und Datenverarbeitungswerkzeugen verbinden. Dadurch wird die Verarbeitung großer Datensätze erleichtert, die für das Training von Vision-AI-Modellen benötigt werden.

Die wichtigsten Erkenntnisse#

Die JupyterLab-Integration ist ein nützliches Tool, das die Arbeit mit Computer-Vision-Modellen wie Ultralytics YOLO11 erleichtert. Sie bietet dir einen zentralen Arbeitsbereich, in dem du Daten organisieren, eigene Modelle trainieren und testen sowie mit anderen Entwicklern zusammenarbeiten kannst. Dank hilfreicher Erweiterungen und Zusatzfunktionen kannst du dich darauf konzentrieren, deine Modelle zu entwickeln und zu verbessern, statt dich mit der Einrichtung deiner Arbeitsumgebung aufzuhalten.

Ob du Wildtiere schützen, medizinische Aufnahmen verbessern oder die Produktqualität in Fabriken prüfen möchtest – die von Ultralytics unterstützte JupyterLab-Integration vereinfacht den Prozess und macht ihn effizienter.

Tritt unserer Community bei und sieh dir unser GitHub-Repository oder unsere Anleitungen an, um mehr über AI zu erfahren. Auf unseren Lösungsseiten findest du außerdem weitere Anwendungsbeispiele wie Computer Vision in der Fertigung oder AI in selbstfahrenden Autos.