Trainiere Ultralytics YOLO11 mithilfe der JupyterLab-Integration

Die Arbeit an Computer-Vision-Modellen kann spannend sein, besonders wenn du siehst, wie dein Modell gute Leistungen erbringt. Typischerweise umfasst der Entwicklungsprozess für Computer Vision mehrere unkomplizierte Schritte, wie das Aufbereiten von Datensätzen und das Feinabstimmen von Modellen wie Ultralytics YOLO11. Einige Teile dieses Prozesses können jedoch für Anfänger eine Herausforderung darstellen, wie zum Beispiel das Einrichten einer Entwicklungsumgebung. Genau deshalb unterstützt Ultralytics Integrationen wie JupyterLab, die dir diese Schritte erleichtern.

Konkret bietet die JupyterLab-Integration eine interaktive und benutzerfreundliche Entwicklungsumgebung, die das Erkunden und Experimentieren mit Computer-Vision-Modellen vereinfacht. JupyterLab stellt dir einen integrierten Arbeitsbereich zur Verfügung. Damit kannst du direkt in das Erkunden und Erstellen von Computer-Vision-Modellen einsteigen, ohne durch die Installation und Einrichtung von Umgebungen abgelenkt zu werden.

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. Tatsächlich ermöglicht es dir JupyterLab, Ultralytics YOLO11-Modelle einfach direkt auf deinem Computer auszuprobieren und zu trainieren. In diesem Artikel untersuchen wir die Integration mit YOLO11, wie sie funktioniert und welche Vorteile sie bietet.

Was ist JupyterLab?#

JupyterLab ist ein webbasiertes Tool, das dir hilft, Code zu schreiben und auszuführen, Daten zu organisieren und visuelle Berichte an einem Ort zu erstellen. Es ist Teil des Project Jupyter, das 2014 begann, um das Programmieren interaktiver und benutzerfreundlicher zu gestalten. Es wurde als Upgrade für Jupyter Notebook entwickelt, erstmals 2018 veröffentlicht und wird häufig für Aufgaben wie die Analyse von Daten, das Erstellen von Diagrammen und das Entwickeln von Machine-Learning-Modellen verwendet.

JupyterLab ermöglicht es dir, interaktiv mit Code und Daten zu arbeiten, was das Experimentieren und Erforschen von Ideen einfach macht. Du kannst auch Dokumente erstellen und teilen, die Code, Text und Grafiken nahtlos kombinieren – ideal für Zusammenarbeit und Präsentationen. Darüber hinaus erlaubt dir die flexible Benutzeroberfläche, Tools wie Notebooks, Textdateien und Terminals nebeneinander anzuordnen, und Plugins können hinzugefügt werden, um die Funktionalität weiter an deine Projektanforderungen anzupassen.

Abb. 1. Komponenten von JupyterLab.

Hier sind einige weitere interessante Funktionen von JupyterLab:

• Einfache Projekterstellung: JupyterLab macht es leicht, Projekte mit visuellen Elementen wie Diagrammen, Grafiken und Dashboards sowie Bildern, Videos und anderen Medien zu erstellen und zu teilen.

• Zusammenarbeit mit anderen: Du kannst einfach mit anderen zusammenarbeiten, indem du Notebooks teilst und Änderungen mit Tools wie Git nachverfolgst.

• Großartig für Anfänger: Es ist beliebt im Unterricht zum Lehren von Programmierung und Datenanalyse, in der Forschung zum Testen von Ideen und in der Entwicklung für Aufgaben wie Softwaretests und die Verwaltung von Datenworkflows.

Verwendung von JupyterLab für die Arbeit an Ultralytics YOLO11-Projekten#

Jetzt, da wir ein besseres Verständnis davon haben, was JupyterLab ist, wollen wir uns ansehen, was genau die JupyterLab-Integration umfasst und wie du sie bei der Arbeit mit Ultralytics YOLO11 nutzen kannst.

JupyterLab ist ein großartiges Tool für die Arbeit an Projekten mit Ultralytics YOLO11-Modellen. Es vereinfacht den Entwicklungsprozess, indem es eine All-in-One-Umgebung bereitstellt, in der du Aufgaben und Dokumente verwalten kannst, ohne zwischen Plattformen wechseln zu müssen. Die interaktive Benutzeroberfläche ermöglicht es dir, Code auszuführen und Ergebnisse sofort zu sehen, was perfekt ist, um Daten zu untersuchen oder zu verstehen, wie dein YOLO11-Modell abschneidet. Du kannst auch Erweiterungen wie Plotly verwenden, um interaktive Diagramme zu erstellen, die dabei helfen, deine YOLO11-Modelle zu visualisieren und zu verfeinern.

Nehmen wir zum Beispiel an, du arbeitest an einem innovativen Projekt im Bereich KI im Gesundheitswesen. Du planst, custom-train Ultralytics YOLO11 zu nutzen, um Ärzten bei der Echtzeit-Objekterkennung von Tumoren in Röntgen- oder CT-Scan-Bildern zu helfen. YOLO11 kann mit einem Datensatz annotierter medizinischer Bilder trainiert werden, die sowohl normale als auch anormale Bereiche hervorheben. Mit der JupyterLab-Integration kannst du YOLO11-Modelle direkt in einer kollaborativen, code-freundlichen Umgebung trainieren und fine-tunen. Sie bietet zudem Tools zur Verwaltung von Datensätzen, zum Ausführen von Experimenten und zum Validieren der Modellgenauigkeit, was die Implementierung von vision AI in healthcare einfacher und effizienter macht.

Wie die JupyterLab-Integration funktioniert#

Das benutzerdefinierte Training von Ultralytics YOLO11-Modellen in JupyterLab ist unkompliziert. Die Plattform ähnelt ihrem Vorgänger Jupyter Notebook oder 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 deinem bevorzugten Verzeichnis. Öffne als Nächstes einen beliebigen Code-Editor oder ein Terminal und führe den Befehl pip install jupyterlab aus, um JupyterLab zu installieren. Die Plattform öffnet sich automatisch und zeigt das unten stehende Fenster an.

Abb. 2. Die anfängliche Startseite von JupyterLab.

Sobald die Installation abgeschlossen ist, navigiere zu dem 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 Standard-Webbrowser geöffnet, wo du die Datei tutorial.ipynb laden und mit der Erkundung von YOLO11 beginnen kannst. In dieser interaktiven Umgebung kannst du den Code im Notebook Zelle für Zelle ausführen, Einstellungen anpassen und Ergebnisse sofort sehen. JupyterLab macht es einfach, Ausgaben anzuzeigen, Notizen zu machen und verschiedene Setups an einem Ort auszuprobieren.

Abb. 3: Öffnen des Notebooks Ultralytics YOLO11 tutorial.ipynb in der Benutzeroberfläche von JupyterLab.

Um ein besseres Verständnis für den Prozess des Trainings von Ultralytics YOLO-Modellen und für Best Practices zu erhalten, kannst du in der offiziellen Ultralytics-Dokumentation nachlesen.

Die Entscheidung für die JupyterLab-Integration: Warum sie heraussticht#

Beim Erkunden der Dokumentation zu den Ultralytics-Integrationen wirst du feststellen, dass eine große Auswahl an Integrationen zur Verfügung steht. Einige von ihnen bieten sogar ähnliche Funktionen. So bietet beispielsweise die Google Colab-Integration eine Notebook-ähnliche Umgebung, die das Training von YOLO11 unterstützt, einschließlich des benutzerdefinierten Trainings eines vortrainierten Modells für bestimmte Aufgaben. Bei so vielen Integrationen ist es wichtig, im Hinterkopf zu behalten, was die JupyterLab-Integration einzigartig macht.

Einer der Hauptvorteile der Verwendung der JupyterLab-Integration ist die Unterstützung von Erweiterungen. Diese Erweiterungen können einen erheblichen Unterschied in deinem Computer-Vision-Projekt machen und den Modellentwicklungsprozess optimieren. Du kannst zum Beispiel die Git-Erweiterungen nutzen, um deinen Fortschritt nachzuverfolgen, deine Arbeit mit anderen zu teilen und sicherzustellen, dass dein Code immer gut gepflegt ist – alles ohne die JupyterLab-Benutzeroberfläche zu verlassen.

Hier sind einige weitere Gründe, warum die JupyterLab-Integration eine großartige Wahl für dein Projekt sein könnte:

• Einfache Zellenverwaltung: Das Verwalten verschiedener Zellen in JupyterLab ist einfach. Anstatt der mühsamen Ausschneiden-und-Einfügen-Methode kannst du Zellen einfach per Drag-and-Drop verschieben, um sie neu anzuordnen.

• Zellen kopieren zwischen Notebooks: Du kannst Zellen einfach zwischen verschiedenen Notebooks kopieren, indem du sie von einem Notebook in ein anderes ziehst.

• Mehrfachansichten: 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, und alle Änderungen, die du in einer Ansicht vornimmst, erscheinen auch in der anderen.

• Einfacher Wechsel zur klassischen Notebook-Ansicht: Für diejenigen, die mit der klassischen Jupyter Notebook-Benutzeroberfläche besser vertraut sind, bietet JupyterLab einen einfachen Rückweg. Du kannst einfach „/lab“ im Browser-Link durch „/tree“ ersetzen, um zur vertrauten Notebook-Ansicht zurückzukehren.

Anwendungen der JupyterLab-Integration und von Ultralytics YOLO11#

Als Nächstes schauen wir uns einige praktische Anwendungsbereiche für die Arbeit an Ultralytics YOLO11 über die JupyterLab-Integration an.

Ein Entwickler, der an Technologien zur Wildtierüberwachung arbeitet, kann beispielsweise die JupyterLab-Integration nutzen, um ein YOLO11-Modell zu trainieren. Durch das benutzerdefinierte Training von YOLO11 können sie Computer-Vision-Anwendungen erstellen, die bedrohte Arten auf Drohnenaufnahmen identifizieren. JupyterLab erleichtert diesen Prozess, indem es einen einzigen Arbeitsbereich für die Datenanalyse, Vorverarbeitung und das Modelltraining bereitstellt. Entwickler können Code ausführen, Modelle testen und Ergebnisse an einem Ort anzeigen, wodurch der Workflow einfach und übersichtlich bleibt.

Abb. 4. Ein Beispiel für die Verwendung von Ultralytics YOLO-Modellen zur Erkennung von Wildtierarten.

Über den Artenschutz hinaus lässt sich die zuverlässige Kombination aus Ultralytics YOLO11 und JupyterLab für eine Vielzahl realer Anwendungen einsetzen, wie zum Beispiel:

• Computer vision in agriculture: Die Unterstützung von Ultralytics YOLO11 für verschiedene Computer-Vision-Aufgaben kann dabei helfen, Pflanzenkrankheiten zu erkennen, das Pflanzenwachstum zu überwachen oder Unkraut auf Drohnen- oder Satellitenbildern zu identifizieren, wobei JupyterLab die Datenanalyse und Modelloptimierung vereinfacht.

• Quality control in manufacturing: Durch die Echtzeitanalyse von Bildern kann Ultralytics YOLO11 Defekte an Produkten am Fließband erkennen, während JupyterLab eine zentrale Umgebung zur Verfeinerung von Modellen und Auswertung der Ergebnisse bereitstellt.

• KI in der Logistik: Aufgaben wie Bestandsverfolgung und Paketscannen können mit YOLO11 automatisiert werden, das Objekte in Bildern erkennt und Bounding-Boxen darum platziert, um ihre Standorte anzuzeigen, während JupyterLab Tools bereitstellt, um Modelle mit Logistikdaten effizient zu trainieren, zu validieren und zu testen.

Vorteile der JupyterLab-Integration#

Hier ist ein kurzer Überblick über einige der einzigartigen Möglichkeiten, wie die JupyterLab-Integration der Vision-KI im Allgemeinen zugutekommt:

• Remote-Zugriff und Skalierbarkeit: Sie kann sowohl auf Cloud-Plattformen als auch auf Remote-Servern ausgeführt werden, was den Zugriff auf leistungsstarke Computerressourcen und kollaborative Forschung ermöglicht.

• Unterstützung mehrerer Programmiersprachen: Während Python die am häufigsten verwendete Sprache ist, unterstützt JupyterLab auch andere Sprachen wie R, Julia und Scala, was es vielseitig für verschiedene Workflows macht.

• Datenintegration: JupyterLab lässt sich nahtlos in Datenbanken, Cloud-Speicher und Datenverarbeitungstools integrieren, was die Handhabung großer Datensätze, die für das Training von Vision AI erforderlich sind, erleichtert.

Wichtige Erkenntnisse#

Die JupyterLab-Integration ist ein nützliches Werkzeug, das die Arbeit mit Computer-Vision-Modellen wie Ultralytics YOLO11 erleichtert. Sie bietet dir einen einzigen Arbeitsbereich, in dem du deine Daten organisieren, eigene Modelle trainieren und testen sowie mit anderen Entwicklern zusammenarbeiten kannst. Mit ihren hilfreichen Erweiterungen und Add-ons kannst du dich auf das Erstellen und Verbessern deiner Modelle konzentrieren, anstatt dir Gedanken über die Einrichtung deiner Arbeitsumgebung machen zu müssen.

Egal, ob du hilfst, Wildtiere zu schützen, medizinische Scans zu verbessern oder die Produktqualität in Fabriken zu überprüfen, die von Ultralytics unterstützte JupyterLab-Integration macht den Prozess einfacher und effizienter.

Trige unserer Community bei, sieh dir unser GitHub-Repository oder unsere Anleitungen an, um mehr über KI zu erfahren. Du kannst auf unseren Lösungsseiten auch weitere Anwendungen wie Computer Vision in der Fertigung oder KI in selbstfahrenden Autos entdecken.