Ultralytics YOLO11 mit der JupyterLab-Integration trainieren

Die Arbeit an Computer-Vision-Modellen kann sehr aufregend sein, vor allem, wenn Sie sehen, dass Ihr Modell gut funktioniert. Normalerweise umfasst der Entwicklungsprozess für Computer Vision mehrere unkomplizierte Schritte, wie die Vorbereitung von Datensätzen und die Feinabstimmung von Modellen, wie z. B. Ultralytics YOLO11. Es gibt jedoch einige Teile dieses Prozesses, die für Anfänger eine Herausforderung darstellen können, z. B. das Einrichten einer Entwicklungsumgebung. Genau aus diesem Grund unterstütztUltralytics Integrationen wie JupyterLab, die diese Schritte vereinfachen können.

Insbesondere die Jupyterlab-Integration bietet eine interaktive und benutzerfreundliche Entwicklungsumgebung, die das Erkunden und Experimentieren mit Computer-Vision-Modellen vereinfacht. Jupyterlab bietet Ihnen einen integrierten Arbeitsbereich. Mit ihm können Sie direkt in die Erkundung und den Aufbau von Computer-Vision-Modellen eintauchen, ohne sich mit der Installation und Einrichtung von Umgebungen ablenken zu lassen. 

JupyterLab bietet beispielsweise Werkzeuge und Funktionen wie Notebooks zum Ausführen von Code, Texteditoren zum Erstellen von Dokumentation und Terminals für die Interaktion mit dem System. Mit JupyterLab können Sie ganz einfach mit Ultralytics YOLO11 experimentieren und diese direkt auf Ihrem Computer trainieren. In diesem Artikel werden wir die Integration von JupyterLab in YOLO11, seine Funktionsweise und die Vorteile, die es bietet, untersuchen.

Was ist JupyterLab?

JupyterLab ist ein webbasiertes Tool, mit dem Sie Code schreiben und ausführen, Daten organisieren und visuelle Berichte erstellen können, alles an einem Ort. Es ist Teil des Project Jupyter, das 2014 ins Leben gerufen wurde, um das Programmieren interaktiver und benutzerfreundlicher zu gestalten. Es wurde als Upgrade für Jupyter Notebook entwickelt und erstmals 2018 veröffentlicht. Es wird häufig für Aufgaben wie die Analyse von Daten, die Erstellung von Diagrammen und die Entwicklung von Machine-Learning-Modellen verwendet.

Mit JupyterLab können Sie interaktiv mit Code und Daten arbeiten, wodurch das Experimentieren und Erkunden von Ideen vereinfacht wird. Sie können auch Dokumente erstellen und austauschen, die Code, Text und Visualisierungen nahtlos miteinander verbinden – ideal für die Zusammenarbeit und Präsentationen. Darüber hinaus können Sie mit der flexiblen Benutzeroberfläche Tools wie Notebooks, Textdateien und Terminals nebeneinander anordnen, und es können Plugins hinzugefügt werden, um die Funktionalität an die Bedürfnisse Ihres Projekts anzupassen.

‍

Hier sind einige andere interessante Funktionen von JupyterLab:

• Einfache Projekterstellung: JupyterLab erleichtert das Erstellen und Teilen von Projekten mit Visualisierungen wie Diagrammen, Grafiken und Dashboards sowie Bildern, Videos und anderen Medien. 

• Arbeiten Sie mit anderen zusammen: Sie können problemlos mit anderen zusammenarbeiten, indem Sie Notizbücher freigeben und Änderungen mit Tools wie Git track . 

• Ideal für Anfänger: Es ist beliebt in Klassenzimmern zum Unterrichten von Programmierung und Datenanalyse, in der Forschung zum Testen von Ideen und in der Entwicklung für Aufgaben wie Softwaretests und die Verwaltung von Daten-Workflows.

Verwendung von JupyterLab für die Arbeit an Ultralytics YOLO11

Nachdem wir nun ein besseres Verständnis dafür haben, was JupyterLab ist, wollen wir nun untersuchen, was genau die JupyterLab-Integration umfasst und wie Sie sie bei der Arbeit mit YOLO11 nutzen können. 

JupyterLab ist ein großartiges Werkzeug für die Arbeit an Projekten mit Ultralytics YOLO11. Es vereinfacht den Entwicklungsprozess durch die Bereitstellung einer All-in-One-Umgebung, in der Sie Aufgaben und Dokumente verwalten können, ohne zwischen den Plattformen wechseln zu müssen. Die interaktive Schnittstelle ermöglicht es Ihnen, Code auszuführen und die Ergebnisse sofort zu sehen. Dies ist ideal, um Daten zu untersuchen oder zu verstehen, wie Ihr YOLO11 funktioniert. Sie können auch Erweiterungen wie Plotly verwenden, um interaktive Diagramme zu erstellen, die Ihnen helfen, Ihre YOLO11 zu visualisieren und zu verfeinern.

Nehmen wir an, Sie arbeiten an einem innovativen Projekt im Bereich der KI im Gesundheitswesen. Sie planen, YOLO11 individuell zu trainieren, um Ärzte bei der Echtzeit-Objekterkennung von Tumoren in Röntgen- oder CT-Bildern zu unterstützen. YOLO11 kann anhand eines Datensatzes von gelabelten medizinischen Bildern trainiert werden, die sowohl normale als auch abnormale Bereiche hervorheben. Mit der JupyterLab-Integration können Sie YOLO11 direkt in einer kollaborativen, codefreundlichen Umgebung trainieren und feinabstimmen. Sie bietet auch Tools für die Verwaltung von Datensätzen, die Durchführung von Experimenten und die Validierung der Modellgenauigkeit, wodurch die Einführung von Vision AI im Gesundheitswesen einfacher und effizienter wird.

Wie die JupyterLab-Integration funktioniert

Das individuelle Training von YOLO11 auf 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 Ihr YOLO11 einzurichten, laden Sie zunächst die Datei "tutorial.ipynb" aus dem Ultralytics GitHub-Repository herunter und speichern Sie sie in Ihrem bevorzugten Verzeichnis. Als Nächstes öffnen Sie einen beliebigen Code-Editor oder ein Terminal und führen den Befehl `pip install jupyterlab` aus, um JupyterLab zu installieren. Die Plattform wird automatisch geöffnet und zeigt das unten abgebildete Fenster an.

‍

Sobald die Installation abgeschlossen ist, navigieren Sie zu dem Verzeichnis, in dem Sie die Notizbuchdatei gespeichert haben, und führen Sie den Befehl `jupyter lab` aus, um die Plattform zu starten. Dadurch wird JupyterLab in Ihrem Standard-Webbrowser geöffnet, wo Sie die Datei "tutorial.ipynb" laden und mit der Erkundung von YOLO11 beginnen können. In dieser interaktiven Umgebung können Sie den Code im Notizbuch Zelle für Zelle ausführen, die Einstellungen anpassen und die Ergebnisse sofort sehen. Mit JupyterLab ist es einfach, die Ergebnisse zu betrachten, Notizen zu machen und verschiedene Setups auszuprobieren - alles an einem Ort.

‍

Um ein besseres Verständnis des Schulungsprozesses für Ultralytics YOLO und der besten Praktiken zu erhalten, können Sie die offizielle Ultralytics einsehen. 

Die Wahl der JupyterLab-Integration: Warum sie sich abhebt

Bei der Durchsicht der Ultralytics werden Sie feststellen, dass eine Vielzahl von Integrationen zur Auswahl steht. Einige von ihnen bieten sogar ähnliche Funktionen. Die Google Colab-Integration bietet zum Beispiel eine Umgebung im Stil eines Notizbuchs, die das Training YOLO11 unterstützt, einschließlich des benutzerdefinierten Trainings eines vortrainierten Modells für bestimmte Aufgaben. Bei so vielen Integrationen ist es wichtig, sich vor Augen zu halten, was die JupyterLab-Integration einzigartig macht. 

Einer der wichtigsten Vorteile der JupyterLab-Integration ist die Unterstützung von Erweiterungen. Diese Erweiterungen können Ihr Computer-Vision-Projekt erheblich verbessern und den Modellentwicklungsprozess rationalisieren. So können Sie beispielsweise die Git-Erweiterungen verwenden, um Ihren Fortschritt track , Ihre Arbeit mit anderen zu teilen und sicherzustellen, dass Ihr Code immer gut gewartet wird - und das alles, ohne die JupyterLab-Oberfläche zu verlassen.

Hier sind einige weitere Gründe, warum die JupyterLab-Integrationen eine gute Wahl für Ihr Projekt sein könnten:

• Einfache Zellenverwaltung: Die Verwaltung verschiedener Zellen in JupyterLab ist einfach. Anstelle der mühsamen Cut-and-Paste-Methode können Sie Zellen per Drag & Drop neu anordnen.

• Zellen zwischen Notebooks kopieren: Sie können Zellen einfach zwischen verschiedenen Notebooks kopieren, indem Sie Zellen von einem Notebook in ein anderes ziehen und ablegen.

• Mehrere Ansichten: JupyterLab unterstützt mehrere Ansichten desselben Notebooks, was besonders für lange Notebooks nützlich ist. Sie können verschiedene Abschnitte nebeneinander öffnen, um sie zu vergleichen oder zu untersuchen, und alle Änderungen, die Sie in einer Ansicht vornehmen, werden in der anderen angezeigt.

• Einfacher Wechsel zur klassischen Notebook-Ansicht: Für diejenigen, die mit der klassischen Jupyter Notebook-Oberfläche besser vertraut sind, bietet JupyterLab einen einfachen Wechsel zurück. Sie können einfach “/lab” im Browser-Link durch “/tree” ersetzen, um zur vertrauten Notebook-Ansicht zurückzukehren.

Anwendungen der JupyterLab-Integration und YOLO11

Als nächstes wollen wir einige praktische Anwendungen für die Arbeit mit YOLO11 unter Verwendung der JupyterLab-Integration erkunden.

Ein Entwickler, der an Technologien zur Überwachung von Wildtieren arbeitet, kann zum Beispiel die JupyterLab-Integration nutzen, um ein YOLO11 zu trainieren. Durch benutzerdefiniertes Training YOLO11 können sie Computer-Vision-Anwendungen erstellen, die gefährdete Arten anhand von Drohnenaufnahmen identifizieren. JupyterLab erleichtert diesen Prozess, indem es einen einzigen Arbeitsbereich für die Untersuchung von Daten, die Vorverarbeitung und das Training von Modellen bereitstellt. Entwickler können den Code ausführen, Modelle testen und die Ergebnisse an einem Ort anzeigen, sodass der Arbeitsablauf einfach und übersichtlich bleibt.

‍

Neben dem Schutz der Tierwelt kann die zuverlässige Kombination von YOLO11 und JupyterLab in einer Vielzahl von realen Anwendungen eingesetzt werden, wie zum Beispiel:

• Computer Vision in der Landwirtschaft: Die Unterstützung von YOLO11für verschiedene Computer-Vision-Aufgaben kann bei der Erkennung von Pflanzenkrankheiten, der Überwachung des Pflanzenwachstums oder der Identifizierung von Unkraut aus Drohnen- oder Satellitenbildern helfen, wobei JupyterLab die Datenanalyse und Modelloptimierung vereinfacht.

• Qualitätskontrolle in der Fertigung: Durch die Analyse von Bildern in Echtzeit kann YOLO11 Defekte in Produkten auf Fließbändern erkennen, während JupyterLab eine zentrale Umgebung für die Verfeinerung von Modellen und die Auswertung von Ergebnissen bietet.

• KI in der Logistik: Aufgaben wie die Bestandsverfolgung und das Scannen von Paketen können mit YOLO11 automatisiert werden. YOLO erkennt Objekte in Bildern und platziert Bounding Boxes um sie herum, um ihre Position anzuzeigen, während JupyterLab Tools zum effizienten Trainieren, Validieren und Testen von Modellen mit Logistikdaten bereitstellt.

Vorteile der JupyterLab-Integration

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

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

• Unterstützung für mehrere Programmiersprachen: Python ist zwar die am häufigsten verwendete Sprache, aber JupyterLab unterstützt auch andere Sprachen wie R, Julia und Scala und ist damit vielseitig für verschiedene Arbeitsabläufe einsetzbar.

• Datenintegration: JupyterLab lässt sich nahtlos in Datenbanken, Cloud-Speicher und Datenverarbeitungstools integrieren, was den Umgang mit großen Datensätzen, die für das Vision AI-Training benötigt werden, vereinfacht.

Wesentliche Erkenntnisse

Die JupyterLab-Integration ist ein nützliches Tool, das die Arbeit mit Computer-Vision-Modellen wie YOLO11 erleichtert. Es bietet Ihnen einen einzigen Arbeitsbereich, in dem Sie Ihre Daten organisieren, benutzerdefinierte Modelle trainieren und testen und mit anderen Entwicklern zusammenarbeiten können. Dank der hilfreichen Erweiterungen und Add-ons können Sie sich auf die Erstellung und Verbesserung Ihrer Modelle konzentrieren, anstatt sich um die Einrichtung Ihrer Arbeitsumgebung zu kümmern. 

Ganz gleich, ob es um den Schutz der Tierwelt, die Verbesserung medizinischer Scans oder die Überprüfung der Produktqualität in Fabriken geht, die von Ultralytics unterstützte JupyterLab-Integration macht den Prozess einfacher und effizienter.

Treten Sie unserer Community bei und besuchen Sie unser GitHub-Repository oder unsere Anleitungen, um mehr über KI zu erfahren. Auf unseren Lösungsseiten können Sie sich auch über weitere Anwendungen wie Computer Vision in der Fertigung oder KI in selbstfahrenden Autos informieren.