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 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 unterstützt Ultralytics Integrationen wie JupyterLab, die diese Schritte vereinfachen können.

Insbesondere die Jupyterlab-Integration bietet eine interaktive und benutzerfreundliche Entwicklungsumgebung, die das Erforschen und Experimentieren mit Computer-Vision-Modellen vereinfacht. Jupyterlab bietet Ihnen einen integrierten Arbeitsbereich. Damit können Sie direkt mit der Erforschung und Erstellung von Computer-Vision-Modellen beginnen, ohne sich mit der Installation und Einrichtung von Umgebungen beschäftigen zu müssen. 

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-Modellen 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 an einem Ort Code schreiben und ausführen, Daten organisieren und visuelle Berichte erstellen können. Es ist Teil des Projekts Jupyter, das 2014 ins Leben gerufen wurde, um das Programmieren interaktiver und benutzerfreundlicher zu machen. Es wurde als Erweiterung von Jupyter Notebook entwickelt, 2018 erstmals veröffentlicht und wird häufig für Aufgaben wie die Analyse von Daten, die Erstellung von Diagrammen und die Erstellung von Machine-Learning-Modellen verwendet.

Mit JupyterLab können Sie interaktiv mit Code und Daten arbeiten und auf einfache Weise mit Ideen experimentieren und diese erforschen. Sie können auch Dokumente erstellen und freigeben, die Code, Text und Bilder nahtlos kombinieren - ideal für die Zusammenarbeit und Präsentationen. Darüber hinaus können Sie über die flexible Benutzeroberfläche Werkzeuge wie Notizbücher, Textdateien und Terminals nebeneinander organisieren und Plugins hinzufügen, um die Funktionalität entsprechend den Anforderungen Ihres Projekts zu erweitern.

‍

Hier sind einige weitere interessante Funktionen von JupyterLab:

• Einfache Projekterstellung: Mit JupyterLab ist es einfach, Projekte mit visuellen Elementen wie Diagrammen, Graphen und Dashboards sowie Bildern, Videos und anderen Medien zu erstellen und zu teilen. 

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

• Ideal für Anfänger: Es ist beliebt in Klassenzimmern zum Unterrichten von Kodierung 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-Projekten

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-Modellen. 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-Modell funktioniert. Sie können auch Erweiterungen wie Plotly verwenden, um interaktive Diagramme zu erstellen, die Ihnen helfen, Ihre YOLO11-Modelle 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-Modelle 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.

So funktioniert die JupyterLab-Integration

Das individuelle Training von YOLO11-Modellen 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-Projekt 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-Modelle und der besten Praktiken zu erhalten, können Sie die offizielle Ultralytics-Dokumentation einsehen. 

Die Wahl der JupyterLab-Integration: warum sie sich auszeichnet

Bei der Durchsicht der Ultralytics-Integrationsdokumentation 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 von 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 zu verfolgen, 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 Methode des Ausschneidens und Einfügens können Sie Zellen per Drag & Drop neu anordnen.

• Notebook-übergreifendes Kopieren von Zellen: Sie können Zellen ganz einfach zwischen verschiedenen Notizbüchern kopieren, indem Sie Zellen von einem Notizbuch in ein anderes ziehen und ablegen.

• Mehrere Ansichten: JupyterLab unterstützt mehrere Ansichten desselben Notizbuchs, was besonders bei langen Notizbüchern 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 Notizbuchansicht: Für diejenigen, die eher mit der klassischen Jupyter-Notebook-Oberfläche 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-Modell zu trainieren. Durch benutzerdefiniertes Training von 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 YOLO11 für 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 ein kurzer Überblick über einige der einzigartigen Möglichkeiten, wie die JupyterLab-Integration die Vision AI im Allgemeinen unterstützt:

• Fernzugriff und Skalierbarkeit: Es kann sowohl auf Cloud-Plattformen als auch auf Remote-Servern ausgeführt werden und ermöglicht so den Zugang zu leistungsstarken Rechenressourcen und kollaborativer Forschung.

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

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

Die wichtigsten 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.

Werden Sie Teil unserer Community und schauen Sie sich unser GitHub-Repository oder unsere Leitfäden an, um mehr über KI zu erfahren. Weitere Anwendungen wie Computer Vision in der Fertigung oder KI in selbstfahrenden Autos finden Sie auch auf unseren Lösungsseiten.