Trainiere Ultralytics YOLO11 mithilfe der JupyterLab-Integration

Die Arbeit an Computer-Vision-Modellen kann aufregend sein, besonders wenn du siehst, wie dein Modell gute Leistung bringt. Normalerweise umfasst der Entwicklungsprozess für Computer Vision einige unkomplizierte Schritte, wie das Vorbereiten von Datensätzen und das Feintuning von Modellen, wie z. B. Ultralytics YOLO11. Es gibt jedoch einige Teile dieses Prozesses, die für Anfänger herausfordernd sein können, wie das Einrichten einer Entwicklungsumgebung. Genau deshalb unterstützt Ultralytics Integrationen wie JupyterLab, die diese Schritte vereinfachen können.

Die JupyterLab-Integration bietet speziell eine interaktive und benutzerfreundliche Entwicklungsumgebung, die das Erforschen und Experimentieren mit Computer-Vision-Modellen einfach macht. JupyterLab stellt dir einen integrierten Arbeitsbereich zur Verfügung. Damit kannst du direkt in das Erforschen und Erstellen von Computer-Vision-Modellen eintauchen, ohne von der 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.

Link to this sectionWas 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.

Link to this sectionVerwendung von JupyterLab für die Arbeit an Ultralytics YOLO11-Projekten#

Nachdem wir nun ein besseres Verständnis davon haben, was JupyterLab ist, lass uns untersuchen, was genau die JupyterLab-Integration umfasst und wie du sie bei der Arbeit mit YOLO11 nutzen kannst.

JupyterLab ist ein großartiges Tool für die Arbeit an Projekten mit Ultralytics YOLO11-Modellen. Es vereinfacht den Entwicklungsprozess durch die Bereitstellung einer Alles-in-einem-Umgebung, 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 erforschen oder zu verstehen, wie dein YOLO11-Modell abschneidet. Du kannst auch Erweiterungen wie Plotly verwenden, um interaktive Diagramme zu erstellen, die 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, YOLO11 benutzerdefiniert zu trainieren, um Ärzte bei der Echtzeit-Objekterkennung von Tumoren in Röntgen- oder CT-Scan-Bildern zu unterstützen. YOLO11 kann mithilfe eines Datensatzes aus beschrifteten medizinischen Bildern trainiert werden, die sowohl normale als auch anormale Bereiche hervorheben. Mit der JupyterLab-Integration kannst du YOLO11-Modelle direkt in einer kollaborativen, codefreundlichen Umgebung trainieren und feintunen. Sie bietet zudem Tools zur Verwaltung von Datensätzen, zum Ausführen von Experimenten und zum Validieren der Modellgenauigkeit, was die Einführung von Vision AI im Gesundheitswesen einfacher und effizienter macht.

Link to this sectionWie die JupyterLab-Integration funktioniert#

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

Um JupyterLab für dein YOLO11-Projekt einzurichten, lade zunächst die Datei tutorial.ipynb aus dem Ultralytics GitHub-Repository herunter und speichere sie im Verzeichnis deiner Wahl. Öffne anschließend 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 dargestellte Fenster.

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. Dies öffnet JupyterLab in deinem Standard-Webbrowser, wo du die Datei tutorial.ipynb laden und mit dem Erforschen 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 YOLO11 tutorial.ipynb Notebooks in der Benutzeroberfläche von JupyterLab.

Um ein besseres Verständnis für den Prozess des Trainings von Ultralytics YOLO-Modellen und Best Practices zu erhalten, kannst du dich auf die offizielle Ultralytics-Dokumentation beziehen.

Link to this sectionDie Entscheidung für die JupyterLab-Integration: Warum sie heraussticht#

Beim Durchsuchen der Ultralytics Integrationsdokumentation wirst du feststellen, dass es eine große Auswahl an Integrationen gibt. Einige von ihnen bieten sogar ähnliche Funktionen. Zum Beispiel bietet die Google Colab-Integration eine Umgebung im Notebook-Stil, die das Training von YOLO11 unterstützt, einschließlich des benutzerdefinierten Trainings eines vortrainierten Modells für spezifische 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.

Link to this sectionAnwendungen der JupyterLab-Integration und YOLO11#

Lass uns als Nächstes einige praktische Anwendungen der Arbeit an YOLO11 unter Verwendung der JupyterLab-Integration untersuchen.

Ein Entwickler, der an Technologien zur Wildtierüberwachung arbeitet, kann beispielsweise die JupyterLab-Integration verwenden, um ein YOLO11-Modell zu trainieren. Durch das benutzerdefinierte 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 das Erforschen von Daten, die Vorverarbeitung und das Trainieren von Modellen bereitstellt. Entwickler können Code ausführen, Modelle testen und Ergebnisse an einem Ort einsehen, was den Workflow einfach und organisiert hält.

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

Jenseits des Naturschutzes 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 dabei helfen, Pflanzenkrankheiten zu erkennen, das Pflanzenwachstum zu überwachen oder Unkraut aus Drohnen- oder Satellitenbildern zu identifizieren, wobei JupyterLab die Datenanalyse und Modelloptimierung optimiert.

• Qualitätskontrolle in der Fertigung: Durch die Analyse von Bildern in Echtzeit kann YOLO11 Defekte an Produkten an Fließbändern identifizieren, während JupyterLab eine zentrale Umgebung zur Verfeinerung von Modellen und zur Bewertung von Ergebnissen bereitstellt.

• KI in der Logistik: Aufgaben wie Bestandsverfolgung und Paket-Scanning können mithilfe von YOLO11 automatisiert werden, das Objekte in Bildern erkennt und Begrenzungsrahmen (BBox) um sie herum platziert, um ihre Positionen anzugeben, während JupyterLab Tools bietet, um Modelle effizient mit Logistikdaten zu trainieren, zu validieren und zu testen.

Link to this sectionVorteile der JupyterLab-Integration#

Hier ist ein kurzer Überblick über einige der einzigartigen Möglichkeiten, wie die JupyterLab-Integration Vision AI 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.

Link to this sectionWichtige Erkenntnisse#

Die JupyterLab-Integration ist ein nützliches Tool, das die Arbeit mit Computer-Vision-Modellen wie YOLO11 einfacher macht. Sie gibt dir einen einzigen Arbeitsbereich, in dem du deine Daten organisieren, benutzerdefinierte 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 Sorgen um 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.

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