Ultralytics YOLO11 mit der JupyterLab-Integration trainieren

Die Arbeit an Computer-Vision-Modellen kann spannend sein, insbesondere wenn du siehst, dass dein Modell gute Ergebnisse erzielt. Der Entwicklungsprozess für Computer Vision umfasst in der Regel mehrere einfache Schritte, etwa die Vorbereitung von Datensätzen und die Feinabstimmung von Modellen wie Ultralytics YOLO11. Einige Teile dieses Prozesses können für Einsteiger jedoch eine Herausforderung darstellen, etwa das Einrichten einer Entwicklungsumgebung. Genau deshalb bietet Ultralytics Integrationen wie JupyterLab an, die diese Schritte erleichtern können.

Die JupyterLab-Integration bietet eine interaktive und benutzerfreundliche Entwicklungsumgebung, die das Erkunden und Experimentieren mit Computer-Vision-Modellen vereinfacht. JupyterLab stellt dir einen integrierten Arbeitsbereich bereit. Damit kannst du direkt Computer-Vision-Modelle erkunden und entwickeln, ohne durch die Installation und Einrichtung von Umgebungen abgelenkt zu werden.

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. Tatsächlich kannst du mit JupyterLab Ultralytics YOLO11-Modelle direkt auf deinem Computer einfach ausprobieren und trainieren. In diesem Artikel sehen wir uns die Integration mit YOLO11, ihre Funktionsweise und ihre Vorteile an.

Was ist JupyterLab?#

JupyterLab ist ein webbasiertes Werkzeug, mit dem du Code schreiben und ausführen, Daten organisieren und visuelle Berichte an einem Ort erstellen kannst. Es ist Teil von Project Jupyter, das 2014 ins Leben gerufen wurde, um das Programmieren interaktiver und benutzerfreundlicher zu gestalten. Als Weiterentwicklung von Jupyter Notebook wurde es erstmals 2018 veröffentlicht und wird häufig für Aufgaben wie Datenanalyse, Diagrammerstellung und die Entwicklung von Machine-Learning-Modellen eingesetzt.

Mit JupyterLab kannst du interaktiv mit Code und Daten arbeiten, wodurch das Ausprobieren und Erkunden von Ideen einfach wird. Du kannst außerdem Dokumente erstellen und teilen, die Code, Text und visuelle Inhalte nahtlos miteinander verbinden – ideal für Zusammenarbeit und Präsentationen. Darüber hinaus kannst du dank der flexiblen Oberfläche Werkzeuge wie Notebooks, Textdateien und Terminals nebeneinander anordnen. Plugins lassen sich hinzufügen, um die Funktionalität weiter auszubauen und an die Anforderungen deines Projekts anzupassen.

Abb. 1. Komponenten von JupyterLab.

Hier sind einige weitere interessante Funktionen von JupyterLab:

• Einfache Projekterstellung: Mit JupyterLab kannst du einfach Projekte mit visuellen Inhalten wie Diagrammen, Grafiken und Dashboards sowie Bildern, Videos und anderen Medien erstellen und teilen.

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

• Ideal für Einsteiger: JupyterLab ist in Lehrveranstaltungen 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 Datenverarbeitungsabläufen beliebt.

Mit JupyterLab an Ultralytics YOLO11-Projekten arbeiten#

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

JupyterLab ist ein hervorragendes Werkzeug für die Arbeit an Projekten mit Ultralytics YOLO11-Modellen. Es vereinfacht den Entwicklungsprozess, indem es eine umfassende Umgebung bereitstellt, in der du Aufgaben und Dokumente verwalten kannst, ohne zwischen Plattformen wechseln zu müssen. Die interaktive Oberfläche ermöglicht es dir, Code auszuführen und Ergebnisse sofort zu sehen – ideal, um Daten zu erkunden oder die Leistung deines YOLO11-Modells zu verstehen. Du kannst außerdem Erweiterungen wie Plotly verwenden, um interaktive Diagramme zu erstellen, mit denen du deine YOLO11-Modelle visualisieren und verbessern kannst.

Angenommen, du arbeitest an einem innovativen Projekt, das KI im Gesundheitswesen einsetzt. Du planst, Ultralytics YOLO11 individuell zu trainieren, um Ärztinnen und Ärzte bei der Echtzeit-Objekterkennung von Tumoren in Röntgen- oder CT-Aufnahmen zu unterstützen. YOLO11 kann mit einem Datensatz aus annotierten medizinischen Bildern trainiert werden, die sowohl normale als auch auffällige Bereiche kennzeichnen. Mit der JupyterLab-Integration kannst du YOLO11-Modelle direkt in einer kollaborativen, codefreundlichen Umgebung trainieren und feinabstimmen. Sie bietet außerdem Werkzeuge zur Verwaltung von Datensätzen, zum Ausführen von Experimenten und zur Validierung der Modellgenauigkeit. Dadurch lässt sich Vision AI 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 oder Google Colab und stellt eine vorkonfigurierte Umgebung bereit, mit der du einfach loslegen kannst.

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 anschließend einen beliebigen Codeeditor oder ein Terminal und führe den Befehl pip install jupyterlab aus, um JupyterLab zu installieren. Die Plattform öffnet automatisch das unten gezeigte Fenster und zeigt es an.

Abb. 2. Die 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 Standard-Webbrowser 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 Ergebnisse sofort sehen. JupyterLab macht es einfach, Ausgaben anzuzeigen, Notizen zu machen und verschiedene Konfigurationen an einem Ort auszuprobieren.

Abb. 3. Öffnen des Ultralytics YOLO11-Notebooks tutorial.ipynb in der Oberfläche von JupyterLab.

Wenn du den Trainingsprozess von Ultralytics YOLO-Modellen und bewährte Vorgehensweisen besser verstehen möchtest, kannst du die offizielle Ultralytics-Dokumentation konsultieren.

Die JupyterLab-Integration auswählen: Darum ist sie besonders#

Beim Durchsehen der Dokumentation zu den Ultralytics-Integrationen wirst du feststellen, dass eine große Auswahl an Integrationen zur Verfügung steht. Einige bieten sogar ähnliche Funktionen. Die Google-Colab-Integration stellt beispielsweise eine notebookartige Umgebung bereit, die das Training von YOLO11 unterstützt, einschließlich des individuellen Trainings eines vortrainierten Modells für bestimmte Aufgaben. Bei dieser großen Auswahl solltest du im Blick behalten, was die JupyterLab-Integration einzigartig macht.

Ein wesentlicher Vorteil der JupyterLab-Integration ist die Unterstützung von Erweiterungen. Diese Erweiterungen können in deinem Computer-Vision-Projekt einen erheblichen Unterschied machen und den Entwicklungsprozess von Modellen optimieren. Du kannst beispielsweise die Git-Erweiterungen verwenden, um deinen Fortschritt zu verfolgen, deine Arbeit mit anderen zu teilen und sicherzustellen, dass dein Code stets gut gepflegt ist – und das alles, ohne die JupyterLab-Oberfläche zu verlassen.

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

• Einfache Zellenverwaltung: Die Verwaltung verschiedener Zellen in JupyterLab ist einfach. Statt des mühsamen Ausschneidens und Einfügens kannst du Zellen per Drag-and-drop neu anordnen.

• Zellen zwischen Notebooks kopieren: Du kannst Zellen 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 erkunden. Änderungen, die du in einer Ansicht vornimmst, werden in der anderen angezeigt.

• Einfach zum klassischen Notebook wechseln: Wenn du mit der klassischen Oberfläche von Jupyter Notebook besser vertraut bist, kannst du einfach zurückwechseln. Ersetze dazu im Browser-Link „/lab“ durch „/tree“, um zur vertrauten Notebook-Ansicht zurückzukehren.

Anwendungen der JupyterLab-Integration und von Ultralytics YOLO11#

Sehen wir uns nun einige praktische Anwendungen für die Arbeit mit Ultralytics YOLO11 mithilfe der JupyterLab-Integration an.

So kann beispielsweise eine Entwicklerin oder ein Entwickler, die oder der an Technologien zur Wildtierüberwachung arbeitet, die JupyterLab-Integration zum Trainieren eines YOLO11-Modells verwenden. Durch individuelles Training von YOLO11 lassen sich Computer-Vision-Anwendungen entwickeln, die gefährdete Arten in Drohnenaufnahmen erkennen. JupyterLab erleichtert diesen Prozess, indem es einen einzigen Arbeitsbereich für die Datenexploration, Vorverarbeitung und das Training von Modellen bereitstellt. Entwickler können Code ausführen, Modelle testen und Ergebnisse an einem Ort anzeigen, wodurch der Arbeitsablauf einfach und übersichtlich bleibt.

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

Über den Wildtierschutz hinaus kann die zuverlässige Kombination aus Ultralytics YOLO11 und JupyterLab in verschiedenen praktischen Anwendungen eingesetzt werden, zum Beispiel:

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

• Qualitätskontrolle in der Fertigung: Durch die Echtzeitanalyse von Bildern kann Ultralytics YOLO11 Fehler an Produkten in Fertigungslinien erkennen, während JupyterLab eine zentrale Umgebung zum Verfeinern von Modellen und Bewerten von Ergebnissen bereitstellt.

• KI in der Logistik: Aufgaben wie die Bestandsverfolgung und Paketscans können mit YOLO11 automatisiert werden. Das Modell erkennt Objekte in Bildern und versieht sie mit Begrenzungsrahmen, um ihre Positionen anzuzeigen. JupyterLab stellt zugleich Werkzeuge bereit, mit denen sich Modelle anhand von Logistikdaten effizient trainieren, validieren und testen lassen.

Vorteile der JupyterLab-Integration#

Hier ist ein kurzer Überblick über einige besondere Vorteile, die die JupyterLab-Integration allgemein für Vision AI bietet:

• Fernzugriff und Skalierbarkeit: JupyterLab kann sowohl auf Cloud-Plattformen als auch auf entfernten Servern ausgeführt werden und ermöglicht so den Zugriff auf leistungsstarke Rechenressourcen und kollaborative Forschung.

• Unterstützung mehrerer Programmiersprachen: Obwohl Python am häufigsten verwendet wird, unterstützt JupyterLab auch andere Sprachen wie R, Julia und Scala und ist dadurch für vielfältige Arbeitsabläufe geeignet.

• Datenintegration: JupyterLab lässt sich nahtlos in Datenbanken, Cloud-Speicher und Datenverarbeitungswerkzeuge integrieren und erleichtert so den Umgang mit großen Datensätzen, die für das Training von Vision AI erforderlich sind.

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, individuelle Modelle trainieren und testen sowie mit anderen Entwicklern zusammenarbeiten kannst. Mit ihren hilfreichen Erweiterungen und Add-ons kannst du dich auf die Entwicklung und Verbesserung deiner Modelle konzentrieren, anstatt dich um die Einrichtung deiner Arbeitsumgebung zu kümmern.

Ganz gleich, ob du beim Schutz von Wildtieren hilfst, medizinische Aufnahmen verbesserst oder die Produktqualität in Fabriken prüfst – 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 erfahren. Auf unseren Lösungsseiten kannst du außerdem weitere Anwendungen wie Computer Vision in der Fertigung oder KI in selbstfahrenden Autos entdecken.