Entrena Ultralytics YOLO11 usando la integración de JupyterLab

Trabajar con modelos de visión artificial puede ser emocionante, especialmente cuando ves que tu modelo funciona bien. Por lo general, el proceso de desarrollo de visión artificial implica varios pasos sencillos, como preparar conjuntos de datos y ajustar modelos, como Ultralytics YOLO11. Sin embargo, hay algunas partes de este proceso que pueden resultar complicadas para los principiantes, como configurar un entorno de desarrollo. Es exactamente por eso que Ultralytics admite integraciones como JupyterLab, que pueden facilitar estos pasos.

Específicamente, la integración de JupyterLab ofrece un entorno de desarrollo interactivo y fácil de usar que hace que explorar y experimentar con modelos de visión artificial sea sencillo. JupyterLab te proporciona un espacio de trabajo integrado. Al usarlo, puedes sumergirte directamente en la exploración y creación de modelos de visión artificial sin la distracción de tener que instalar y configurar entornos.

Por ejemplo, JupyterLab ofrece herramientas y funciones como cuadernos para ejecutar código, editores de texto para crear documentación y terminales para interactuar con el sistema. De hecho, JupyterLab te permite experimentar y entrenar fácilmente modelos Ultralytics YOLO11 directamente en tu ordenador. En este artículo, exploraremos su integración con YOLO11, cómo funciona y los beneficios que ofrece.

Link to this section¿Qué es JupyterLab?#

JupyterLab es una herramienta basada en web que te ayuda a escribir y ejecutar código, organizar datos y crear informes visuales, todo en un mismo lugar. Es parte del Proyecto Jupyter, que comenzó en 2014 para hacer que la programación sea más interactiva y fácil de usar. Creado como una mejora de Jupyter Notebook, se lanzó por primera vez en 2018 y se utiliza habitualmente para tareas como analizar datos, crear gráficos y construir modelos de aprendizaje automático.

JupyterLab te permite trabajar con código y datos de forma interactiva, lo que hace que experimentar y explorar ideas sea sencillo. También puedes crear y compartir documentos que combinan a la perfección código, texto y elementos visuales, ideal para la colaboración y presentaciones. Además, su interfaz flexible te permite organizar herramientas como cuadernos, archivos de texto y terminales uno al lado del otro, y se pueden añadir plugins para ampliar aún más su funcionalidad y ajustarla a las necesidades de tu proyecto.

Fig 1. Componentes de JupyterLab.

Aquí tienes algunas otras funciones interesantes de JupyterLab:

• Creación de proyectos sencilla: JupyterLab facilita la creación y el uso compartido de proyectos con elementos visuales como gráficos, diagramas y paneles de control, junto con imágenes, vídeos y otros medios.

• Colabora con otros: Puedes colaborar fácilmente con otras personas compartiendo cuadernos y realizando un seguimiento de los cambios mediante herramientas como Git.

• Ideal para principiantes: Es muy popular en las aulas para enseñar programación y análisis de datos, en investigación para probar ideas, y en desarrollo para tareas como pruebas de software y gestión de flujos de trabajo de datos.

Link to this sectionUso de JupyterLab para trabajar en proyectos de Ultralytics YOLO11#

Ahora que tenemos una mejor comprensión de qué es JupyterLab, exploremos qué abarca exactamente la integración de JupyterLab y cómo puedes aprovecharla al trabajar con YOLO11.

JupyterLab es una gran herramienta para trabajar en proyectos con modelos de Ultralytics YOLO11. Simplifica el proceso de desarrollo al proporcionar un entorno todo en uno donde puedes gestionar tareas y documentos sin cambiar entre plataformas. La interfaz interactiva te permite ejecutar código y ver resultados al instante, lo cual es perfecto para explorar datos o entender cómo está rindiendo tu modelo YOLO11. También puedes usar extensiones como Plotly para crear gráficos interactivos que ayuden a visualizar y refinar tus modelos YOLO11.

Por ejemplo, supongamos que estás trabajando en un proyecto innovador relacionado con la IA en la atención sanitaria. Estás planeando entrenar a medida YOLO11 para ayudar a los médicos con la detección de objetos en tiempo real de tumores en radiografías o imágenes de tomografía computarizada (TC). YOLO11 se puede entrenar utilizando un conjunto de datos de imágenes médicas etiquetadas que resalten tanto las áreas normales como las anormales. Con la integración de JupyterLab, puedes entrenar y ajustar modelos YOLO11 directamente en un entorno colaborativo y amigable para el código. También ofrece herramientas para gestionar conjuntos de datos, ejecutar experimentos y validar la precisión del modelo, lo que hace que adoptar IA de visión en la atención sanitaria sea más fácil y eficiente.

Link to this sectionCómo funciona la integración de JupyterLab#

Entrenar a medida modelos YOLO11 en JupyterLab es sencillo. La plataforma es similar a su predecesora, Jupyter Notebook o Google Colab, y proporciona un entorno preconfigurado que facilita el inicio.

Para configurar JupyterLab para tu proyecto de YOLO11, comienza descargando el archivo tutorial.ipynb del repositorio de GitHub de Ultralytics y guárdalo en tu directorio preferido. A continuación, abre cualquier editor de código o terminal y ejecuta el comando pip install jupyterlab para instalar JupyterLab. La plataforma se abrirá automáticamente y mostrará la ventana que se muestra a continuación.

Fig 2. Página de inicio inicial de JupyterLab.

Una vez que se complete la instalación, navega al directorio donde guardaste el archivo del cuaderno y ejecuta el comando jupyter lab para iniciar la plataforma. Esto abrirá JupyterLab en tu navegador web predeterminado, donde podrás cargar el archivo tutorial.ipynb y comenzar a explorar YOLO11. En este entorno interactivo, puedes ejecutar el código del cuaderno celda por celda, ajustar la configuración y ver los resultados al instante. JupyterLab hace que sea sencillo ver las salidas, tomar notas y probar diferentes configuraciones, todo en un mismo lugar.

Fig 3. Apertura del cuaderno YOLO11 tutorial.ipynb en la interfaz de JupyterLab.

Para obtener una mejor comprensión del proceso de entrenamiento de los modelos Ultralytics YOLO y las mejores prácticas, puedes consultar la documentación oficial de Ultralytics.

Link to this sectionElegir la integración de JupyterLab: por qué destaca#

Al explorar la documentación de integraciones de Ultralytics, notarás que hay una gran variedad de integraciones para elegir. Algunas de ellas incluso ofrecen funciones similares. Por ejemplo, la integración de Google Colab ofrece un entorno tipo cuaderno que admite el entrenamiento de YOLO11, incluido el entrenamiento a medida de un modelo preentrenado para tareas específicas. Con tantas integraciones, es importante tener en cuenta qué hace que la integración de JupyterLab sea única.

Una de las ventajas clave de utilizar la integración de JupyterLab es su compatibilidad con extensiones. Estas extensiones pueden marcar una diferencia sustancial en tu proyecto de visión artificial y agilizar el proceso de desarrollo del modelo. Por ejemplo, puedes utilizar las extensiones de Git para realizar un seguimiento de tu progreso, compartir tu trabajo con otras personas y asegurarte de que tu código esté siempre bien mantenido, todo ello sin salir de la interfaz de JupyterLab.

Aquí tienes otras razones por las que las integraciones de JupyterLab podrían ser una excelente opción para tu proyecto:

• Gestión sencilla de celdas: Gestionar diferentes celdas en JupyterLab es sencillo. En lugar del tedioso método de cortar y pegar, puedes arrastrar y soltar celdas para reorganizarlas.

• Copiado de celdas entre cuadernos: Puedes copiar celdas fácilmente entre diferentes cuadernos arrastrándolas y soltándolas de un cuaderno a otro.

• Vistas múltiples: JupyterLab admite vistas múltiples del mismo cuaderno, lo cual es particularmente útil para cuadernos largos. Puedes abrir diferentes secciones una al lado de la otra para compararlas o explorarlas, y cualquier cambio que realices en una vista aparecerá en la otra.

• Cambio sencillo a la vista de cuaderno clásica: Para aquellos que estén más familiarizados con la interfaz clásica de Jupyter Notebook, JupyterLab ofrece un cambio sencillo. Solo tienes que reemplazar “/lab” en el enlace del navegador por “/tree” para volver a la vista de cuaderno familiar.

Link to this sectionAplicaciones de la integración de JupyterLab y YOLO11#

A continuación, exploremos algunas aplicaciones prácticas de trabajar en YOLO11 utilizando la integración de JupyterLab.

Por ejemplo, un desarrollador que trabaje en tecnologías de monitorización de fauna puede utilizar la integración de JupyterLab para entrenar un modelo YOLO11. Al entrenar a medida YOLO11, pueden crear aplicaciones de visión artificial que identifiquen especies en peligro de extinción a partir de imágenes de drones. JupyterLab facilita este proceso al proporcionar un único espacio de trabajo para explorar datos, preprocesar y entrenar modelos. Los desarrolladores pueden ejecutar código, probar modelos y ver resultados en un mismo lugar, manteniendo el flujo de trabajo simple y organizado.

Fig 4. Un ejemplo de uso de modelos Ultralytics YOLO para detectar especies de fauna.

Más allá de la conservación de la fauna, la combinación fiable de YOLO11 y JupyterLab puede utilizarse en una variedad de aplicaciones del mundo real, tales como:

• Visión artificial en la agricultura: La compatibilidad de YOLO11 con diversas tareas de visión artificial puede ayudar a detectar enfermedades de los cultivos, controlar el crecimiento de las plantas o identificar malas hierbas a partir de imágenes de drones o satélites, con JupyterLab agilizando el análisis de datos y la optimización de modelos.

• Control de calidad en la fabricación: Al analizar imágenes en tiempo real, YOLO11 puede identificar defectos en productos en líneas de montaje, mientras que JupyterLab proporciona un entorno centralizado para refinar modelos y evaluar resultados.

• IA en logística: Tareas como el seguimiento de inventario y el escaneo de paquetes pueden automatizarse utilizando YOLO11, que detecta objetos en imágenes y coloca cuadros delimitadores a su alrededor para indicar su ubicación, mientras que JupyterLab proporciona herramientas para entrenar, validar y probar modelos de forma eficiente utilizando datos logísticos.

Link to this sectionBeneficios de la integración de JupyterLab#

Aquí tienes un rápido vistazo a algunas de las formas únicas en que la integración de JupyterLab beneficia a la IA de visión en general:

• Acceso remoto y escalabilidad: Puede ejecutarse tanto en plataformas en la nube como en servidores remotos, permitiendo el acceso a potentes recursos informáticos y a la investigación colaborativa.

• Compatibilidad con múltiples lenguajes de programación: Si bien Python es el lenguaje más utilizado, JupyterLab admite otros lenguajes como R, Julia y Scala, lo que lo hace versátil para diversos flujos de trabajo.

• Integración de datos: JupyterLab se integra a la perfección con bases de datos, almacenamiento en la nube y herramientas de procesamiento de datos, lo que facilita el manejo de grandes conjuntos de datos necesarios para el entrenamiento de IA de visión.

Link to this sectionConclusiones clave#

La integración de JupyterLab es una herramienta útil que facilita el trabajo con modelos de visión artificial como YOLO11. Te ofrece un espacio de trabajo único donde puedes organizar tus datos, entrenar y probar modelos a medida, y trabajar con otros desarrolladores. Con sus útiles extensiones y complementos, puedes centrarte en crear y mejorar tus modelos en lugar de preocuparte por configurar tu entorno de trabajo.

Ya sea que estés ayudando a proteger la fauna, mejorando escáneres médicos o comprobando la calidad de productos en fábricas, la integración de JupyterLab respaldada por Ultralytics hace que el proceso sea más sencillo y eficiente.

Únete a nuestra comunidad y echa un vistazo a nuestro repositorio de GitHub o a nuestras guías para aprender sobre IA. También puedes explorar más aplicaciones como visión artificial en la fabricación o IA en coches autónomos en nuestras páginas de soluciones.