Entrena Ultralytics YOLO11 usando la integración de JupyterLab

Trabajar en modelos de visión artificial puede ser emocionante, especialmente cuando ve que su modelo funciona bien. Por lo general, el proceso de desarrollo de la visión artificial implica varios pasos sencillos, como la preparación de conjuntos de datos y el ajuste de modelos, como Ultralytics YOLO11. Sin embargo, hay algunas partes de este proceso que pueden ser desafiantes para los principiantes, como la configuración de un entorno de desarrollo. Esa es exactamente la razón por la 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 simplifica la exploración y la experimentación con modelos de visión artificial. Jupyterlab le proporciona un espacio de trabajo integrado. Al usarlo, puede sumergirse directamente en la exploración y la creación de modelos de visión artificial sin la distracción de instalar y configurar entornos. 

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

¿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. Construido como una actualización de Jupyter Notebook, se lanzó por primera vez en 2018 y se usa comúnmente para tareas como analizar datos, crear gráficos y construir modelos de machine learning.

JupyterLab te permite trabajar con código y datos de forma interactiva, lo que simplifica la experimentación y la exploración de ideas. También puedes crear y compartir documentos que combinan a la perfección código, texto y elementos visuales, ideal para la colaboración y las presentaciones. Además de eso, su interfaz flexible te permite organizar herramientas como notebooks, archivos de texto y terminales uno al lado del otro, y se pueden agregar plugins para ampliar aún más su funcionalidad y adaptarla a las necesidades de tu proyecto.

‍

Aquí hay algunas otras características interesantes de JupyterLab:

• Fácil creación de proyectos: JupyterLab facilita la creación y el intercambio de proyectos con elementos visuales como gráficos, diagramas y paneles, junto con imágenes, vídeos y otros medios. 

• Colabora con otros: Puedes colaborar fácilmente con otros compartiendo notebooks y haciendo un seguimiento de los cambios utilizando herramientas como Git. 

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

Usando JupyterLab para trabajar en proyectos Ultralytics YOLO11

Ahora que comprendemos mejor qué es JupyterLab, exploremos qué abarca exactamente la integración de JupyterLab y cómo puede aprovecharla cuando trabaje con YOLO11. 

JupyterLab es una herramienta excelente para trabajar en proyectos con modelos YOLO11 de Ultralytics. 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 los resultados al instante, lo cual es perfecto para explorar datos o comprender el rendimiento de tu modelo YOLO11. También puedes usar extensiones como Plotly para crear gráficos interactivos que ayuden a visualizar y refinar tus modelos YOLO11.

Por ejemplo, digamos que está trabajando en un proyecto innovador que involucra la IA en la atención médica. Está planeando entrenar YOLO11 de forma personalizada para ayudar a los médicos con la detección de objetos en tiempo real de tumores en imágenes de rayos X o tomografías computarizadas. YOLO11 se puede entrenar utilizando un conjunto de datos de imágenes médicas etiquetadas que resaltan áreas tanto normales como anormales. Con la integración de JupyterLab, puede entrenar y ajustar los modelos YOLO11 directamente en un entorno colaborativo y amigable para el código. También ofrece herramientas para administrar conjuntos de datos, ejecutar experimentos y validar la precisión del modelo, lo que facilita y hace más eficiente la adopción de Vision AI en la atención médica.

Cómo funciona la integración de JupyterLab

El entrenamiento personalizado de 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 la puesta en marcha.

Para configurar JupyterLab para su proyecto YOLO11, comience descargando el archivo `tutorial.ipynb` del repositorio de Ultralytics en GitHub y guárdelo en el directorio que prefiera. A continuación, abra cualquier editor de código o terminal y ejecute el comando `pip install jupyterlab` para instalar JupyterLab. La plataforma se abrirá automáticamente y mostrará la ventana que se muestra a continuación.

‍

Una vez finalizada la instalación, navegue hasta el directorio donde guardó el archivo del cuaderno y ejecute el comando `jupyter lab` para iniciar la plataforma. Esto abrirá JupyterLab en su navegador web predeterminado, donde podrá cargar el archivo `tutorial.ipynb` y empezar a explorar YOLO11. En este entorno interactivo, puede ejecutar el código en la celda del cuaderno celda por celda, ajustar la configuración y ver los resultados al instante. JupyterLab facilita la visualización de las salidas, la toma de notas y la prueba de diferentes configuraciones, todo en un mismo lugar.

‍

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

Elegir la integración de JupyterLab: por qué destaca

Mientras exploras la documentación de integraciones de Ultralytics, notarás que hay una amplia variedad de integraciones para elegir. Algunas de ellas incluso ofrecen características similares. Por ejemplo, la integración de Google Colab ofrece un entorno tipo notebook que admite el entrenamiento de YOLO11, incluyendo el entrenamiento personalizado de un modelo pre-entrenado para tareas específicas. Con tantas integraciones, es importante tener en cuenta lo que hace que la integración de JupyterLab sea única. 

Una de las principales ventajas de utilizar la integración de JupyterLab es su compatibilidad con las extensiones. Estas extensiones pueden marcar una diferencia sustancial en su proyecto de visión artificial y agilizar el proceso de desarrollo de modelos. Por ejemplo, puede utilizar las extensiones de Git para realizar un seguimiento de su progreso, compartir su trabajo con otros y asegurarse de que su código esté siempre bien mantenido, todo ello sin salir de la interfaz de JupyterLab.

Aquí hay algunas otras razones por las que las integraciones de JupyterLab podrían ser una excelente opción para su proyecto:

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

• Copia de celdas entre notebooks: Puede copiar fácilmente celdas entre diferentes notebooks arrastrando y soltando celdas de un notebook a otro.

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

• Fácil cambio a la vista clásica de notebook: Para aquellos que estén más familiarizados con la interfaz clásica de Jupyter Notebook, JupyterLab ofrece un fácil cambio de vuelta. Simplemente puede reemplazar "/lab" en el enlace del navegador con "/tree" para volver a la vista familiar del notebook.

Aplicaciones de la integración de JupyterLab y YOLOv11

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

Por ejemplo, un desarrollador que trabaje en tecnologías de monitoreo de vida silvestre puede usar la integración de JupyterLab para entrenar un modelo YOLO11. Al entrenar YOLO11 de forma personalizada, puede 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 solo lugar, lo que mantiene el flujo de trabajo simple y organizado.

‍

Más allá de la conservación de la vida silvestre, 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 varias tareas de visión artificial puede ayudar a detectar enfermedades de los cultivos, supervisar el crecimiento de las plantas o identificar malas hierbas a partir de imágenes de drones o satélite, y JupyterLab agiliza 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 los productos en las líneas de montaje, mientras que JupyterLab proporciona un entorno centralizado para refinar los modelos y evaluar los resultados.

• IA en logística: Tareas como el seguimiento de inventario y el escaneo de paquetes se pueden automatizar utilizando YOLO11, que detecta objetos en imágenes y coloca bounding boxes alrededor de ellos para indicar sus ubicaciones, mientras que JupyterLab proporciona herramientas para entrenar, validar y probar modelos de manera eficiente utilizando datos de logística.

Ventajas de la integración de JupyterLab

Aquí hay un vistazo rápido 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, lo que permite el acceso a potentes recursos informáticos y la investigación colaborativa.

• Soporte para 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 perfectamente 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 Vision AI.

Conclusiones clave

La integración de JupyterLab es una herramienta útil que facilita el trabajo con modelos de visión artificial como YOLO11. Le brinda un espacio de trabajo único donde puede organizar sus datos, entrenar y probar modelos personalizados y trabajar con otros desarrolladores. Con sus útiles extensiones y complementos, puede concentrarse en construir y mejorar sus modelos en lugar de preocuparse por configurar su entorno de trabajo. 

Ya sea que estés ayudando a proteger la vida silvestre, mejorando los escaneos médicos o verificando la calidad del producto en las fábricas, la integración de JupyterLab compatible con Ultralytics hace que el proceso sea más simple y eficiente.

Únase a nuestra comunidad y consulte nuestro repositorio de GitHub o nuestras guías para obtener más información sobre la IA. También puede explorar más aplicaciones como la visión artificial en la fabricación o la IA en los coches autónomos en nuestras páginas de soluciones.