Entrena Ultralytics YOLO11 con la integración de JupyterLab

Trabajar con modelos de visión artificial puede ser emocionante, sobre todo cuando ves que tu modelo funciona bien. Por lo general, el desarrollo de visión artificial consta de varios pasos sencillos, como preparar conjuntos de datos y ajustar modelos, por ejemplo, Ultralytics YOLO11. Sin embargo, algunos aspectos del proceso pueden resultar difíciles para quienes empiezan, como configurar un entorno de desarrollo. Precisamente por eso, Ultralytics ofrece integraciones como JupyterLab, que facilitan estos pasos.

En concreto, la integración con JupyterLab ofrece un entorno de desarrollo interactivo y fácil de usar que simplifica la exploración y la experimentación con modelos de visión artificial. JupyterLab te proporciona un espacio de trabajo integrado. Puedes empezar a explorar y crear modelos de visión artificial sin las molestias de 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 de Ultralytics YOLO11 directamente en tu ordenador. En este artículo, veremos su integración con YOLO11, cómo funciona y qué ventajas ofrece.

¿Qué es JupyterLab?#

JupyterLab es una herramienta web que te ayuda a escribir y ejecutar código, organizar datos y crear informes visuales en un mismo lugar. Forma parte de Project Jupyter, que comenzó en 2014 para hacer que programar fuera más interactivo y fácil de usar. Se creó como una versión mejorada de Jupyter Notebook, se publicó por primera vez en 2018 y se utiliza habitualmente para tareas como analizar datos, crear gráficos y desarrollar modelos de aprendizaje automático.

JupyterLab te permite trabajar con código y datos de forma interactiva, lo que facilita experimentar y explorar ideas. También puedes crear y compartir documentos que combinan código, texto y elementos visuales, ideales para colaborar y hacer presentaciones. Además, su interfaz flexible te permite organizar herramientas, como cuadernos, archivos de texto y terminales, una junto a otra, y añadir complementos para ampliar su funcionalidad según las necesidades de tu proyecto.

Fig. 1. Componentes de JupyterLab.

Estas son otras funciones interesantes de JupyterLab:

• Creación sencilla de proyectos: JupyterLab facilita la creación y el uso compartido de proyectos con elementos visuales como gráficos, diagramas y paneles, además de imágenes, vídeos y otros formatos multimedia.
• Colabora con otras personas: Puedes colaborar fácilmente compartiendo cuadernos y haciendo un seguimiento de los cambios con herramientas como Git.
• Ideal para principiantes: Es popular en las aulas para enseñar programación y análisis de datos, en investigación para probar ideas y en desarrollo para tareas como probar software y gestionar flujos de trabajo de datos.

Uso de JupyterLab para trabajar en proyectos de Ultralytics YOLO11#

Ahora que entendemos mejor qué es JupyterLab, veamos en qué consiste exactamente la integración con JupyterLab y cómo puedes aprovecharla al trabajar con Ultralytics YOLO11.

JupyterLab es una herramienta excelente para trabajar en proyectos con modelos Ultralytics YOLO11. Simplifica el proceso de desarrollo al ofrecer un entorno integral en el que puedes gestionar tareas y documentos sin tener que cambiar de plataforma. La interfaz interactiva te permite ejecutar código y ver los resultados al instante, lo que resulta útil para explorar datos o entender el rendimiento de tu modelo YOLO11. También puedes utilizar extensiones como Plotly para crear gráficos interactivos que te ayuden a visualizar y perfeccionar tus modelos YOLO11.

Por ejemplo, imagina que estás trabajando en un proyecto innovador de IA para la sanidad. Tienes previsto entrenar Ultralytics YOLO11 con tus propios datos para ayudar a los médicos a detectar tumores en tiempo real en imágenes de rayos X o tomografías computarizadas. YOLO11 puede entrenarse con un conjunto de imágenes médicas etiquetadas que destaquen las zonas normales y anómalas. Con la integración de JupyterLab, puedes entrenar y ajustar modelos YOLO11 directamente en un entorno colaborativo y cómodo para programar. También ofrece herramientas para gestionar conjuntos de datos, ejecutar experimentos y validar la precisión del modelo, lo que facilita y agiliza la adopción de la IA visual en el sector sanitario.

Cómo funciona la integración con JupyterLab#

Entrenar modelos Ultralytics YOLO11 con datos personalizados en JupyterLab es sencillo. La plataforma es similar a su predecesor, Jupyter Notebook, y a Google Colab, y ofrece un entorno preconfigurado que facilita los primeros pasos.

Para configurar JupyterLab para tu proyecto YOLO11, empieza por descargar el archivo tutorial.ipynb del repositorio de GitHub de Ultralytics y guardarlo en el directorio que prefieras (el cuaderno se ha actualizado desde entonces para utilizar Ultralytics YOLO26). A continuación, abre un terminal y ejecuta el comando pip install jupyterlab para instalar JupyterLab. Una vez que lo hayas iniciado (consulta el siguiente paso), JupyterLab mostrará la página de inicio que aparece a continuación.

Fig. 2. Página inicial de JupyterLab.

Una vez finalizada la instalación, ve al directorio en el que guardaste el archivo del cuaderno y ejecuta el comando jupyter lab para iniciar la plataforma. Se abrirá JupyterLab en tu navegador web predeterminado, donde podrás cargar el archivo tutorial.ipynb y empezar 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 facilita la consulta de resultados, la toma de notas y la prueba de distintas configuraciones en un mismo lugar.

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

Para entender mejor el proceso de entrenamiento de modelos Ultralytics YOLO y las prácticas recomendadas, puedes consultar la guía de consejos para entrenar modelos de Ultralytics.

Elegir la integración con JupyterLab: qué la distingue#

Al explorar la documentación de integraciones de Ultralytics, verás que hay muchas opciones entre las que elegir. Algunas incluso ofrecen funciones similares. Por ejemplo, la integración con Google Colab ofrece un entorno basado en cuadernos que permite entrenar YOLO11, incluso entrenar con tus propios datos un modelo preentrenado para tareas específicas. Con tantas integraciones, es importante tener presente qué hace única a la integración con JupyterLab.

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

Estas son otras razones por las que la integración con JupyterLab podría ser una gran opción para tu proyecto:

• Gestión sencilla de celdas: Gestionar distintas celdas en JupyterLab es fácil. En lugar del tedioso método de cortar y pegar, puedes arrastrar y soltar celdas para reorganizarlas.
• Copiar celdas entre cuadernos: Puedes copiar fácilmente celdas entre distintos cuadernos arrastrándolas de uno a otro.
• Varias vistas: JupyterLab permite mostrar un mismo cuaderno en varias vistas, algo especialmente útil con cuadernos largos. Puedes abrir distintas secciones una junto a otra para compararlas o explorarlas, y cualquier cambio que hagas en una vista aparecerá también en la otra.
• Volver fácilmente a la vista clásica de cuadernos: Si estás más familiarizado con la interfaz clásica de Jupyter Notebook, JupyterLab te permite volver a ella fácilmente. Solo tienes que sustituir «/lab» por «/tree» en el enlace del navegador para regresar a la vista de cuadernos que ya conoces.

Aplicaciones de la integración con JupyterLab y Ultralytics YOLO11#

A continuación, veamos algunas aplicaciones prácticas de trabajar con Ultralytics YOLO11 mediante la integración con JupyterLab.

Por ejemplo, un desarrollador que trabaje en tecnologías de seguimiento de fauna puede utilizar la integración con JupyterLab para entrenar un modelo YOLO11. Al entrenar YOLO11 con sus propios datos, puede crear aplicaciones de visión artificial que identifiquen especies en peligro de extinción en grabaciones de drones. JupyterLab simplifica este proceso al proporcionar un único espacio de trabajo para explorar datos, preprocesarlos y entrenar modelos. Los desarrolladores pueden ejecutar código, probar modelos y consultar resultados en un mismo lugar, con un flujo de trabajo sencillo y organizado.

Fig. 4. Ejemplo del uso de modelos Ultralytics YOLO para detectar especies silvestres.

Además de la conservación de la fauna, la combinación de Ultralytics YOLO11 y JupyterLab se puede utilizar en diversas aplicaciones del mundo real, como:

• Visión artificial en la agricultura: La compatibilidad de Ultralytics YOLO11 con diversas tareas de visión artificial puede ayudar a detectar enfermedades en los cultivos, supervisar el crecimiento de las plantas o identificar malas hierbas en imágenes de drones o satélites; JupyterLab agiliza el análisis de datos y la optimización de modelos.
• Control de calidad en la fabricación: Al analizar imágenes en tiempo real, Ultralytics YOLO11 puede identificar defectos en productos de las cadenas de montaje, mientras que JupyterLab ofrece un entorno centralizado para perfeccionar modelos y evaluar resultados.
• IA en logística: Puedes automatizar tareas como el seguimiento del inventario y el escaneo de paquetes con YOLO11, que detecta objetos en imágenes y los delimita con cuadros para indicar su ubicación; JupyterLab ofrece herramientas para entrenar, validar y probar modelos de forma eficiente con datos logísticos.

Ventajas de la integración con JupyterLab#

Aquí tienes un breve resumen de algunas de las formas en que la integración con JupyterLab beneficia a la IA visual en general:

• Acceso remoto y escalabilidad: Puede ejecutarse tanto en plataformas en la nube como en servidores remotos, lo que permite acceder a potentes recursos informáticos y colaborar en investigaciones.
• Compatibilidad con varios lenguajes de programación: Aunque Python es el lenguaje más utilizado, JupyterLab también es compatible con otros como R, Julia y Scala, lo que lo hace versátil para distintos flujos de trabajo.
• Integración de datos: JupyterLab se integra con bases de datos, almacenamiento en la nube y herramientas de procesamiento de datos, lo que facilita la gestión de los grandes conjuntos de datos necesarios para entrenar sistemas de AI de visión.

Conclusiones clave#

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

Tanto si ayudas a proteger la fauna como si mejoras pruebas médicas de diagnóstico por imagen o controlas la calidad de los productos en fábricas, la integración con JupyterLab compatible con Ultralytics simplifica y agiliza el proceso.

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