Entrena Ultralytics YOLO11 mediante la integración de JupyterLab

Trabajar con modelos de visión artificial puede ser emocionante, especialmente cuando ves que tu modelo funciona bien. Normalmente, el proceso de desarrollo de visión artificial implica varios pasos sencillos, como preparar conjuntos de datos y ajustar modelos, como Ultralytics YOLO11. Sin embargo, algunas partes del proceso pueden resultar complicadas para principiantes, como configurar un entorno de desarrollo. Precisamente por eso, Ultralytics admite integraciones como JupyterLab, que pueden facilitar 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. Con él, puedes empezar directamente a explorar y crear modelos de visión artificial sin la distracción de instalar y configurar entornos.

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

¿Qué es JupyterLab?#

JupyterLab es una herramienta basada en la web que te ayuda a escribir y ejecutar código, organizar datos y crear informes visuales, todo en un mismo lugar. Forma parte de Project Jupyter, que comenzó en 2014 para hacer que la programación fuera 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 desarrollar modelos de aprendizaje automático.

JupyterLab te permite trabajar de forma interactiva con código y datos, lo que facilita experimentar con ideas y explorarlas. También puedes crear y compartir documentos que combinan código, texto y elementos visuales de manera fluida, algo ideal para la colaboración y las presentaciones. Además, su interfaz flexible te permite organizar herramientas como notebooks, archivos de texto y terminales una junto a otra, y puedes añadir plugins para ampliar aún más su funcionalidad y adaptarla a las necesidades de tu proyecto.

Fig. 1. Componentes de JupyterLab.

Estas son algunas 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 contenidos multimedia.

• Colabora con otras personas: Puedes colaborar fácilmente con otras personas compartiendo notebooks y realizando un seguimiento de los cambios mediante 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, exploremos qué incluye 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 de Ultralytics YOLO11. Simplifica el proceso de desarrollo al proporcionar un entorno todo en uno donde puedes gestionar tareas y documentos sin cambiar de plataforma. La interfaz interactiva te permite ejecutar código y ver los resultados al instante, lo que resulta perfecto para explorar datos o entender cómo funciona tu modelo YOLO11. También puedes usar extensiones como Plotly para crear gráficos interactivos que ayuden a visualizar y perfeccionar tus modelos YOLO11.

Por ejemplo, imagina que estás trabajando en un proyecto innovador de IA aplicada a la sanidad. Tienes previsto entrenar Ultralytics YOLO11 con datos personalizados 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 datos de imágenes médicas etiquetadas que destaque tanto las zonas normales como las anómalas. Con la integración con JupyterLab, puedes entrenar y ajustar modelos YOLO11 directamente en un entorno colaborativo y orientado al código. También ofrece herramientas para gestionar conjuntos de datos, ejecutar experimentos y validar la precisión de los modelos, lo que facilita y agiliza la adopción de la IA de visión en la sanidad.

Cómo funciona la integración con JupyterLab#

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

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

Fig. 2. Página de inicio de JupyterLab.

Cuando termine la instalación, ve al directorio donde guardaste el archivo del notebook 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 empezar a explorar YOLO11. En este entorno interactivo, puedes ejecutar el código del notebook celda por celda, ajustar la configuración y ver los resultados al instante. JupyterLab facilita la visualización de resultados, la toma de notas y la prueba de distintas configuraciones en un mismo lugar.

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

Para comprender mejor el proceso de entrenamiento de modelos Ultralytics YOLO y las prácticas recomendadas, puedes consultar la documentación oficial de Ultralytics.

Cómo elegir la integración con JupyterLab: por qué destaca#

Mientras exploras la documentación de integraciones de Ultralytics, observarás que hay una gran variedad de integraciones entre las que elegir. Algunas ofrecen incluso funciones similares. Por ejemplo, la integración con Google Colab ofrece un entorno basado en notebooks compatible con el entrenamiento de YOLO11, incluido el entrenamiento con datos personalizados de un modelo preentrenado para tareas específicas. Con tantas integraciones disponibles, es importante tener presente qué hace única a la integración con JupyterLab.

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

Estas son otras razones por las que las integraciones con JupyterLab pueden ser una excelente 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.

• Copia de celdas entre notebooks: Puedes copiar fácilmente celdas entre distintos notebooks arrastrándolas y soltándolas de un notebook a otro.

• Varias vistas: JupyterLab admite varias vistas del mismo notebook, algo especialmente útil para notebooks largos. Puedes abrir distintas secciones una junto a otra para compararlas o explorarlas, y cualquier cambio que hagas en una vista aparecerá en la otra.

• Cambio sencillo a la vista clásica de notebook: Para quienes están más familiarizados con la interfaz clásica de Jupyter Notebook, JupyterLab ofrece una forma sencilla de volver a ella. Solo tienes que sustituir “/lab” por “/tree” en el enlace del navegador para volver a la vista de notebook habitual.

Aplicaciones de la integración con JupyterLab y Ultralytics YOLO11#

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

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

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

Más allá de la conservación de la fauna, la combinación fiable de Ultralytics YOLO11 y JupyterLab puede utilizarse 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 de los cultivos, supervisar el crecimiento de las plantas o identificar malas hierbas en imágenes tomadas por drones o satélites, mientras JupyterLab agiliza el análisis de datos y la optimización de modelos.

• Control de calidad en la fabricación: Mediante el análisis de imágenes en tiempo real, Ultralytics YOLO11 puede identificar defectos en productos de las líneas de montaje, mientras JupyterLab proporciona un entorno centralizado para perfeccionar los modelos y evaluar los resultados.

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

Ventajas de la integración con JupyterLab#

Estas son, a grandes rasgos, algunas de las formas únicas en las que la integración con 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 acceder a recursos informáticos potentes y llevar a cabo investigaciones colaborativas.

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

• Integración de datos: JupyterLab se integra sin problemas con bases de datos, almacenamiento en la nube y herramientas de procesamiento de datos, lo que facilita el manejo de los grandes conjuntos de datos necesarios para entrenar IA 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 donde puedes organizar tus datos, entrenar y probar modelos personalizados y trabajar con otros desarrolladores. Gracias a sus 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 las exploraciones médicas o compruebas la calidad de productos en fábricas, la integración con JupyterLab compatible con Ultralytics hace que el proceso sea más sencillo y eficiente.

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