Entrenar Ultralytics YOLO11 utilizando la integración JupyterLab

Trabajar en modelos de visión por ordenador puede ser emocionante, sobre todo cuando se ve que el modelo funciona bien. Normalmente, el proceso de desarrollo de la visión por ordenador implica varios pasos sencillos, como la preparación de conjuntos de datos y la puesta a punto de modelos, tales como Ultralytics YOLO11. Sin embargo, hay algunas partes de este proceso que pueden resultar complicadas para los principiantes, como la configuración de un entorno de desarrollo. Precisamente por eso 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 funciones como cuadernos para ejecutar código, editores de texto para crear documentación y terminales para interactuar con el sistema. De hecho, JupyterLab permite experimentar y entrenar modelos de Ultralytics YOLO11 directamente en el ordenador. En este artículo, exploraremos su integración con YOLO11, su funcionamiento y las ventajas 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 otras personas compartiendo cuadernos y haciendo un track de los cambios mediante 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.

Uso de JupyterLab para trabajar en proyectos Ultralytics YOLO11

Ahora que entendemos mejor qué es JupyterLab, vamos a explorar qué abarca exactamente la integración con JupyterLab y cómo puedes aprovecharla cuando trabajes con YOLO11. 

JupyterLab es una gran herramienta para trabajar en proyectos con modelos Ultralytics YOLO11. Simplifica el proceso de desarrollo proporcionando un entorno todo en uno en el que puedes gestionar tareas y documentos sin cambiar de plataforma. La interfaz interactiva le permite ejecutar código y ver los resultados al instante, lo que resulta perfecto para explorar datos o comprender el rendimiento de su modelo YOLO11 . También puede utilizar extensiones como Plotly para crear gráficos interactivos que le ayuden a visualizar y perfeccionar sus modelos YOLO11 .

Por ejemplo, supongamos que está trabajando en un proyecto innovador relacionado con la IA en la sanidad. Piensa entrenar a YOLO11 para que ayude a los médicos a detectar tumores en tiempo real en imágenes de rayos X o de tomografía computarizada. YOLO11 puede entrenarse utilizando un conjunto de datos de imágenes médicas etiquetadas que resalten tanto las zonas normales como las anormales. La integración con JupyterLab permite entrenar y ajustar los modelos de YOLO11 directamente en un entorno colaborativo y de código sencillo. 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 Vision AI en la atención sanitaria.

Cómo funciona la integración de JupyterLab

La formación personalizada de modelos YOLO11 en JupyterLab es sencilla. La plataforma es similar a su predecesora, Jupyter Notebook o Google Colab, y ofrece un entorno preconfigurado que facilita los primeros pasos.

Para configurar JupyterLab para tu proyecto YOLO11 , empieza descargando el archivo `tutorial.ipynb` del repositorio GitHub Ultralytics y guardándolo en el directorio que prefieras. 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.

‍

Una vez completada la instalación, navega hasta el directorio donde guardaste el archivo del cuaderno y ejecuta el comando `jupyter lab` para lanzar 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 cuaderno celda por celda, ajustar la configuración y ver los resultados al instante. JupyterLab facilita la visualización de los resultados, la toma de notas y la prueba de diferentes configuraciones, todo en un mismo lugar.

‍

Para comprender mejor el proceso de formación de los modelosYOLO Ultralytics Ultralytics y las mejores prácticas, puede consultar la documentación oficial Ultralytics . 

Elegir la integración de JupyterLab: por qué destaca

Al explorar la documentación de las integracionesUltralytics , se dará cuenta de que hay una gran variedad de integraciones entre las que elegir. Algunas de ellas incluso ofrecen funciones similares. Por ejemplo, la integración de Google Colab ofrece un entorno de tipo bloc de notas que permite entrenar YOLO11, incluido el entrenamiento personalizado de un modelo preentrenado 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 extensiones. Estas extensiones pueden marcar una diferencia sustancial en tu proyecto de visión por computador y agilizar el proceso de desarrollo de modelos. Por ejemplo, puede utilizar las extensiones Git para track su progreso, compartir su trabajo con otros y asegurarse de que su código está 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 YOLO11

A continuación, vamos a explorar algunas aplicaciones prácticas del trabajo en YOLO11 utilizando la integración con JupyterLab.

Por ejemplo, un desarrollador que trabaje en tecnologías de vigilancia de la vida salvaje puede utilizar la integración de JupyterLab para entrenar un modelo YOLO11 . Mediante el entrenamiento personalizado de YOLO11, pueden crear aplicaciones de visión por ordenador que identifiquen especies en peligro a partir de imágenes de drones. JupyterLab facilita este proceso proporcionando un único espacio de trabajo para explorar datos, preprocesar y entrenar modelos. Los desarrolladores pueden ejecutar el código, probar los modelos y ver los resultados en un solo lugar, lo que simplifica y organiza el flujo de trabajo.

‍

Más allá de la conservación de la vida salvaje, la fiable combinación de YOLO11 y JupyterLab puede utilizarse en diversas aplicaciones del mundo real, como:

• La visión por ordenador en la agricultura: La compatibilidad de YOLO11con diversas tareas de visión por ordenador puede ayudar a detectar enfermedades en 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: Mediante el análisis de imágenes en tiempo real, YOLO11 puede identificar defectos en los productos de las cadenas de montaje, mientras que JupyterLab proporciona un entorno centralizado para refinar los modelos y evaluar los resultados.

• La IA en la logística: Tareas como el seguimiento de inventarios 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 que JupyterLab ofrece herramientas para entrenar, validar y probar modelos de forma eficiente utilizando datos logísticos.

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: Aunque 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 por ordenador como YOLO11 . Te ofrece un espacio de trabajo único en el que puedes organizar tus datos, entrenar y probar modelos personalizados y trabajar con otros desarrolladores. Con sus útiles extensiones y complementos, puedes centrarte en construir y mejorar tus modelos en lugar de preocuparte por configurar tu entorno de trabajo. 

Ya se trate de ayudar a proteger la vida salvaje, mejorar las exploraciones médicas o comprobar la calidad de los productos en las fábricas, la integración de JupyterLab con Ultralytics simplifica el proceso y lo hace más 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.