Al hacer clic en "Aceptar todas las cookies", usted acepta el almacenamiento de cookies en su dispositivo para mejorar la navegación por el sitio, analizar el uso del sitio y ayudar en nuestros esfuerzos de marketing. Más información en
Configuración de cookies
Al hacer clic en "Aceptar todas las cookies", usted acepta el almacenamiento de cookies en su dispositivo para mejorar la navegación por el sitio, analizar el uso del sitio y ayudar en nuestros esfuerzos de marketing. Más información en
Trabajar en modelos de visión por ordenador puede ser apasionante, sobre todo cuando ves que tu 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, 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 soporta 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 experimentación con modelos de visión por ordenador. Jupyterlab le proporciona un espacio de trabajo integrado. Gracias a él, puede sumergirse directamente en la exploración y creación de modelos de visión por ordenador sin la distracción que supone 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 web que te ayuda a escribir y ejecutar código, organizar datos y crear informes visuales en un solo lugar. Forma parte del Proyecto Jupyter, que comenzó en 2014 para hacer la codificación más interactiva y fácil de usar. Construido como una actualización de Jupyter Notebook, se lanzó por primera vez en 2018 y se utiliza comúnmente para tareas como el análisis de datos, la creación de gráficos y la construcción de modelos de aprendizaje automático.
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, lo que resulta ideal para la colaboración y las presentaciones. Además, su interfaz flexible te permite organizar herramientas como cuadernos, archivos de texto y terminales, y se pueden añadir plugins para ampliar aún más su funcionalidad y adaptarla a las necesidades de tu proyecto.
Aquí tienes otras características interesantes de JupyterLab:
Fácil creación de proyectos: JupyterLab facilita la creación y el uso compartido de proyectos con elementos visuales como diagramas, gráficos y cuadros de mando, junto con imágenes, vídeos y otros medios.
Colabora con otros: Puedes colaborar fácilmente con otras personas compartiendo cuadernos y haciendo un seguimiento de los cambios mediante herramientas como Git.
Ideal para principiantes: Es popular en las aulas para enseñar codificación 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.
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. Está pensando en entrenar a YOLO11 para que ayude a los médicos a detectar tumores en tiempo real en imágenes de rayos X o TAC. 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 con 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 de 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.
Fig. 2. Página de inicio de JupyterLab.
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.
Fig 3. Apertura del cuaderno YOLO11 tutorial.ipynb en la interfaz de JupyterLab.
Elección de la integración de JupyterLab: por qué destaca
Al explorar la documentación de las integraciones de Ultralytics, 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 realizar un seguimiento de 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 tienes otras razones por las que las integraciones de JupyterLab pueden ser una gran elección para tu 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 cuadernos: Puedes copiar fácilmente celdas entre diferentes cuadernos arrastrando y soltando celdas de un cuaderno a otro.
Múltiples vistas: JupyterLab admite múltiples vistas del mismo cuaderno, lo que resulta especialmente útil para cuadernos largos. Puedes abrir diferentes secciones una junto a otra para compararlas o explorarlas, y cualquier cambio que hagas en una vista aparecerá en la otra.
Fácil cambio a la vista clásica de cuaderno: Para aquellos que están más familiarizados con la interfaz clásica de Jupyter Notebook, JupyterLab ofrece un fácil cambio de vuelta. Basta con sustituir "/lab" en el enlace del navegador por "/tree" para volver a la vista familiar del cuaderno.
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.
Fig. 4. Ejemplo de uso de los modelos YOLO de Ultralytics para detectar especies silvestres.
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 YOLO11 con 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 con JupyterLab
He aquí 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, 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 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 Vision AI.
Principales conclusiones
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.
