Entraîne Ultralytics YOLO11 en utilisant l'intégration JupyterLab

Travailler sur des modèles de vision par ordinateur peut être passionnant, surtout quand tu vois ton modèle bien fonctionner. Typiquement, le processus de développement en vision par ordinateur implique plusieurs étapes simples, comme la préparation des jeux de données et l'affinage de modèles, tels que Ultralytics YOLO11. Cependant, certaines parties de ce processus peuvent être difficiles pour les débutants, comme la configuration d'un environnement de développement. C'est exactement pourquoi Ultralytics prend en charge des intégrations comme JupyterLab qui peuvent faciliter ces étapes.

Plus précisément, l'intégration JupyterLab offre un environnement de développement interactif et convivial qui rend l'exploration et l'expérimentation avec des modèles de vision par ordinateur simples. JupyterLab te fournit un espace de travail intégré. En l'utilisant, tu peux plonger directement dans l'exploration et la construction de modèles de vision par ordinateur sans être distrait par l'installation et la configuration d'environnements.

Par exemple, JupyterLab propose des outils et des fonctionnalités tels que des notebooks pour exécuter du code, des éditeurs de texte pour créer de la documentation, et des terminaux pour interagir avec le système. En fait, JupyterLab te permet d'expérimenter et d'entraîner facilement des modèles Ultralytics YOLO11 directement sur ton ordinateur. Dans cet article, nous explorerons son intégration avec YOLO11, son fonctionnement et les avantages qu'il offre.

Link to this sectionQu'est-ce que JupyterLab ?#

JupyterLab est un outil basé sur le Web qui t'aide à écrire et exécuter du code, à organiser des données et à créer des rapports visuels, le tout au même endroit. Il fait partie du Project Jupyter, lancé en 2014 pour rendre la programmation plus interactive et conviviale. Conçu comme une mise à jour de Jupyter Notebook, il est sorti en 2018 et est couramment utilisé pour des tâches telles que l'analyse de données, la création de graphiques et la construction de modèles de machine learning.

JupyterLab te permet de travailler avec du code et des données de manière interactive, rendant l'expérimentation et l'exploration d'idées simples. Tu peux également créer et partager des documents qui combinent harmonieusement code, texte et visuels - idéal pour la collaboration et les présentations. De plus, son interface flexible te permet d'organiser des outils comme des notebooks, des fichiers texte et des terminaux côte à côte, et des extensions peuvent être ajoutées pour étendre davantage ses fonctionnalités afin de répondre aux besoins de ton projet.

Fig 1. Composants de JupyterLab.

Voici quelques autres fonctionnalités intéressantes de JupyterLab :

• Création de projet facile : JupyterLab facilite la création et le partage de projets avec des visuels comme des diagrammes, des graphiques et des tableaux de bord, ainsi que des images, des vidéos et d'autres médias.

• Collaborer avec les autres : Tu peux facilement collaborer avec d'autres personnes en partageant des notebooks et en suivant les modifications à l'aide d'outils comme Git.

• Idéal pour les débutants : Il est populaire dans les salles de classe pour enseigner la programmation et l'analyse de données, dans la recherche pour tester des idées, et dans le développement pour des tâches telles que les tests de logiciels et la gestion de workflows de données.

Link to this sectionUtiliser JupyterLab pour travailler sur des projets Ultralytics YOLO11#

Maintenant que nous avons une meilleure compréhension de ce qu'est JupyterLab, explorons ce que l'intégration JupyterLab englobe exactement et comment tu peux l'exploiter en travaillant avec YOLO11.

JupyterLab est un excellent outil pour travailler sur des projets avec des modèles Ultralytics YOLO11. Il simplifie le processus de développement en fournissant un environnement tout-en-un où tu peux gérer des tâches et des documents sans basculer entre différentes plateformes. L'interface interactive te permet d'exécuter du code et de voir les résultats instantanément, ce qui est parfait pour explorer des données ou comprendre comment ton modèle YOLO11 fonctionne. Tu peux également utiliser des extensions comme Plotly pour créer des graphiques interactifs qui aident à visualiser et à affiner tes modèles YOLO11.

Par exemple, disons que tu travailles sur un projet innovant impliquant l'IA dans la santé. Tu prévois d'entraîner sur mesure YOLO11 pour aider les médecins avec la détection d'objets en temps réel de tumeurs dans des images de radiographie ou de scanner CT. YOLO11 peut être entraîné en utilisant un jeu de données d'images médicales étiquetées qui mettent en évidence les zones normales et anormales. Avec l'intégration JupyterLab, tu peux entraîner et affiner des modèles YOLO11 directement dans un environnement collaboratif et convivial pour le code. Il offre également des outils pour gérer les jeux de données, exécuter des expériences et valider la précision des modèles, rendant l'adoption de l'IA de vision dans la santé plus simple et plus efficace.

Link to this sectionComment fonctionne l'intégration JupyterLab#

L'entraînement sur mesure de modèles YOLO11 sur JupyterLab est simple. La plateforme est similaire à son prédécesseur, Jupyter Notebook ou Google Colab, et fournit un environnement préconfiguré qui facilite la prise en main.

Pour configurer JupyterLab pour ton projet YOLO11, commence par télécharger le fichier tutorial.ipynb depuis le dépôt GitHub d'Ultralytics et enregistre-le dans le répertoire de ton choix. Ensuite, ouvre n'importe quel éditeur de code ou terminal et exécute la commande pip install jupyterlab pour installer JupyterLab. La plateforme s'ouvrira automatiquement et affichera la fenêtre ci-dessous.

Fig 2. Page de démarrage initiale de JupyterLab.

Une fois l'installation terminée, accède au répertoire où tu as enregistré le fichier notebook et exécute la commande jupyter lab pour lancer la plateforme. Cela ouvrira JupyterLab dans ton navigateur Web par défaut, où tu pourras charger le fichier tutorial.ipynb et commencer à explorer YOLO11. Dans cet environnement interactif, tu peux exécuter le code du notebook cellule par cellule, ajuster les paramètres et voir les résultats instantanément. JupyterLab facilite la visualisation des sorties, la prise de notes et l'essai de différentes configurations, le tout au même endroit.

Fig 3. Ouverture du notebook YOLO11 tutorial.ipynb dans l'interface de JupyterLab.

Pour mieux comprendre le processus d'entraînement des modèles Ultralytics YOLO et les meilleures pratiques, tu peux te référer à la documentation officielle d'Ultralytics.

Link to this sectionChoisir l'intégration JupyterLab : pourquoi elle se distingue#

En explorant la documentation des intégrations Ultralytics, tu remarqueras qu'il existe une grande variété d'intégrations parmi lesquelles choisir. Certaines d'entre elles offrent même des fonctionnalités similaires. Par exemple, l'intégration Google Colab offre un environnement de style notebook qui prend en charge l'entraînement de YOLO11, y compris l'entraînement sur mesure d'un modèle pré-entraîné pour des tâches spécifiques. Avec autant d'intégrations, il est important de garder à l'esprit ce qui rend l'intégration JupyterLab unique.

L'un des avantages clés de l'utilisation de l'intégration JupyterLab est son support pour les extensions. Ces extensions peuvent faire une différence substantielle dans ton projet de vision par ordinateur et rationaliser le processus de développement de modèles. Par exemple, tu peux utiliser les extensions Git pour suivre tes progrès, partager ton travail avec d'autres personnes et t'assurer que ton code est toujours bien maintenu – tout cela sans quitter l'interface JupyterLab.

Voici quelques autres raisons pour lesquelles les intégrations JupyterLab pourraient être un excellent choix pour ton projet :

• Gestion de cellule facile : Gérer différentes cellules dans JupyterLab est facile. Au lieu de la méthode fastidieuse du couper-coller, tu peux glisser-déposer des cellules pour les réorganiser.

• Copie de cellules entre notebooks : Tu peux facilement copier des cellules entre différents notebooks en les glissant-déposant d'un notebook à l'autre.

• Vues multiples : JupyterLab prend en charge plusieurs vues du même notebook, ce qui est particulièrement utile pour les longs notebooks. Tu peux ouvrir différentes sections les unes à côté des autres pour les comparer ou les explorer, et toutes les modifications que tu effectues dans une vue apparaîtront dans l'autre.

• Basculement facile vers la vue notebook classique : Pour ceux qui sont plus familiers avec l'interface classique de Jupyter Notebook, JupyterLab offre un basculement facile. Tu peux simplement remplacer « /lab » dans le lien du navigateur par « /tree » pour revenir à la vue notebook familière.

Link to this sectionApplications de l'intégration JupyterLab et YOLO11#

Ensuite, explorons quelques applications pratiques du travail sur YOLO11 en utilisant l'intégration JupyterLab.

Par exemple, un développeur travaillant sur des technologies de surveillance de la faune peut utiliser l'intégration JupyterLab pour entraîner un modèle YOLO11. En entraînant YOLO11 sur mesure, il peut construire des applications de vision par ordinateur qui identifient des espèces menacées à partir d'images de drones. JupyterLab facilite ce processus en fournissant un espace de travail unique pour l'exploration de données, le prétraitement et l'entraînement de modèles. Les développeurs peuvent exécuter du code, tester des modèles et voir les résultats au même endroit, gardant le workflow simple et organisé.

Fig 4. Un exemple d'utilisation des modèles Ultralytics YOLO pour détecter des espèces sauvages.

Au-delà de la conservation de la faune, la combinaison fiable de YOLO11 et JupyterLab peut être utilisée dans une variété d'applications réelles, telles que :

• Vision par ordinateur dans l'agriculture : Le support de YOLO11 pour diverses tâches de vision par ordinateur peut aider à détecter les maladies des cultures, surveiller la croissance des plantes ou identifier les mauvaises herbes à partir d'images de drones ou de satellites, JupyterLab rationalisant l'analyse des données et l'optimisation des modèles.

• Contrôle qualité dans la fabrication : En analysant des images en temps réel, YOLO11 peut identifier les défauts des produits sur les chaînes de montage, tandis que JupyterLab fournit un environnement centralisé pour affiner les modèles et évaluer les résultats.

• IA dans la logistique : Des tâches comme le suivi des stocks et le scan de colis peuvent être automatisées en utilisant YOLO11, qui détecte des objets dans des images et place des boîtes englobantes autour d'eux pour indiquer leur emplacement, tandis que JupyterLab fournit des outils pour entraîner, valider et tester efficacement des modèles en utilisant des données logistiques.

Link to this sectionAvantages de l'intégration JupyterLab#

Voici un aperçu rapide de certaines des façons uniques dont l'intégration JupyterLab profite à l'IA de vision en général :

• Accès à distance et évolutivité : Il peut fonctionner sur des plateformes cloud ainsi que sur des serveurs distants, permettant l'accès à des ressources informatiques puissantes et à la recherche collaborative.

• Support pour plusieurs langages de programmation : Bien que Python soit le langage le plus couramment utilisé, JupyterLab prend en charge d'autres langages comme R, Julia et Scala, ce qui le rend polyvalent pour divers workflows.

• Intégration de données : JupyterLab s'intègre de manière transparente avec des bases de données, du stockage cloud et des outils de traitement de données, facilitant ainsi la gestion de grands jeux de données requis pour l'entraînement à l'IA de vision.

Link to this sectionPoints clés#

L'intégration JupyterLab est un outil utile qui facilite le travail avec des modèles de vision par ordinateur comme YOLO11. Il te donne un espace de travail unique où tu peux organiser tes données, entraîner et tester des modèles personnalisés, et travailler avec d'autres développeurs. Avec ses extensions et modules complémentaires utiles, tu peux te concentrer sur la construction et l'amélioration de tes modèles au lieu de t'inquiéter de la configuration de ton environnement de travail.

Que tu aides à protéger la faune, à améliorer des scans médicaux ou à vérifier la qualité des produits dans des usines, l'intégration JupyterLab prise en charge par Ultralytics rend le processus plus simple et plus efficace.

Rejoins notre communauté et consulte notre dépôt GitHub ou nos guides pour en apprendre plus sur l'IA. Tu peux aussi explorer plus d'applications comme la vision par ordinateur dans la fabrication ou l'IA dans les voitures autonomes sur nos pages de solutions.