Entraîner Ultralytics YOLO11 à l’aide de l’intégration JupyterLab

Travailler sur des modèles de vision par ordinateur peut être passionnant, surtout lorsque tu vois ton modèle obtenir de bons résultats. Le processus de développement en vision par ordinateur comprend généralement plusieurs étapes simples, comme préparer des jeux de données et affiner des modèles tels que Ultralytics YOLO11. Cependant, certaines étapes peuvent être difficiles pour les débutants, comme la configuration d’un environnement de développement. C’est précisément pourquoi Ultralytics propose des intégrations comme JupyterLab, qui peuvent simplifier ces étapes.

Plus précisément, l’intégration JupyterLab fournit un environnement de développement interactif et convivial qui facilite l’exploration et l’expérimentation avec les modèles de vision par ordinateur. JupyterLab te propose un espace de travail intégré. Tu peux ainsi te lancer directement dans l’exploration et la création de modèles de vision par ordinateur, sans être dérangé par l’installation et la configuration d’environnements.

Par exemple, JupyterLab fournit des outils et des fonctionnalités comme des notebooks pour exécuter du code, des éditeurs de texte pour créer de la documentation et des terminaux pour interagir avec le système. JupyterLab te permet même d’expérimenter et d’entraîner facilement des modèles Ultralytics YOLO11 directement sur ton ordinateur. Dans cet article, nous allons découvrir son intégration avec YOLO11, son fonctionnement et ses avantages.

Qu’est-ce que JupyterLab ?#

JupyterLab est un outil Web qui te permet d’écrire et d’exécuter du code, d’organiser des données et de créer des rapports visuels au même endroit. Il fait partie du projet Jupyter, lancé en 2014 pour rendre le codage plus interactif et convivial. Conçu comme une évolution de Jupyter Notebook, il a été publié pour la première fois en 2018 et sert couramment à analyser des données, créer des graphiques et développer des modèles de machine learning.

JupyterLab te permet de travailler de manière interactive avec du code et des données, ce qui facilite l’expérimentation et l’exploration d’idées. Tu peux également créer et partager des documents qui associent code, texte et éléments visuels, idéals pour la collaboration et les présentations. De plus, son interface flexible te permet d’organiser côte à côte des outils comme les notebooks, les fichiers texte et les terminaux, et d’ajouter des extensions pour adapter davantage ses fonctionnalités aux besoins de ton projet.

Fig. 1. Composants de JupyterLab.

Voici d’autres fonctionnalités intéressantes de JupyterLab :

• Création facile de projets : JupyterLab facilite la création et le partage de projets comprenant des éléments visuels comme des graphiques et des tableaux de bord, ainsi que des images, des vidéos et d’autres contenus multimédias.
• Collaboration : 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 : JupyterLab est populaire dans les salles de classe pour enseigner le codage et l’analyse de données, dans la recherche pour tester des idées et dans le développement pour des tâches comme les tests logiciels et la gestion des flux de traitement des données.

Utiliser JupyterLab pour travailler sur des projets Ultralytics YOLO11#

Maintenant que nous comprenons mieux ce qu’est JupyterLab, découvrons en quoi consiste son intégration et comment l’utiliser lorsque tu travailles avec Ultralytics YOLO11.

JupyterLab est un excellent outil pour travailler sur des projets utilisant les modèles Ultralytics YOLO11. Il simplifie le processus de développement en proposant un environnement tout-en-un où tu peux gérer tes tâches et tes documents sans passer d’une plateforme à l’autre. Son interface interactive te permet d’exécuter du code et d’en voir immédiatement les résultats, ce qui est utile pour explorer des données ou comprendre les performances de ton modèle YOLO11. Tu peux également utiliser des extensions comme Plotly pour créer des graphiques interactifs qui t’aident à visualiser et à affiner tes modèles YOLO11.

Par exemple, imaginons que tu travailles sur un projet innovant d’IA dans le secteur de la santé. Tu prévois d’entraîner Ultralytics YOLO11 sur mesure pour aider les médecins à détecter des tumeurs en temps réel sur des radiographies ou des images de tomodensitométrie. YOLO11 peut être entraîné à l’aide d’un jeu de données d’images médicales annotées qui mettent en évidence les zones normales et anormales. Grâce à l’intégration JupyterLab, tu peux entraîner et affiner des modèles YOLO11 directement dans un environnement collaboratif adapté au code. Elle fournit également des outils pour gérer les jeux de données, lancer des expériences et valider la précision des modèles, ce qui facilite et accélère l’adoption de l’IA visuelle dans le secteur de la santé.

Fonctionnement de l’intégration JupyterLab#

L’entraînement personnalisé de modèles Ultralytics YOLO11 sur JupyterLab est simple. La plateforme ressemble à son prédécesseur, Jupyter Notebook, ainsi qu’à 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 (le notebook a depuis été mis à jour pour utiliser Ultralytics YOLO26). Ensuite, ouvre un terminal et exécute la commande pip install jupyterlab pour installer JupyterLab. Une fois lancé (voir l’étape suivante), JupyterLab affiche la page de démarrage présentée ci-dessous.

Fig. 2. Page de démarrage initiale de JupyterLab.

Une fois l’installation terminée, accède au répertoire où tu as enregistré le notebook et exécute la commande jupyter lab pour lancer la plateforme. JupyterLab s’ouvrira alors dans ton navigateur Web par défaut. Tu pourras y 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 immédiatement les résultats. JupyterLab facilite l’affichage des résultats, la prise de notes et l’essai de différentes configurations au même endroit.

Fig. 3. Ouverture du notebook tutorial.ipynb Ultralytics YOLO11 dans l’interface JupyterLab.

Pour mieux comprendre le processus d’entraînement des modèles Ultralytics YOLO et les bonnes pratiques, consulte le guide des conseils d’entraînement des modèles d’Ultralytics.

Choisir l’intégration JupyterLab : ses atouts#

En parcourant la documentation des intégrations Ultralytics, tu constateras qu’il existe un large choix d’intégrations. Certaines proposent même des fonctionnalités similaires. Par exemple, l’intégration Google Colab offre un environnement de type notebook qui prend en charge l’entraînement de YOLO11, y compris l’entraînement personnalisé d’un modèle préentraîné pour des tâches spécifiques. Avec autant d’intégrations disponibles, il est important de comprendre ce qui rend l’intégration JupyterLab unique.

L’un des principaux avantages de l’intégration JupyterLab est la prise en charge des extensions. Ces extensions peuvent faire une grande différence dans ton projet de vision par ordinateur et rationaliser le processus de développement des modèles. Tu peux, par exemple, utiliser les extensions Git pour suivre ta progression, partager ton travail et veiller à la bonne maintenance de ton code, sans quitter l’interface JupyterLab.

Voici quelques autres raisons pour lesquelles l’intégration de JupyterLab pourrait être un excellent choix pour ton projet :

• Gestion facile des cellules : La gestion des différentes cellules dans JupyterLab est simple. Plutôt que d’utiliser la fastidieuse méthode du couper-coller, tu peux faire glisser les cellules pour les réorganiser.
• Copie de cellules entre notebooks : Tu peux facilement copier des cellules d’un notebook à un autre en les faisant glisser.
• Affichages multiples : JupyterLab permet d’afficher un même notebook de plusieurs façons, ce qui est particulièrement utile pour les notebooks longs. Tu peux ouvrir différentes sections côte à côte pour les comparer ou les explorer. Les modifications effectuées dans un affichage apparaîtront aussi dans l’autre.
• Retour facile à l’affichage classique des notebooks : Si tu connais mieux l’interface classique de Jupyter Notebook, JupyterLab te permet facilement d’y revenir. Il te suffit de remplacer « /lab » par « /tree » dans le lien du navigateur pour retrouver l’affichage familier des notebooks.

Applications de l’intégration JupyterLab et d’Ultralytics YOLO11#

Découvrons maintenant quelques applications pratiques d’Ultralytics YOLO11 avec l’intégration JupyterLab.

Par exemple, un développeur qui travaille sur des technologies de suivi de la faune sauvage peut utiliser l’intégration JupyterLab pour entraîner un modèle YOLO11. En entraînant YOLO11 sur mesure, il peut créer des applications de vision par ordinateur qui identifient les espèces menacées à partir d’images prises par des drones. JupyterLab simplifie ce processus en fournissant un espace de travail unique pour explorer les données, les prétraiter et entraîner les modèles. Les développeurs peuvent exécuter du code, tester des modèles et consulter les résultats au même endroit, pour un flux de travail simple et organisé.

Fig. 4. Exemple d’utilisation des modèles Ultralytics YOLO pour détecter des espèces sauvages.

Au-delà de la conservation de la faune sauvage, l’association d’Ultralytics YOLO11 et de JupyterLab peut servir dans diverses applications concrètes, par exemple :

• Vision par ordinateur dans l’agriculture : La prise en charge de différentes tâches de vision par ordinateur par Ultralytics YOLO11 peut aider à détecter les maladies des cultures, à surveiller la croissance des plantes ou à repérer les mauvaises herbes sur des images de drones ou de satellites. JupyterLab facilite l’analyse des données et l’optimisation des modèles.
• Contrôle qualité dans l’industrie manufacturière : En analysant des images en temps réel, Ultralytics YOLO11 peut détecter 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 : YOLO11 permet d’automatiser des tâches comme le suivi des stocks et la numérisation des colis. Il détecte les objets dans les images et les entoure de boîtes englobantes pour indiquer leur emplacement, tandis que JupyterLab fournit des outils pour entraîner, valider et tester efficacement les modèles à partir de données logistiques.

Avantages de l’intégration JupyterLab#

Voici un aperçu des avantages spécifiques que l’intégration JupyterLab apporte à l’IA visuelle en général :

• Accès à distance et évolutivité : JupyterLab peut fonctionner sur des plateformes cloud et des serveurs distants, ce qui permet d’accéder à de puissantes ressources informatiques et de mener des recherches en collaboration.
• Prise en charge de plusieurs langages de programmation : Python est le langage le plus utilisé, mais JupyterLab prend également en charge d’autres langages comme R, Julia et Scala, ce qui le rend adapté à différents flux de travail.
• Intégration des données : JupyterLab s’intègre aux bases de données, au stockage cloud et aux outils de traitement des données, ce qui facilite la gestion des grands jeux de données nécessaires à l’entraînement de systèmes d’AI visuelle.

Points clés à retenir#

L’intégration JupyterLab est un outil pratique qui facilite le travail avec des modèles de vision par ordinateur comme Ultralytics YOLO11. Elle te fournit un espace de travail unique pour organiser tes données, entraîner et tester des modèles personnalisés et collaborer avec d’autres développeurs. Grâce aux extensions et modules complémentaires utiles, tu peux te concentrer sur la création et l’amélioration de tes modèles sans te soucier de la configuration de ton environnement de travail.

Que tu contribues à protéger la faune sauvage, à améliorer l’analyse d’images médicales ou à contrôler la qualité des produits en usine, l’intégration JupyterLab prise en charge par Ultralytics simplifie et accélère le processus.

Rejoins notre communauté et consulte notre dépôt GitHub ou nos guides pour en savoir plus sur l’AI. Tu peux également découvrir d’autres applications, comme la vision par ordinateur dans l’industrie manufacturière ou l’AI dans les voitures autonomes, sur nos pages de solutions.