Entraîner Ultralytics YOLO11 avec l’intégration JupyterLab

Travailler sur des modèles de vision par ordinateur peut être passionnant, surtout lorsque tu vois ton modèle obtenir de bonnes performances. Généralement, le processus de développement en vision par ordinateur comprend 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 précisément pour cela qu’Ultralytics prend en charge des intégrations comme JupyterLab, qui peuvent simplifier ces étapes.

Plus précisément, l’intégration JupyterLab offre un environnement de développement interactif et convivial qui simplifie l’exploration et l’expérimentation avec des modèles de vision par ordinateur. JupyterLab te fournit un espace de travail intégré. Grâce à lui, tu peux commencer directement à explorer et à créer des 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 comme 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 facilement avec des modèles Ultralytics YOLO11 et de les entraîner directement sur ton ordinateur. Dans cet article, nous allons explorer son intégration avec YOLO11, son fonctionnement et les avantages qu’elle offre.

Qu’est-ce que JupyterLab ?#

JupyterLab est un outil web qui t’aide à écrire et à exécuter du code, à organiser des données et à créer des rapports visuels au même endroit. Il fait partie de Project 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 est couramment utilisé pour des tâches comme l’analyse de données, la création de graphiques et la conception de modèles de machine learning.

JupyterLab te permet de travailler interactivement avec du code et des données, ce qui simplifie l’expérimentation et l’exploration d’idées. Tu peux également créer et partager des documents qui combinent harmonieusement code, texte et éléments visuels, ce qui est idéal 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, tandis que des plugins peuvent être ajoutés pour étendre davantage ses fonctionnalités selon les besoins de ton projet.

Fig. 1 Composants de JupyterLab.

Voici quelques autres fonctionnalités intéressantes de JupyterLab :

• Création facile de projets : JupyterLab facilite la création et le partage de projets avec des éléments visuels comme des graphiques, des diagrammes et des tableaux de bord, ainsi qu’avec des images, des vidéos et d’autres contenus multimédias.

• Collaborer avec d’autres personnes : 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 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 workflows de données.

Utiliser JupyterLab pour travailler sur des projets Ultralytics YOLO11#

Maintenant que nous comprenons mieux ce qu’est JupyterLab, explorons ce que l’intégration JupyterLab comprend exactement et comment tu peux l’utiliser lorsque tu travailles avec Ultralytics YOLO11.

JupyterLab est un excellent outil pour travailler sur des projets utilisant des modèles Ultralytics YOLO11. Il simplifie le processus de développement en fournissant un environnement tout-en-un où tu peux gérer les tâches et les documents sans passer d’une plateforme à l’autre. L’interface interactive te permet d’exécuter du code et d’afficher instantanément les résultats, ce qui est idéal 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 aident à visualiser et à affiner tes modèles YOLO11.

Par exemple, imaginons que tu travailles sur un projet innovant utilisant l’IA dans le domaine de la santé. Tu prévois d’entraîner Ultralytics YOLO11 sur tes propres données afin d’aider les médecins à détecter en temps réel des tumeurs dans des images radiographiques ou de scanner. YOLO11 peut être entraîné à l’aide d’un jeu de données d’images médicales annotées mettant 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, exécuter des expériences et valider la précision des modèles, ce qui facilite et accélère l’adoption de l’IA appliquée à la vision dans le domaine 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, ou 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. Ensuite, ouvre un éditeur de code ou un terminal, puis exécute la commande pip install jupyterlab pour installer JupyterLab. La plateforme ouvrira automatiquement la fenêtre présentée ci-dessous et l’affichera.

Fig. 2. Page de démarrage initiale de JupyterLab.

Une fois l’installation terminée, accède au répertoire dans lequel tu as enregistré le fichier notebook et exécute la commande jupyter lab pour lancer la plateforme. JupyterLab s’ouvrira alors 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 instantanément les résultats. JupyterLab facilite l’affichage des sorties, 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 de JupyterLab.

Pour mieux comprendre le processus d’entraînement des modèles Ultralytics YOLO et les bonnes pratiques, tu peux consulter la documentation officielle d’Ultralytics.

Choisir l’intégration JupyterLab : ce qui la distingue#

En explorant la documentation des intégrations Ultralytics, tu constateras qu’il existe une grande variété d’intégrations parmi lesquelles choisir. Certaines offrent même des fonctionnalités similaires. Par exemple, l’intégration Google Colab propose un environnement de type notebook prenant en charge l’entraînement de YOLO11, notamment l’entraînement personnalisé d’un modèle préentraîné 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 principaux avantages de l’intégration JupyterLab est sa prise en charge des extensions. Ces extensions peuvent faire une réelle différence dans ton projet de vision par ordinateur et fluidifier le processus de développement des modèles. Par exemple, tu peux utiliser les extensions Git pour suivre ta progression, partager ton travail avec d’autres personnes et garantir que ton code reste toujours bien maintenu, le tout sans quitter l’interface de JupyterLab.

Voici d’autres raisons pour lesquelles les intégrations JupyterLab peuvent 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 méthode fastidieuse du copier-coller, tu peux faire glisser-déposer les cellules pour les réorganiser.

• Copie de cellules entre notebooks : Tu peux facilement copier des cellules entre différents notebooks en faisant glisser des cellules d’un notebook vers un autre.

• Vues multiples : JupyterLab prend en charge plusieurs vues d’un même notebook, ce qui est particulièrement utile pour les notebooks longs. Tu peux ouvrir différentes sections côte à côte pour les comparer ou les explorer, et toutes les modifications effectuées dans une vue apparaîtront dans l’autre.

• Passage facile à l’affichage classique des notebooks : Si tu es davantage habitué à l’interface classique de Jupyter Notebook, JupyterLab permet de revenir facilement à celle-ci. 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#

Ensuite, explorons quelques applications pratiques du travail sur Ultralytics YOLO11 avec 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 ses propres données, il peut créer des applications de vision par ordinateur capables d’identifier des espèces menacées à partir d’images prises par drone. JupyterLab simplifie ce processus en fournissant un espace de travail unique pour explorer les données, effectuer le prétraitement et entraîner les modèles. Les développeurs peuvent exécuter du code, tester des modèles et consulter les résultats au même endroit, tout en conservant un workflow simple et organisé.

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

Au-delà de la conservation de la faune, l’association fiable d’Ultralytics YOLO11 et de JupyterLab peut être utilisée dans diverses applications concrètes, comme :

• Vision par ordinateur dans l’agriculture : La prise en charge de diverses tâches de vision par ordinateur par Ultralytics YOLO11 peut contribuer à détecter les maladies des cultures, à surveiller la croissance des plantes ou à identifier les mauvaises herbes à partir d’images prises par drone ou satellite, tandis que JupyterLab simplifie l’analyse des données et l’optimisation des modèles.

• Contrôle qualité dans l’industrie manufacturière : En analysant les images en temps réel, Ultralytics YOLO11 peut identifier les défauts des produits sur les chaînes d’assemblage, 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 la numérisation des colis peuvent être automatisées à l’aide de YOLO11, qui détecte les objets dans les images et place des BBox autour d’eux pour indiquer leur emplacement, tandis que JupyterLab fournit des outils pour entraîner, valider et tester efficacement les modèles à l’aide de données logistiques.

Avantages de l’intégration JupyterLab#

Voici un aperçu rapide de quelques façons uniques dont l’intégration JupyterLab profite à l’IA appliquée à la vision en général :

• Accès à distance et évolutivité : Elle 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 collaboratives.

• Prise en charge de 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 des données : JupyterLab s’intègre parfaitement 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 l’IA appliquée à la vision.

Points clés à retenir#

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

Que tu contribues à protéger la faune, à améliorer les examens médicaux ou à contrôler la qualité des produits en usine, 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 davantage sur l’IA. Tu peux également découvrir d’autres applications, comme la vision par ordinateur dans l’industrie manufacturière ou l’IA dans les voitures autonomes, sur nos pages consacrées aux solutions.