Addestra Ultralytics YOLO11 usando l'integrazione JupyterLab

Lavorare su modelli di computer vision può essere entusiasmante, soprattutto quando vedi il tuo modello ottenere buone prestazioni. In genere, il processo di sviluppo della computer vision prevede diversi passaggi semplici, come la preparazione dei dataset e il fine-tuning dei modelli, come Ultralytics YOLO11. Tuttavia, alcune parti di questo processo possono essere difficili per i principianti, come la configurazione di un ambiente di sviluppo. È esattamente per questo che Ultralytics supporta integrazioni come JupyterLab, che possono semplificare questi passaggi.

Nello specifico, l'integrazione con JupyterLab offre un ambiente di sviluppo interattivo e facile da usare che rende semplice l'esplorazione e la sperimentazione con i modelli di computer vision. JupyterLab ti fornisce uno spazio di lavoro integrato. Usandolo, puoi immergerti subito nell'esplorazione e nella creazione di modelli di computer vision senza la distrazione di dover installare e configurare ambienti.

Ad esempio, JupyterLab offre strumenti e funzionalità come notebook per eseguire codice, editor di testo per creare documentazione e terminali per interagire con il sistema. Infatti, JupyterLab ti permette di sperimentare e addestrare facilmente i modelli Ultralytics YOLO11 direttamente sul tuo computer. In questo articolo, esploreremo la sua integrazione con YOLO11, come funziona e i vantaggi che offre.

Link to this sectionCos'è JupyterLab?#

JupyterLab è uno strumento basato sul web che ti aiuta a scrivere ed eseguire codice, organizzare dati e creare report visivi, tutto in un unico posto. Fa parte del Project Jupyter, iniziato nel 2014 per rendere la programmazione più interattiva e facile da usare. Creato come aggiornamento di Jupyter Notebook, è stato rilasciato per la prima volta nel 2018 ed è comunemente usato per attività come l'analisi dei dati, la creazione di grafici e la costruzione di modelli di machine learning.

JupyterLab ti permette di lavorare con codice e dati in modo interattivo, rendendo semplice la sperimentazione e l'esplorazione di idee. Puoi anche creare e condividere documenti che combinano perfettamente codice, testo e immagini: l'ideale per la collaborazione e le presentazioni. Inoltre, la sua interfaccia flessibile ti consente di organizzare strumenti come notebook, file di testo e terminali fianco a fianco, e possono essere aggiunti plugin per espandere ulteriormente le sue funzionalità in base alle esigenze del tuo progetto.

Fig 1. Componenti di JupyterLab.

Ecco alcune altre interessanti funzionalità di JupyterLab:

• Facilità di creazione del progetto: JupyterLab rende semplice creare e condividere progetti con elementi visivi come grafici, diagrammi e dashboard, insieme a immagini, video e altri media.

• Collabora con gli altri: Puoi collaborare facilmente con gli altri condividendo i notebook e tenendo traccia delle modifiche utilizzando strumenti come Git.

• Ottimo per i principianti: È popolare nelle aule per insegnare programmazione e analisi dei dati, nella ricerca per testare idee e nello sviluppo per attività come il testing software e la gestione dei flussi di lavoro dei dati.

Link to this sectionUsare JupyterLab per lavorare su progetti Ultralytics YOLO11#

Ora che abbiamo una comprensione migliore di cosa sia JupyterLab, esploriamo cosa comprende esattamente l'integrazione con JupyterLab e come puoi sfruttarla quando lavori con YOLO11.

JupyterLab è un ottimo strumento per lavorare su progetti con modelli Ultralytics YOLO11. Semplifica il processo di sviluppo fornendo un ambiente all-in-one dove puoi gestire attività e documenti senza passare da una piattaforma all'altra. L'interfaccia interattiva ti consente di eseguire codice e vedere i risultati all'istante, il che è perfetto per esplorare i dati o comprendere le prestazioni del tuo modello YOLO11. Puoi anche utilizzare estensioni come Plotly per creare grafici interattivi che aiutano a visualizzare e affinare i tuoi modelli YOLO11.

Ad esempio, supponiamo che tu stia lavorando a un progetto innovativo che coinvolge l'IA nella sanità. Hai in programma di addestrare in modo personalizzato YOLO11 per aiutare i medici con il rilevamento in tempo reale di tumori in immagini di raggi X o scansioni TC. YOLO11 può essere addestrato utilizzando un dataset di immagini mediche etichettate che evidenziano sia le aree normali che quelle anomale. Con l'integrazione di JupyterLab, puoi addestrare e affinare i modelli YOLO11 direttamente in un ambiente collaborativo e adatto al codice. Offre inoltre strumenti per gestire i dataset, eseguire esperimenti e convalidare l'accuratezza del modello, rendendo più facile ed efficiente l'adozione dell'IA applicata alla visione nella sanità.

Link to this sectionCome funziona l'integrazione con JupyterLab#

L'addestramento personalizzato dei modelli YOLO11 su JupyterLab è semplice. La piattaforma è simile al suo predecessore, Jupyter Notebook o Google Colab, e fornisce un ambiente pre-configurato che rende facile iniziare.

Per configurare JupyterLab per il tuo progetto YOLO11, inizia scaricando il file tutorial.ipynb dal repository GitHub di Ultralytics e salvalo nella directory che preferisci. Successivamente, apri qualsiasi editor di codice o terminale ed esegui il comando pip install jupyterlab per installare JupyterLab. La piattaforma si aprirà automaticamente e mostrerà la finestra mostrata di seguito.

Fig 2. Pagina di avvio iniziale di JupyterLab.

Una volta completata l'installazione, naviga verso la directory in cui hai salvato il file del notebook ed esegui il comando jupyter lab per avviare la piattaforma. Questo aprirà JupyterLab nel tuo browser web predefinito, dove potrai caricare il file tutorial.ipynb e iniziare a esplorare YOLO11. In questo ambiente interattivo, puoi eseguire il codice nel notebook cella per cella, regolare le impostazioni e vedere i risultati all'istante. JupyterLab rende facile visualizzare gli output, prendere appunti e provare diverse configurazioni, tutto in un unico posto.

Fig 3. Apertura del notebook tutorial.ipynb di YOLO11 nell'interfaccia di JupyterLab.

Per comprendere meglio il processo di addestramento dei modelli Ultralytics YOLO e le migliori pratiche, puoi fare riferimento alla documentazione ufficiale di Ultralytics.

Link to this sectionScegliere l'integrazione con JupyterLab: perché si distingue#

Mentre esplori la documentazione sulle integrazioni di Ultralytics, noterai che c'è un'ampia varietà di integrazioni tra cui scegliere. Alcune offrono persino funzionalità simili. Ad esempio, l'integrazione con Google Colab offre un ambiente in stile notebook che supporta l'addestramento di YOLO11, incluso l'addestramento personalizzato di un modello pre-addestrato per attività specifiche. Con così tante integrazioni, è importante tenere a mente cosa rende unica l'integrazione con JupyterLab.

Uno dei vantaggi chiave dell'utilizzo dell'integrazione con JupyterLab è il supporto per le estensioni. Queste estensioni possono fare una differenza sostanziale nel tuo progetto di computer vision e semplificare il processo di sviluppo del modello. Ad esempio, puoi utilizzare le estensioni Git per tenere traccia dei tuoi progressi, condividere il tuo lavoro con altri e assicurarti che il tuo codice sia sempre ben mantenuto, il tutto senza lasciare l'interfaccia di JupyterLab.

Ecco altri motivi per cui le integrazioni con JupyterLab potrebbero essere un'ottima scelta per il tuo progetto:

• Gestione semplice delle celle: Gestire diverse celle in JupyterLab è facile. Invece del noioso metodo taglia e incolla, puoi trascinare e rilasciare le celle per riorganizzarle.

• Copia delle celle tra notebook: Puoi copiare facilmente le celle tra diversi notebook trascinandole da un notebook all'altro.

• Viste multiple: JupyterLab supporta viste multiple dello stesso notebook, il che è particolarmente utile per i notebook lunghi. Puoi aprire diverse sezioni una accanto all'altra per confrontarle o esplorarle, e qualsiasi modifica apportata in una vista apparirà nell'altra.

• Passaggio semplice alla vista notebook classica: Per coloro che hanno più familiarità con l'interfaccia classica di Jupyter Notebook, JupyterLab offre un passaggio semplice. Puoi semplicemente sostituire “/lab” nel link del browser con “/tree” per tornare alla familiare vista del notebook.

Link to this sectionApplicazioni dell'integrazione con JupyterLab e YOLO11#

Successivamente, esploriamo alcune applicazioni pratiche di lavoro su YOLO11 utilizzando l'integrazione con JupyterLab.

Ad esempio, uno sviluppatore che lavora su tecnologie di monitoraggio della fauna selvatica può utilizzare l'integrazione con JupyterLab per addestrare un modello YOLO11. Addestrando in modo personalizzato YOLO11, può creare applicazioni di computer vision che identificano specie in via di estinzione dai filmati dei droni. JupyterLab semplifica questo processo fornendo uno spazio di lavoro unico per esplorare i dati, pre-elaborarli e addestrare i modelli. Gli sviluppatori possono eseguire codice, testare modelli e visualizzare i risultati tutto in un unico posto, mantenendo il flusso di lavoro semplice e organizzato.

Fig 4. Un esempio di utilizzo dei modelli Ultralytics YOLO per rilevare specie di fauna selvatica.

Oltre alla conservazione della fauna selvatica, l'affidabile combinazione di YOLO11 e JupyterLab può essere utilizzata in una varietà di applicazioni reali, come:

• Computer vision in agricoltura: Il supporto di YOLO11 per varie attività di computer vision può aiutare a rilevare malattie delle colture, monitorare la crescita delle piante o identificare le erbe infestanti dalle immagini di droni o satelliti, con JupyterLab che semplifica l'analisi dei dati e l'ottimizzazione del modello.

• Controllo qualità nella produzione: Analizzando le immagini in tempo reale, YOLO11 può identificare difetti nei prodotti sulle linee di assemblaggio, mentre JupyterLab fornisce un ambiente centralizzato per affinare i modelli e valutare i risultati.

• IA nella logistica: Attività come il monitoraggio dell'inventario e la scansione dei pacchi possono essere automatizzate utilizzando YOLO11, che rileva oggetti nelle immagini e posiziona riquadri di delimitazione attorno ad essi per indicarne le posizioni, mentre JupyterLab fornisce strumenti per addestrare, convalidare e testare in modo efficiente i modelli utilizzando i dati logistici.

Link to this sectionVantaggi dell'integrazione con JupyterLab#

Ecco una rapida occhiata ad alcuni dei modi unici in cui l'integrazione con JupyterLab avvantaggia l'IA applicata alla visione in generale:

• Accesso remoto e scalabilità: Può essere eseguito sia su piattaforme cloud che su server remoti, consentendo l'accesso a potenti risorse di calcolo e alla ricerca collaborativa.

• Supporto per più linguaggi di programmazione: Sebbene Python sia il linguaggio più comunemente usato, JupyterLab supporta altri linguaggi come R, Julia e Scala, rendendolo versatile per diversi flussi di lavoro.

• Integrazione dei dati: JupyterLab si integra perfettamente con database, archiviazione cloud e strumenti di elaborazione dati, rendendo più facile gestire i grandi dataset richiesti per l'addestramento dell'IA applicata alla visione.

Link to this sectionPunti chiave#

L'integrazione con JupyterLab è uno strumento utile che rende più semplice lavorare con modelli di computer vision come YOLO11. Ti offre uno spazio di lavoro unico in cui puoi organizzare i tuoi dati, addestrare e testare modelli personalizzati e lavorare con altri sviluppatori. Con le sue utili estensioni e componenti aggiuntivi, puoi concentrarti sulla creazione e sul miglioramento dei tuoi modelli invece di preoccuparti di configurare il tuo ambiente di lavoro.

Che tu stia aiutando a proteggere la fauna selvatica, migliorando le scansioni mediche o controllando la qualità dei prodotti nelle fabbriche, l'integrazione con JupyterLab supportata da Ultralytics rende il processo più semplice ed efficiente.

Unisciti alla nostra community e dai un'occhiata al nostro repository GitHub o alle nostre guide per imparare l'IA. Puoi anche esplorare altre applicazioni come la computer vision nella produzione o l'IA nelle auto a guida autonoma sulle nostre pagine delle soluzioni.