Addestrare Ultralytics YOLO11 utilizzando l'integrazione con JupyterLab

Lavorare sui modelli di computer vision può essere entusiasmante, soprattutto quando si vedono le buone prestazioni del modello. In genere, il processo di sviluppo della computer vision prevede diverse fasi semplici, come la preparazione dei set di dati e la messa a punto dei modelli, come ad esempio Ultralytics YOLO11. Tuttavia, ci sono alcune parti di questo processo che possono essere impegnative per i principianti, come la creazione di un ambiente di sviluppo. È proprio per questo che Ultralytics supporta integrazioni come JupyterLab che possono semplificare questi passaggi.

Nello specifico, l'integrazione di Jupyterlab offre un ambiente di sviluppo interattivo e facile da usare che semplifica l'esplorazione e la sperimentazione con i modelli di computer vision. Jupyterlab ti fornisce un'area di lavoro integrata. Usandolo, puoi immergerti direttamente nell'esplorazione e nella creazione di modelli di computer vision senza la distrazione di installare e configurare ambienti. 

Ad esempio, JupyterLab offre strumenti e funzionalità quali notebook per l'esecuzione del codice, editor di testo per la creazione di documentazione e terminali per interagire con il sistema. In effetti, JupyterLab consente di sperimentare e addestrare facilmente i modelli Ultralytics YOLO11 direttamente sul computer. In questo articolo esploreremo la sua integrazione con YOLO11, il suo funzionamento e i vantaggi che offre.

Cos'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. Costruito come un 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 consente 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, ideale per la collaborazione e le presentazioni. Inoltre, la sua interfaccia flessibile ti consente di organizzare strumenti come notebook, file di testo e terminali affiancati e i plugin possono essere aggiunti per espandere ulteriormente la sua funzionalità per adattarsi alle esigenze del tuo progetto.

‍

Ecco alcune altre interessanti funzionalità di JupyterLab:

• Creazione semplificata di progetti: JupyterLab semplifica la creazione e la condivisione di progetti con elementi visivi come grafici e dashboard, insieme a immagini, video e altri contenuti multimediali. 

• Collaborare con gli altri: È possibile collaborare facilmente con altri condividendo i notebook e tenendo track delle modifiche con strumenti come Git. 

• Ideale per i principianti: È popolare nelle aule per l'insegnamento della programmazione e dell'analisi dei dati, nella ricerca per testare idee e nello sviluppo per attività come il testing del software e la gestione dei flussi di lavoro dei dati.

Usare JupyterLab per lavorare sui progetti Ultralytics YOLO11

Ora che abbiamo capito meglio cos'è JupyterLab, analizziamo cosa comprende esattamente l'integrazione di JupyterLab e come è possibile sfruttarla quando si lavora con YOLO11. 

JupyterLab è un ottimo strumento per lavorare su progetti con i modelli Ultralytics YOLO11. Semplifica il processo di sviluppo fornendo un ambiente all-in-one in cui è possibile gestire attività e documenti senza passare da una piattaforma all'altra. L'interfaccia interattiva consente di eseguire il codice e di vedere i risultati all'istante, il che è perfetto per esplorare i dati o capire come si comporta il modello YOLO11 . È inoltre possibile utilizzare estensioni come Plotly per creare grafici interattivi che aiutano a visualizzare e perfezionare i modelli YOLO11 .

Ad esempio, supponiamo che stiate lavorando a un progetto innovativo che coinvolge l'IA nel settore sanitario. Avete intenzione di addestrare YOLO11 per aiutare i medici a rilevare in tempo reale i tumori nelle immagini di radiografie o TAC. YOLO11 può essere addestrato utilizzando un set di immagini mediche etichettate che evidenziano aree normali e anormali. Grazie all'integrazione con JupyterLab, è possibile addestrare e mettere a punto i modelli di YOLO11 direttamente in un ambiente collaborativo e di facile utilizzo. Offre inoltre strumenti per la gestione dei set di dati, l'esecuzione di esperimenti e la convalida dell'accuratezza dei modelli, rendendo più semplice ed efficiente l'adozione della Vision AI nel settore sanitario.

Come funziona l'integrazione di JupyterLab

La formazione personalizzata dei modelli YOLO11 su JupyterLab è semplice. La piattaforma è simile al suo predecessore, Jupyter Notebook o Google Colab, e fornisce un ambiente preconfigurato che rende facile iniziare.

Per configurare JupyterLab per il vostro progetto YOLO11 , iniziate scaricando il file `tutorial.ipynb` dal repository GitHub di Ultralytics e salvatelo nella vostra directory preferita. Quindi, aprire un qualsiasi editor di codice o terminale ed eseguire il comando `pip install jupyterlab` per installare JupyterLab. La piattaforma si aprirà automaticamente e visualizzerà la finestra mostrata di seguito.

‍

Una volta completata l'installazione, navigare nella directory in cui è stato salvato il file del notebook ed eseguire il comando `jupyter lab` per lanciare la piattaforma. Si aprirà JupyterLab nel browser web predefinito, dove si potrà caricare il file `tutorial.ipynb` e iniziare a esplorare YOLO11. In questo ambiente interattivo, è possibile eseguire il codice del notebook cella per cella, regolare le impostazioni e vedere i risultati all'istante. JupyterLab consente di visualizzare facilmente i risultati, prendere appunti e provare diverse configurazioni in un unico luogo.

‍

Per comprendere meglio il processo di formazione dei modelliYOLO di Ultralytics e le best practice, è possibile consultare la documentazione ufficiale di Ultralytics . 

Scegliere l'integrazione di JupyterLab: perché si distingue

Esplorando la documentazione sulle integrazioni diUltralytics , noterete che c'è un'ampia varietà di integrazioni tra cui scegliere. Alcune di esse offrono addirittura funzionalità simili. Ad esempio, l'integrazione Google Colab offre un ambiente in stile notebook che supporta l'addestramento di YOLO11, compreso l'addestramento personalizzato di un modello pre-addestrato per compiti specifici. Con così tante integrazioni, è importante tenere a mente ciò che rende unica l'integrazione con JupyterLab. 

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

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

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

• Copia di celle tra notebook: Puoi facilmente copiare celle tra diversi notebook trascinando e rilasciando le celle da un notebook all'altro.

• Visualizzazioni multiple: JupyterLab supporta più visualizzazioni 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 visualizzazione apparirà anche nell'altra.

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

Applicazioni dell'integrazione di JupyterLab e YOLO11

Esploriamo quindi alcune applicazioni pratiche del lavoro su YOLO11 utilizzando l'integrazione con JupyterLab.

Per esempio, uno sviluppatore che lavora sulle tecnologie di monitoraggio della fauna selvatica può utilizzare l'integrazione JupyterLab per addestrare un modello YOLO11 . Addestrando YOLO11 in modo personalizzato, possono creare applicazioni di computer vision che identificano le specie in pericolo dalle riprese dei droni. JupyterLab semplifica questo processo fornendo un unico spazio di lavoro per l'esplorazione dei dati, la preelaborazione e l'addestramento dei modelli. Gli sviluppatori possono eseguire il codice, testare i modelli e visualizzare i risultati in un unico luogo, mantenendo il flusso di lavoro semplice e organizzato.

‍

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

• Visione artificiale in agricoltura: Il supporto di YOLO11per diverse attività di computer vision può aiutare a rilevare le malattie delle colture, a monitorare la crescita delle piante o a identificare le erbe infestanti da immagini di droni o satellitari, con JupyterLab che semplifica l'analisi dei dati e l'ottimizzazione dei modelli.

• Controllo di qualità nella produzione: Analizzando le immagini in tempo reale, YOLO11 è in grado di identificare i difetti dei prodotti nelle catene di montaggio, mentre JupyterLab fornisce un ambiente centralizzato per affinare i modelli e valutare i risultati.

• L'intelligenza artificiale nella logistica: Compiti come il monitoraggio dell'inventario e la scansione dei pacchi possono essere automatizzati utilizzando YOLO11, che rileva gli oggetti nelle immagini e inserisce dei riquadri di delimitazione intorno ad essi per indicarne la posizione, mentre JupyterLab fornisce strumenti per addestrare, convalidare e testare in modo efficiente i modelli utilizzando i dati della logistica.

Vantaggi dell'integrazione con JupyterLab

Ecco una rapida panoramica di alcuni dei modi unici in cui l'integrazione con JupyterLab avvantaggia la visione artificiale (AI) 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, semplificando la gestione di grandi set di dati necessari per l'addestramento di Vision AI.

Punti chiave

L'integrazione con JupyterLab è uno strumento utile che facilita il lavoro con modelli di visione artificiale come YOLO11 . Offre un'unica area di lavoro in cui è possibile organizzare i dati, addestrare e testare modelli personalizzati e collaborare con altri sviluppatori. Grazie alle sue utili estensioni e ai suoi componenti aggiuntivi, è possibile concentrarsi sulla creazione e sul miglioramento dei modelli, invece di preoccuparsi di configurare l'ambiente di lavoro. 

Che si tratti di proteggere la fauna selvatica, migliorare le scansioni mediche o controllare la qualità dei prodotti nelle fabbriche, l'integrazione di 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 scoprire l'IA. Puoi anche esplorare altre applicazioni come la computer vision nella produzione o l'IA nelle auto a guida autonoma nelle nostre pagine dedicate alle soluzioni.