Facendo clic su "Accetta tutti i cookie", l'utente accetta la memorizzazione dei cookie sul proprio dispositivo per migliorare la navigazione del sito, analizzarne l'utilizzo e contribuire alle nostre iniziative di marketing. Per saperne di più
Impostazioni dei cookie
Facendo clic su "Accetta tutti i cookie", l'utente accetta la memorizzazione dei cookie sul proprio dispositivo per migliorare la navigazione del sito, analizzarne l'utilizzo e contribuire alle nostre iniziative di marketing. Per saperne di più
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 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.
In particolare, l'integrazione con Jupyterlab offre un ambiente di sviluppo interattivo e facile da usare che rende semplice l'esplorazione e la sperimentazione di modelli di computer vision. Jupyterlab offre uno spazio di lavoro integrato. Grazie ad esso, è possibile immergersi nell'esplorazione e nella costruzione di modelli di computer vision senza doversi distrarre dall'installazione e dalla configurazione degli 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.
Che cos'è JupyterLab?
JupyterLab è uno strumento basato sul web che aiuta a scrivere ed eseguire codice, organizzare dati e creare report visivi in un unico luogo. Fa parte del Progetto Jupyter, nato nel 2014 per rendere la codifica più interattiva e facile da usare. Costruito 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 apprendimento automatico.
JupyterLab consente di lavorare con codice e dati in modo interattivo, rendendo semplice la sperimentazione e l'esplorazione delle idee. È inoltre possibile creare e condividere documenti che combinano perfettamente codice, testo e immagini, ideali per la collaborazione e le presentazioni. Inoltre, la sua interfaccia flessibile consente di organizzare strumenti come taccuini, file di testo e terminali uno accanto all'altro, mentre i plugin possono essere aggiunti per espandere ulteriormente le sue funzionalità in base alle esigenze del progetto.
Ecco altre interessanti caratteristiche di JupyterLab:
Creazione semplice di progetti: JupyterLab semplifica la creazione e la condivisione di progetti con immagini come grafici, diagrammi e dashboard, oltre a immagini, video e altri media.
Collaborare con gli altri: È possibile collaborare facilmente con altri condividendo i notebook e tenendo traccia delle modifiche con strumenti come Git.
Ottimo per i principianti: È popolare nelle aule scolastiche per insegnare il coding e l'analisi dei dati, nella ricerca per testare le idee e nello sviluppo per compiti come il test 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 con 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.
Figura 2. Pagina iniziale di avvio di JupyterLab.
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.
Figura 3. Apertura del notebook YOLO11 tutorial.ipynb nell'interfaccia di JupyterLab.
Per comprendere meglio il processo di formazione dei modelli YOLO 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 di Ultralytics, 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 tenere traccia dei progressi, condividere il lavoro con altri e garantire che il codice sia sempre ben mantenuto, il tutto senza lasciare l'interfaccia di JupyterLab.
Ecco altri motivi per cui le integrazioni di JupyterLab potrebbero essere un'ottima scelta per il vostro progetto:
Gestione semplice delle celle: Gestire le diverse celle in JupyterLab è facile. Invece del noioso metodo taglia-e-incolla, è possibile trascinare e rilasciare le celle per riorganizzarle.
Copia di celle da un quaderno all'altro: È possibile copiare facilmente le celle tra diversi quaderni trascinando e rilasciando le celle da un quaderno all'altro.
Viste multiple: JupyterLab supporta più viste dello stesso blocco note, il che è particolarmente utile per i blocchi note lunghi. È possibile aprire sezioni diverse una accanto all'altra per confrontarle o esplorarle, e qualsiasi modifica apportata in una vista apparirà nell'altra.
Facile passaggio alla visualizzazione classica del notebook: Per coloro che hanno maggiore familiarità con l'interfaccia classica di Jupyter Notebook, JupyterLab offre un facile ritorno. È sufficiente sostituire "/lab" nel link del browser con "/tree" per tornare alla visualizzazione classica 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.
Figura 4. Un esempio di utilizzo dei modelli YOLO di Ultralytics per individuare le specie selvatiche.
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 YOLO11 per 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 un rapido sguardo ad alcuni dei modi unici in cui l'integrazione di JupyterLab è vantaggiosa per l 'IA della 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, cloud storage e strumenti di elaborazione dei dati, facilitando la gestione di grandi insiemi di dati necessari per l'addestramento dell'intelligenza artificiale.
Punti di forza
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.
IT
EN
ZH
KO
JA
RU
DE
FR
ES
PT
TR
VI
AR
.webp)
