Addestra Ultralytics YOLO11 utilizzando l'integrazione di JupyterLab

Lavorare sui modelli di computer vision può essere entusiasmante, soprattutto quando vedi che il tuo modello offre 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, ad esempio Ultralytics YOLO11. Tuttavia, alcune parti di questo processo possono essere difficili per i principianti, come la configurazione di un ambiente di sviluppo. È proprio per questo che Ultralytics supporta integrazioni come JupyterLab, che possono semplificare questi passaggi.

Nello specifico, l'integrazione JupyterLab offre un ambiente di sviluppo interattivo e intuitivo che semplifica l'esplorazione e la sperimentazione con i modelli di computer vision. JupyterLab ti offre uno spazio di lavoro integrato. Puoi usarlo per iniziare subito a esplorare e creare modelli di computer vision senza la distrazione di installare e configurare gli ambienti.

Ad esempio, JupyterLab mette a disposizione strumenti e funzionalità come i notebook per eseguire codice, gli editor di testo per creare documentazione e i terminali per interagire con il sistema. JupyterLab ti permette infatti di sperimentare e addestrare facilmente i modelli Ultralytics YOLO11 direttamente sul tuo 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 ti aiuta a scrivere ed eseguire codice, organizzare dati e creare report visivi in un unico ambiente. Fa parte di Project Jupyter, nato nel 2014 per rendere la programmazione più interattiva e intuitiva. Sviluppato come evoluzione di Jupyter Notebook, è stato rilasciato per la prima volta nel 2018 e viene comunemente utilizzato per attività come l'analisi dei dati, la creazione di grafici e lo sviluppo di modelli di machine learning.

JupyterLab ti consente di lavorare interattivamente con codice e dati, semplificando la sperimentazione e l'esplorazione delle idee. Puoi anche creare e condividere documenti che combinano perfettamente codice, testo ed elementi visivi, ideali per la collaborazione e le presentazioni. Inoltre, la sua interfaccia flessibile ti permette di organizzare affiancati strumenti come notebook, file di testo e terminali, mentre puoi aggiungere plugin per ampliarne ulteriormente le funzionalità in base alle esigenze del tuo progetto.

Fig. 1. Componenti di JupyterLab.

Ecco altre funzionalità interessanti di JupyterLab:

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

• Collaborazione con altri: Puoi collaborare facilmente con altre persone condividendo notebook e tenendo traccia delle modifiche usando strumenti come Git.

• Ideale per i principianti: È molto usato nelle aule per insegnare la programmazione e l'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 compreso meglio che cos'è JupyterLab, esploriamo in cosa consiste esattamente l'integrazione JupyterLab e come puoi sfruttarla quando lavori con Ultralytics YOLO11.

JupyterLab è uno strumento eccellente per lavorare su progetti con modelli Ultralytics YOLO11. Semplifica il processo di sviluppo offrendo un ambiente completo in cui puoi gestire attività e documenti senza passare da una piattaforma all'altra. L'interfaccia interattiva ti consente di eseguire il codice e visualizzare immediatamente i risultati, perfetta per esplorare i dati o capire come si comporta il tuo modello YOLO11. Puoi anche usare estensioni come Plotly per creare grafici interattivi che aiutano a visualizzare e perfezionare i tuoi modelli YOLO11.

Ad esempio, supponiamo che tu stia lavorando a un progetto innovativo che utilizza l'AI nel settore sanitario. Hai intenzione di addestrare su misura Ultralytics YOLO11 per aiutare i medici a rilevare tumori in tempo reale nelle immagini radiografiche o delle scansioni CT. YOLO11 può essere addestrato usando un dataset di immagini mediche annotate, che evidenziano aree normali e anomale. Con l'integrazione JupyterLab, puoi addestrare e sottoporre a fine-tuning 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 dei modelli, rendendo più semplice ed efficiente adottare la vision AI nel settore sanitario.

Come funziona l'integrazione JupyterLab#

L'addestramento su misura dei modelli Ultralytics YOLO11 su JupyterLab è semplice. La piattaforma è simile al suo predecessore, Jupyter Notebook, o a Google Colab, e offre un ambiente preconfigurato che ti permette di iniziare facilmente.

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. Poi apri un editor di codice o un terminale ed esegui il comando pip install jupyterlab per installare JupyterLab. La piattaforma si aprirà automaticamente e mostrerà la finestra riportata di seguito.

Fig. 2. Pagina iniziale di JupyterLab.

Una volta completata l'installazione, vai nella directory in cui hai salvato il file del notebook ed esegui il comando jupyter lab per avviare la piattaforma. JupyterLab si aprirà nel browser web predefinito, dove potrai caricare il file tutorial.ipynb e iniziare a esplorare YOLO11. In questo ambiente interattivo puoi eseguire il codice del notebook cella per cella, modificare le impostazioni e visualizzare immediatamente i risultati. JupyterLab semplifica la visualizzazione degli output, la presa di appunti e la prova di configurazioni diverse in un unico ambiente.

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

Per comprendere meglio il processo di addestramento dei modelli Ultralytics YOLO e le best practice, puoi consultare la documentazione ufficiale di Ultralytics.

Scegliere l'integrazione JupyterLab: perché si distingue#

Esplorando la documentazione sulle integrazioni Ultralytics, noterai che puoi scegliere tra un'ampia varietà di integrazioni. Alcune offrono persino funzionalità simili. Ad esempio, l'integrazione Google Colab offre un ambiente in stile notebook che supporta l'addestramento di YOLO11, incluso l'addestramento su misura di un modello preaddestrato per attività specifiche. Con così tante integrazioni disponibili, è importante tenere presente ciò che rende unica l'integrazione JupyterLab.

Uno dei principali vantaggi dell'integrazione JupyterLab è il supporto alle estensioni. Queste estensioni possono fare una grande differenza nel tuo progetto di computer vision e semplificare il processo di sviluppo del modello. Ad esempio, puoi usare le estensioni Git per tenere traccia dei progressi, condividere il tuo lavoro con altre persone e assicurarti che il codice sia sempre ben manutenuto, senza uscire dall'interfaccia di JupyterLab.

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

• Gestione semplice delle celle: Gestire celle diverse in JupyterLab è facile. Invece del macchinoso metodo del taglia e incolla, puoi trascinare le celle per modificarne l'ordine.

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

• Visualizzazioni multiple: JupyterLab supporta più visualizzazioni dello stesso notebook, una funzione particolarmente utile per i notebook lunghi. Puoi aprire sezioni diverse una accanto all'altra per confrontarle o esplorarle; qualsiasi modifica apportata in una visualizzazione apparirà anche nell'altra.

• Passaggio semplice alla visualizzazione del notebook classico: Se hai più familiarità con l'interfaccia classica di Jupyter Notebook, JupyterLab ti offre un modo semplice per tornare indietro. Ti basta sostituire “/lab” nel link del browser con “/tree” per tornare alla visualizzazione del notebook che conosci.

Applicazioni dell'integrazione JupyterLab e di Ultralytics YOLO11#

Ora esploriamo alcune applicazioni pratiche dell'utilizzo di Ultralytics YOLO11 con l'integrazione JupyterLab.

Ad esempio, uno sviluppatore che lavora su tecnologie di monitoraggio della fauna selvatica può usare l'integrazione JupyterLab per addestrare un modello YOLO11. Addestrando YOLO11 su misura, può creare applicazioni di computer vision che identificano specie a rischio di estinzione nei filmati acquisiti dai droni. JupyterLab semplifica questo processo offrendo un unico spazio di lavoro per esplorare i dati, eseguire il preprocessing e addestrare i modelli. Gli sviluppatori possono eseguire il codice, testare i modelli e visualizzare i risultati in un unico ambiente, mantenendo il flusso di lavoro semplice e organizzato.

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

Oltre alla conservazione della fauna selvatica, la combinazione affidabile di Ultralytics YOLO11 e JupyterLab può essere utilizzata in diverse applicazioni del mondo reale, come:

• Computer vision nell'agricoltura: Il supporto di Ultralytics YOLO11 a diverse attività di computer vision può aiutare a rilevare malattie delle colture, monitorare la crescita delle piante o identificare le erbe infestanti nelle immagini acquisite da droni o satelliti, mentre JupyterLab semplifica l'analisi dei dati e l'ottimizzazione dei modelli.

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

• AI nella logistica: Attività come il monitoraggio dell'inventario e la scansione dei pacchi possono essere automatizzate usando YOLO11, che rileva gli oggetti nelle immagini e vi traccia intorno riquadri di delimitazione per indicarne la posizione, mentre JupyterLab offre strumenti per addestrare, convalidare e testare in modo efficiente i modelli utilizzando dati logistici.

Vantaggi dell'integrazione JupyterLab#

Ecco una rapida panoramica di alcuni dei modi unici in cui l'integrazione JupyterLab apporta vantaggi alla vision AI in generale:

• Accesso remoto e scalabilità: Può essere eseguita sia su piattaforme cloud sia 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 utilizzato, JupyterLab supporta altri linguaggi come R, Julia e Scala, risultando versatile per flussi di lavoro diversi.

• Integrazione dei dati: JupyterLab si integra perfettamente con database, archiviazione cloud e strumenti di elaborazione dei dati, semplificando la gestione dei grandi dataset necessari per l'addestramento della vision AI.

Punti chiave#

L'integrazione JupyterLab è uno strumento utile che semplifica il lavoro con modelli di computer vision come Ultralytics YOLO11. Ti offre un unico spazio di lavoro in cui puoi organizzare i dati, addestrare e testare modelli personalizzati e collaborare con altri sviluppatori. Grazie alle sue utili estensioni e ai componenti aggiuntivi, puoi concentrarti sulla creazione e sul miglioramento dei modelli invece di preoccuparti della configurazione dell'ambiente di lavoro.

Che tu stia contribuendo a proteggere la fauna selvatica, migliorando le scansioni mediche o controllando la qualità dei prodotti nelle fabbriche, l'integrazione 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'AI. Puoi anche esplorare altre applicazioni, come la computer vision nella produzione o l'AI nelle auto a guida autonoma, nelle nostre pagine dedicate alle soluzioni.