Addestra Ultralytics YOLO11 usando l'integrazione di JupyterLab

Lavorare con modelli di visione artificiale può essere entusiasmante, soprattutto quando vedi che il tuo modello ottiene buoni risultati. In genere, il processo di sviluppo della visione artificiale comprende alcuni passaggi semplici, come preparare i dataset e ottimizzare i modelli, ad esempio Ultralytics YOLO11. Tuttavia, alcune fasi del processo possono essere complicate per chi è alle prime armi, come configurare un ambiente di sviluppo. È proprio per questo che Ultralytics supporta integrazioni come JupyterLab, che possono semplificare queste fasi.

In particolare, l'integrazione con JupyterLab offre un ambiente di sviluppo interattivo e intuitivo che semplifica l'esplorazione e la sperimentazione con i modelli di visione artificiale. JupyterLab mette a tua disposizione un ambiente di lavoro integrato. Puoi iniziare subito a esplorare e creare modelli di visione artificiale, senza distrarti con l'installazione e la configurazione degli ambienti.

Per esempio, JupyterLab offre strumenti e funzionalità come notebook per eseguire codice, editor di testo per creare documentazione e terminali per interagire con il sistema. Inoltre, JupyterLab ti permette di sperimentare e addestrare facilmente i modelli Ultralytics YOLO11 direttamente sul tuo computer. In questo articolo vedremo la sua integrazione con YOLO11, come funziona e quali vantaggi 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, tutto in un unico posto. Fa parte di Project Jupyter, nato nel 2014 per rendere la programmazione più interattiva e intuitiva. Creato come versione migliorata 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 lo sviluppo di modelli di machine learning.

JupyterLab ti permette di lavorare in modo interattivo con codice e dati, semplificando la sperimentazione e l’esplorazione delle idee. Puoi anche creare e condividere documenti che combinano codice, testo ed elementi visivi: l’ideale per collaborare e preparare presentazioni. Inoltre, la sua interfaccia flessibile ti consente di organizzare affiancati strumenti come notebook, file di testo e terminali; puoi anche aggiungere plugin per estenderne ulteriormente le funzionalità e adattarlo alle esigenze del tuo progetto.

Fig. 1. Componenti di JupyterLab.

Ecco alcune altre funzionalità interessanti di JupyterLab:

• Creazione semplice di progetti: JupyterLab semplifica la creazione e la condivisione di progetti con elementi visivi come grafici e dashboard, oltre a immagini, video e altri contenuti multimediali.
• Collaborazione: puoi collaborare facilmente con altre persone condividendo notebook e tenendo traccia delle modifiche con strumenti come Git.
• Ideale per chi è alle prime armi: è molto usato nelle aule per insegnare la programmazione e l'analisi dei dati, nella ricerca per mettere alla prova le idee e nello sviluppo per attività come il testing del software e la gestione dei flussi di lavoro dei dati.

Usare JupyterLab per lavorare ai progetti Ultralytics YOLO11#

Ora che abbiamo un'idea più chiara di cos'è JupyterLab, vediamo in cosa consiste esattamente la sua integrazione e come sfruttarla quando lavori con Ultralytics YOLO11.

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

Per esempio, supponiamo che tu stia lavorando a un progetto innovativo che applica l'IA alla sanità. Hai intenzione di addestrare Ultralytics YOLO11 su dati personalizzati per aiutare i medici a rilevare tumori in tempo reale nelle immagini radiografiche o TC. YOLO11 può essere addestrato su un dataset di immagini mediche etichettate che evidenziano aree normali e anomale. Con l'integrazione di JupyterLab, puoi addestrare e ottimizzare i modelli YOLO11 direttamente in un ambiente collaborativo e adatto alla programmazione. Offre anche strumenti per gestire i dataset, eseguire esperimenti e convalidare l'accuratezza del modello, rendendo più semplice ed efficiente adottare l'IA visiva in ambito sanitario.

Come funziona l'integrazione di JupyterLab#

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

Per configurare JupyterLab per il tuo progetto YOLO11, scarica il file tutorial.ipynb dal repository GitHub di Ultralytics e salvalo nella directory che preferisci (il notebook è stato successivamente aggiornato per usare Ultralytics YOLO26). Poi apri un terminale ed esegui il comando pip install jupyterlab per installare JupyterLab. Una volta avviato (vedi il passaggio successivo), JupyterLab mostrerà la pagina iniziale illustrata qui sotto.

Fig. 2. Pagina iniziale di JupyterLab.

Al termine dell'installazione, vai alla directory in cui hai salvato il file notebook ed esegui il comando jupyter lab per avviare la piattaforma. JupyterLab si aprirà nel browser predefinito: da lì puoi 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 vedere subito i risultati. JupyterLab semplifica la visualizzazione degli output, l'aggiunta di note e la prova di diverse configurazioni, tutto in un unico posto.

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

Per approfondire il processo di addestramento dei modelli Ultralytics YOLO e le procedure consigliate, consulta la guida ai consigli per l’addestramento dei modelli di Ultralytics.

Scegliere l'integrazione di JupyterLab: cosa la distingue#

Esplorando la documentazione sulle integrazioni di Ultralytics, noterai che puoi scegliere tra un'ampia varietà di integrazioni. Alcune offrono persino funzionalità simili. Per esempio, l'integrazione con Google Colab offre un ambiente basato su notebook che supporta l'addestramento di YOLO11, compreso l'addestramento personalizzato di un modello preaddestrato per attività specifiche. Con così tante integrazioni disponibili, è importante capire cosa rende unica quella di JupyterLab.

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

Ecco altri motivi per cui l’integrazione con JupyterLab potrebbe essere un’ottima scelta per il tuo progetto:

• Gestione semplice delle celle: gestire le diverse celle in JupyterLab è facile. Invece di ricorrere al noioso metodo del taglia e incolla, puoi trascinare le celle per riordinarle.
• Copia di celle tra notebook: puoi copiare facilmente le celle da un notebook all'altro trascinandole.
• Visualizzazioni multiple: JupyterLab supporta più visualizzazioni dello stesso notebook, una funzionalità particolarmente utile per i notebook lunghi. Puoi aprire sezioni diverse una accanto all'altra per confrontarle o esplorarle; le modifiche apportate in una visualizzazione appariranno anche nell'altra.
• Passaggio semplice alla visualizzazione classica dei notebook: se hai più familiarità con l'interfaccia classica di Jupyter Notebook, JupyterLab ti permette di tornare facilmente a quella visualizzazione. Ti basta sostituire «/lab» con «/tree» nel link del browser per tornare alla consueta vista dei notebook.

Applicazioni dell'integrazione di JupyterLab e di Ultralytics YOLO11#

Ora vediamo alcune applicazioni pratiche di Ultralytics YOLO11 con l'integrazione di JupyterLab.

Per esempio, uno sviluppatore che lavora a tecnologie per il monitoraggio della fauna selvatica può usare l'integrazione di JupyterLab per addestrare un modello YOLO11. Addestrando YOLO11 su dati personalizzati, può creare applicazioni di visione artificiale che identificano le specie a rischio di estinzione nelle riprese dei droni. JupyterLab semplifica il processo mettendo a disposizione un unico ambiente di lavoro per esplorare i dati, preelaborarli e addestrare i modelli. Gli sviluppatori possono eseguire codice, testare modelli e visualizzare i risultati in un unico posto, mantenendo il flusso di lavoro semplice e organizzato.

Fig. 4. Esempio di utilizzo dei modelli Ultralytics YOLO per rilevare specie selvatiche.

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

• Visione artificiale in agricoltura: il supporto di Ultralytics YOLO11 per diverse attività di visione artificiale può aiutare a rilevare malattie delle colture, monitorare la crescita delle piante o individuare le erbe infestanti nelle immagini riprese da droni o satelliti, mentre JupyterLab semplifica l'analisi dei dati e l'ottimizzazione dei modelli.
• Controllo qualità nel settore manifatturiero: analizzando le immagini in tempo reale, Ultralytics YOLO11 può individuare difetti nei prodotti sulle linee di assemblaggio, mentre JupyterLab offre un ambiente centralizzato per perfezionare i modelli e valutare i risultati.
• IA nella logistica: attività come il monitoraggio delle scorte e la scansione dei pacchi possono essere automatizzate con YOLO11, che rileva gli oggetti nelle immagini e li racchiude in riquadri di delimitazione per indicarne la posizione. JupyterLab offre invece strumenti per addestrare, convalidare e testare i modelli in modo efficiente usando dati logistici.

Vantaggi dell'integrazione di JupyterLab#

Ecco una rapida panoramica di alcuni dei modi in cui l'integrazione di JupyterLab è vantaggiosa per l'IA visiva in generale:

• Accesso remoto e scalabilità: può funzionare sia su piattaforme cloud sia su server remoti, consentendo l'accesso a potenti risorse di calcolo e la collaborazione nella ricerca.
• Supporto per più linguaggi di programmazione: sebbene Python sia il linguaggio più usato, JupyterLab supporta anche linguaggi come R, Julia e Scala, rendendolo versatile per flussi di lavoro diversi.
• Integrazione dei dati: JupyterLab si integra con database, archiviazione cloud e strumenti di elaborazione dei dati, facilitando la gestione dei grandi insiemi di dati necessari per addestrare sistemi di AI visiva.

Punti chiave#

L'integrazione di JupyterLab è uno strumento utile che semplifica il lavoro con modelli di visione artificiale come Ultralytics YOLO11. Ti offre un unico ambiente di lavoro in cui organizzare i dati, addestrare e testare modelli personalizzati e collaborare con altri sviluppatori. Grazie alle sue estensioni e ai componenti aggiuntivi, puoi concentrarti sulla creazione e sul miglioramento dei modelli, senza 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 in fabbrica, 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 approfondire l’AI. Puoi anche esplorare altre applicazioni, come la visione artificiale nella produzione o l’AI nelle auto a guida autonoma, nelle pagine dedicate alle nostre soluzioni.