JupyterLab統合を使用したUltralytics YOLO11のトレーニング

コンピュータビジョンモデルの開発は、特にモデルがうまく機能しているのを見ると非常にやりがいがあります。一般的に、コンピュータビジョン開発のプロセスには、データセットの準備や、Ultralytics YOLO11のようなモデルのファインチューニングといった、いくつかの直接的なステップが含まれます。しかし、開発環境のセットアップなど、初心者にとってはこのプロセスの一部が難しい場合があります。まさにそのために、Ultralyticsは JupyterLabのような統合をサポートしており、これらの手順を容易にしています。

具体的には、JupyterLab統合は、コンピュータビジョンモデルの探索と実験をシンプルにする、対話型で使いやすい開発環境を提供します。JupyterLabは統合されたワークスペースを提供します。これを使用することで、環境のインストールやセットアップに気を取られることなく、すぐにコンピュータビジョンモデルの探索と構築に取り掛かることができます。

例えば、JupyterLabはコードを実行するためのノートブック、ドキュメントを作成するためのテキストエディタ、システムとやり取りするためのターミナルといったツールや機能を提供します。実際、JupyterLabを使用すると、コンピュータ上で直接Ultralytics YOLO11モデルの実験とトレーニングを簡単に行うことができます。この記事では、YOLO11との統合、その仕組み、およびそれが提供する利点について解説します。

Link to this sectionJupyterLabとは何ですか？#

JupyterLabは、コードの記述と実行、データの整理、視覚的なレポートの作成をすべて1か所で行うのに役立つWebベースのツールです。これは、コーディングをより対話的で使いやすくするために2014年に開始されたProject Jupyterの一部です。Jupyter Notebookのアップグレード版として構築され、2018年に初めてリリースされました。データの分析、グラフの作成、機械学習モデルの構築といったタスクで一般的に使用されています。

JupyterLabを使用すると、コードとデータを対話形式で操作できるため、アイデアの実験や探索が簡単になります。また、コード、テキスト、視覚資料をシームレスに組み合わせたドキュメントを作成して共有することもでき、コラボレーションやプレゼンテーションに最適です。さらに、その柔軟なインターフェースにより、ノートブック、テキストファイル、ターミナルなどのツールを並べて整理することができ、プラグインを追加してプロジェクトのニーズに合わせて機能をさらに拡張することも可能です。

図1. JupyterLabの構成要素。

JupyterLabのその他の興味深い機能をいくつか紹介します：

• プロジェクト作成の容易さ： JupyterLabでは、画像、動画、その他のメディアに加え、チャート、グラフ、ダッシュボードといった視覚資料を含むプロジェクトを簡単に作成し、共有できます。

• 他者とのコラボレーション： ノートブックを共有し、Gitなどのツールを使用して変更を追跡することで、他者と簡単にコラボレーションできます。

• 初心者にも最適： コーディングやデータ分析の教育を行う教室、アイデアを検証する研究現場、ソフトウェアテストやデータワークフロー管理といった開発現場で広く利用されています。

Link to this sectionJupyterLabを使用したUltralytics YOLO11プロジェクトの作業#

JupyterLabがどのようなものか理解が深まったところで、JupyterLab統合に具体的に何が含まれているのか、またYOLO11で作業する際にどのように活用できるのかを探っていきましょう。

JupyterLabは、Ultralytics YOLO11モデルを使用したプロジェクトに取り組むための優れたツールです。プラットフォームを切り替えることなく、タスクやドキュメントを管理できるオールインワンの環境を提供することで、開発プロセスを簡素化します。対話型のインターフェースにより、コードを実行して結果を即座に確認できるため、データの探索やYOLO11モデルのパフォーマンスの把握に最適です。また、Plotlyのような拡張機能を使用して、YOLO11モデルを可視化および調整するのに役立つインタラクティブなチャートを作成することもできます。

例えば、医療分野でAIを活用した革新的なプロジェクトに取り組んでいるとしましょう。あなたは、医師がX線画像やCTスキャン画像内の腫瘍をリアルタイムで物体検出するのを支援するために、YOLO11のカスタムトレーニングを計画しています。YOLO11は、正常な領域と異常な領域の両方を強調表示したラベル付き医療画像データセットを使用してトレーニングできます。JupyterLab統合を使用すれば、コラボレーションに適したコードフレンドリーな環境で、YOLO11モデルを直接トレーニングおよびファインチューニングできます。また、データセットの管理、実験の実行、モデル精度の検証を行うためのツールも提供されるため、医療現場でのビジョンAIの導入がより簡単かつ効率的になります。

Link to this sectionJupyterLab統合の仕組み#

JupyterLabでのYOLO11モデルのカスタムトレーニングは簡単です。このプラットフォームは前身であるJupyter NotebookやGoogle Colabと似ており、開始しやすい事前構成済みの環境を提供します。

YOLO11プロジェクトのためにJupyterLabをセットアップするには、まずUltralytics GitHubリポジトリからtutorial.ipynbファイルをダウンロードし、希望のディレクトリに保存します。次に、コードエディタまたはターミナルを開き、コマンド pip install jupyterlab を実行してJupyterLabをインストールします。プラットフォームは自動的に開き、以下に示すウィンドウが表示されます。

図2. JupyterLabの初期起動ページ。

インストールが完了したら、ノートブックファイルを保存したディレクトリに移動し、コマンド jupyter lab を実行してプラットフォームを起動します。これにより、デフォルトのWebブラウザでJupyterLabが開き、そこで tutorial.ipynb ファイルを読み込んでYOLO11の探索を開始できます。この対話型環境では、ノートブック内のコードをセルごとに実行し、設定を調整して、結果を即座に確認できます。JupyterLabを使用すると、出力の表示、メモの作成、さまざまなセットアップの試行をすべて1か所で行うことができます。

図3. JupyterLabのインターフェースでYOLO11 tutorial.ipynbノートブックを開く。

Ultralytics YOLOモデルのトレーニングプロセスとベストプラクティスの理解を深めるには、公式Ultralyticsドキュメントを参照してください。

Link to this sectionJupyterLab統合を選ぶ理由：その特徴とは#

Ultralytics統合ドキュメントを調べると、選択できる統合が多岐にわたっていることに気付くでしょう。一部には類似した機能を提供するものさえあります。例えば、Google Colab統合は、YOLO11のトレーニング（特定のタスクのための事前トレーニング済みモデルのカスタムトレーニングを含む）をサポートするノートブック形式の環境を提供します。多くの統合がある中で、JupyterLab統合が何をもってユニークなのかを心に留めておくことが重要です。

JupyterLab統合を使用する重要な利点の1つは、拡張機能のサポートです。これらの拡張機能は、コンピュータビジョンプロジェクトに大きな違いをもたらし、モデル開発プロセスを合理化します。例えば、Git拡張機能を使用して進行状況を追跡し、作業を他のユーザーと共有し、コードが常に適切にメンテナンスされていることを確認できます。これらすべてをJupyterLabインターフェースから離れることなく行えます。

JupyterLab統合がプロジェクトにとって素晴らしい選択肢となるその他の理由は以下の通りです：

• セル管理の容易さ： JupyterLabでのセル管理は簡単です。退屈なカットアンドペーストの手法ではなく、ドラッグアンドドロップでセルを並べ替えることができます。

• ノートブック間でのセルコピー： セルをドラッグアンドドロップするだけで、異なるノートブック間でセルを簡単にコピーできます。

• 複数の表示： JupyterLabは同じノートブックの複数表示をサポートしており、長いノートブックで特に便利です。異なるセクションを並べて比較や探索を行うことができ、一方の表示で行った変更は他方にも反映されます。

• クラシックノートブック表示への簡単な切り替え： クラシックなJupyter Notebookインターフェースに慣れているユーザー向けに、JupyterLabは簡単に切り替える方法を提供しています。ブラウザリンク内の「/lab」を「/tree」に置き換えるだけで、馴染みのあるノートブック表示に戻ることができます。

Link to this sectionJupyterLab統合とYOLO11のアプリケーション#

次に、JupyterLab統合を使用してYOLO11で作業する実用的なアプリケーションをいくつか見ていきましょう。

例えば、野生動物モニタリング技術に取り組む開発者は、JupyterLab統合を使用してYOLO11モデルをトレーニングできます。YOLO11をカスタムトレーニングすることで、ドローンの映像から絶滅危惧種を識別するコンピュータビジョンアプリケーションを構築できます。JupyterLabは、データの探索、前処理、モデルのトレーニングを行うための単一のワークスペースを提供することで、このプロセスを容易にします。開発者はコードを実行し、モデルをテストし、結果を確認する作業をすべて1か所で行えるため、ワークフローをシンプルかつ体系的に保つことができます。

図4。Ultralytics YOLOモデルを使用して野生動物を検出する例。

野生動物保護以外にも、YOLO11とJupyterLabの信頼性の高い組み合わせは、以下のようなさまざまな実世界のアプリケーションで使用できます：

• 農業におけるコンピュータビジョン： さまざまなコンピュータビジョンタスクに対するYOLO11のサポートは、ドローンや衛星画像から作物の病気を検出したり、植物の成長を監視したり、雑草を識別したりするのに役立ち、JupyterLabがデータ分析とモデル最適化を効率化します。

• 製造業における品質管理： 画像をリアルタイムで分析することで、YOLO11は組立ライン上の製品の欠陥を識別でき、JupyterLabはモデルの改良や結果の評価を行うための集中化された環境を提供します。

• 物流におけるAI： 在庫追跡や荷物のスキャンといったタスクは、画像内の物体を検出し、その周囲にbbox（境界ボックス）を配置して位置を示すYOLO11を使用して自動化できます。また、JupyterLabは物流データを使用してモデルを効率的にトレーニング、検証、テストするためのツールを提供します。

Link to this sectionJupyterLab統合の利点#

JupyterLab統合がビジョンAI全体にどのように貢献するのか、その独自の利点を簡単に紹介します：

• リモートアクセスとスケーラビリティ： クラウドプラットフォームとリモートサーバーの両方で実行できるため、強力なコンピューティングリソースへのアクセスや共同研究が可能になります。

• 複数のプログラミング言語のサポート： Pythonが最も一般的に使用される言語ですが、JupyterLabはR、Julia、Scalaなどの他の言語もサポートしており、多様なワークフローに対応できる汎用性を備えています。

• データ統合： JupyterLabは、データベース、クラウドストレージ、データ処理ツールとシームレスに統合されるため、ビジョンAIのトレーニングに必要な大規模データセットをより扱いやすくなります。

Link to this section重要なポイント#

JupyterLab統合は、YOLO11のようなコンピュータビジョンモデルの操作を容易にする便利なツールです。データを整理し、カスタムモデルをトレーニングおよびテストし、他の開発者と作業できる単一のワークスペースを提供します。役立つ拡張機能やアドオンを活用することで、作業環境のセットアップを心配することなく、モデルの構築と改善に集中できます。

野生動物の保護、医療スキャンの改善、工場での製品品質のチェックなど、UltralyticsがサポートするJupyterLab統合は、そのプロセスをよりシンプルかつ効率的にします。

私たちのコミュニティに参加し、GitHubリポジトリやガイドをチェックしてAIについて学習してください。また、ソリューションページで製造業におけるコンピュータビジョンや自動運転車におけるAIといったその他のアプリケーションを探索することもできます。