JupyterLab統合を使用してUltralytics YOLO11をトレーニングする

コンピュータービジョンモデルの開発は、モデルが良好な性能を発揮するのを見ると特にやりがいがあります。通常、コンピュータービジョンの開発プロセスには、データセットの準備や、Ultralytics YOLO11などのモデルのファインチューニングといった、いくつかのシンプルなステップがあります。しかし、開発環境のセットアップなど、初心者には難しい工程もあります。こうしたステップを簡単にするJupyterLabなどのインテグレーションをUltralyticsがサポートしているのは、まさにそのためです。

具体的には、JupyterLabインテグレーションによって、インタラクティブで使いやすい開発環境が提供され、コンピュータービジョンモデルの調査や実験が容易になります。JupyterLabは統合されたワークスペースを提供します。環境のインストールやセットアップに煩わされることなく、コンピュータービジョンモデルの調査や構築にすぐ取り組めます。

たとえば、JupyterLabには、コードを実行するノートブック、ドキュメントを作成するテキストエディター、システムを操作するターミナルなどのツールや機能が用意されています。実際、JupyterLabを使えば、Ultralytics YOLO11モデルをコンピューター上で直接、簡単に試したりトレーニングしたりできます。この記事では、YOLO11とのインテグレーション、その仕組み、メリットを解説します。

JupyterLabとは何ですか？#

JupyterLabは、コードの作成と実行、データの整理、ビジュアルレポートの作成を1か所で行えるWebベースのツールです。コーディングをよりインタラクティブで使いやすくするため、2014年に始まったProject Jupyterの一部です。Jupyter Notebookをアップグレードする形で開発され、2018年に初めてリリースされました。データ分析、グラフの作成、機械学習モデルの構築などに広く利用されています。

JupyterLabではコードやデータをインタラクティブに扱えるため、アイデアの実験や検討を簡単に行えます。コード、テキスト、ビジュアルを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、柔軟なインターフェースでは、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横に並べて整理でき、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拡張できます。

図1. JupyterLabのコンポーネント。

JupyterLabには、ほかにも次のような便利な機能があります。

• プロジェクトを簡単に作成：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、ダッシュボードなどのビジュアルを含むプロジェクトを簡単に作成して共有できます。
• ほかのユーザーとの共同作業：ノートブックを共有したり、Gitなどのツールで変更を追跡したりして、ほかのユーザーと簡単に共同作業できます。
• 初心者にも適しています：教室ではコーディングやデータ分析の指導に、研究ではアイデアの検証に、開発ではソフトウェアテストやデータワークフローの管理などに広く利用されています。

JupyterLabでUltralytics YOLO11プロジェクトに取り組む#

JupyterLabについて理解が深まったところで、JupyterLabインテグレーションの具体的な内容と、Ultralytics YOLO11を使った作業での活用方法を見ていきましょう。

JupyterLabは、Ultralytics YOLO11モデルを使ったプロジェクトに最適なツールです。プラットフォームを切り替えずにタスクやドキュメントを管理できるオールインワン環境を提供し、開発プロセスを簡素化します。インタラクティブなインターフェースではコードを実行して結果をすぐに確認できるため、データの調査やYOLO11モデルの性能の把握に役立ちます。Plotlyなどの拡張機能を使ってインタラクティブなグラフを作成し、YOLO11モデルの可視化や改善に役立てることもできます。

たとえば、医療分野でAIを活用する革新的なプロジェクトに取り組んでいるとします。X線画像やCTスキャン画像から腫瘍をリアルタイムに検出し、医師を支援するために、Ultralytics YOLO11をカスタムトレーニングする予定です。YOLO11は、正常領域と異常領域の両方を示すラベル付き医療画像のデータセットを使ってトレーニングできます。JupyterLabインテグレーションを使えば、共同作業に適したコード中心の環境でYOLO11モデルを直接トレーニングし、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、モデル精度の検証に使えるツールも提供されるため、医療分野のビジョンAIをより簡単かつ効率的に導入できます。

JupyterLabインテグレーションの仕組み#

JupyterLabでUltralytics YOLO11モデルをカスタムトレーニングするのは簡単です。このプラットフォームは、前身のJupyter NotebookやGoogle Colabに似ており、すぐに使い始められるよう事前設定された環境を提供します。

YOLO11プロジェクト用にJupyterLabを設定するには、まずUltralyticsのGitHubリポジトリからtutorial.ipynbファイルをダウンロードし、任意のディレクトリに保存します（このノートブックはその後、Ultralytics YOLO26を使用するよう更新されています）。次に、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。起動すると（次の手順を参照）、以下に示すスタートアップページが表示されます。

図2. JupyterLabの初回起動ページ。

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、jupyter labコマンドを実行してプラットフォームを起動します。既定のWebブラウザーでJupyterLabが開くので、tutorial.ipynbファイルを読み込み、YOLO11の調査を始めることができます。このインタラクティブな環境では、ノートブックのコードをセルごとに実行し、設定を調整して、結果をすぐに確認できます。JupyterLabを使えば、出力の確認、メモの記入、さまざまな設定の試行を1か所で簡単に行えます。

図3. JupyterLabのインターフェースでUltralytics 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やベストプラクティスをより深く理解するには、Ultralyticsのモデルのトレーニングに関するヒントのガイドをご覧ください。

JupyterLabインテグレーションを選ぶ理由：際立つ特長#

Ultralyticsインテグレーションのドキュメントを見ると、さまざまなインテグレーションが用意されていることが分かります。似た機能を備えたものもあります。たとえばGoogle Colabインテグレーションでは、YOLO11のトレーニングや、事前トレーニング済みモデルの特定タスク向けカスタムトレーニングに対応したノートブック形式の環境が利用できます。多くのインテグレーションの中から選ぶ際には、JupyterLabインテグレーションならではの特長を把握しておくことが重要です。

JupyterLabインテグレーションの主な利点の1つは、拡張機能に対応していることです。拡張機能はコンピューター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効率化できます。たとえばGit拡張機能を使えば、JupyterLabのインターフェースを離れることなく、進捗を追跡し、成果を共有し、コードを常に適切に保守できます。

JupyterLabがプロジェクトに適している理由は、ほかにもあります。

• セルを簡単に管理：JupyterLabでは、異なるセルを簡単に管理できます。面倒な切り取りや貼り付けをする代わりに、セルをドラッグ＆ドロップして並べ替えられます。
• ノートブック間でセルをコピー：あるノートブックから別のノートブックへセルをドラッグ＆ドロップするだけで、セルを簡単にコピーできます。
• 複数のビュー：JupyterLabでは、同じノートブックを複数のビューで表示できます。長いノートブックで特に便利な機能です。異なるセクションを横に並べて開き、比較や確認ができます。一方のビューで行った変更は、もう一方にも反映されます。
• 従来のノートブックビューに簡単に切り替え：従来のJupyter Notebookインターフェースに慣れている場合、JupyterLabから簡単に戻すことができます。ブラウザーのリンクにある「/lab」を「/tree」に置き換えるだけで、使い慣れたノートブックビューに戻れます。

JupyterLabインテグレーションとUltralytics YOLO11の活用例#

次に、JupyterLabインテグレーションを使ってUltralytics YOLO11を活用する実践的な例をいくつか見ていきましょう。

たとえば、野生動物のモニタリング技術に取り組む開発者は、JupyterLabインテグレーションを使って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れば、ドローン映像から絶滅危惧種を識別するコンピュータービジョンアプリケーションを構築できます。JupyterLabは、データの調査、前処理、モデルのトレーニングを行う単一のワークスペースを提供し、このプロセスを容易にします。開発者はコードの実行、モデルのテスト、結果の確認をすべて1か所で行えるため、ワークフローをシンプルに整理できます。

図4. Ultralytics YOLOモデルを使って野生動物の種を検出する例。

野生生物の保護に加えて、Ultralytics YOLO11とJupyterLabの組み合わせは、次のようなさまざまな実環境の用途に活用できます。

• 農業分野のコンピュータービジョン：Ultralytics YOLO11は、さまざまなコンピュータービジョンタスクに対応しているため、作物の病気の検出、植物の生育状況のモニタリング、ドローンや衛星画像からの雑草の識別などに役立ちます。JupyterLabを使えば、データ分析とモデル最適化を効率化できます。
• 製造業の品質管理：画像をリアルタイムに分析して、Ultralytics YOLO11で組立ライン上の製品の欠陥を識別できます。また、JupyterLabはモデルの改善や結果の評価に使える一元的な環境を提供します。
• 物流分野のAI：在庫追跡や荷物のスキャンなどのタスクは、画像内の物体を検出し、その位置を示すバウンディングボックスを描画するYOLO11で自動化できます。また、JupyterLabは物流データを使っ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。

JupyterLabインテグレーションのメリット#

JupyterLabインテグレーションがビジョンAI全般にもたらす、独自のメリットを簡単にご紹介します。

• 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、高性能なコンピューティングリソースを利用し、共同研究を行えます。
• 複数のプログラミング言語に対応：最も広く使われている言語はPythonですが、JupyterLabはR、Julia、Scalaなどにも対応しており、さまざまなワークフローで活用できます。
• 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連携できるため、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扱いやすくなります。

重要なポイント#

JupyterLabインテグレーションは、Ultralytics YOLO11のようなコンピュータービジョンモデルを扱いやすくする便利なツールです。データの整理、カスタムモデルのトレーニングとテスト、ほかの開発者との共同作業を1つのワークスペースで行えます。便利な拡張機能やアドオンを利用できるため、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、医療画像の改善、工場での製品品質の検査など、どのような目的であっても、UltralyticsがサポートするJupyterLabインテグレーションによって、プロセスをよりシンプルかつ効率的に進められます。

コミュニティに参加し、GitHubリポジトリやガイドを確認して、AIについて学びましょう。ソリューションページでは、製造業におけるコンピュータービジョンや自動運転車におけるAIなど、ほかの活用事例もご覧いただけます。