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

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確認できたときには、非常にエキサイティングです。通常、コンピュータ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などのモデルの微調整など、いくつかの簡単なステップが含まれます。ただし、開発環境のセットアップなど、初心者にとって難しい部分もあります。だからこそ、UltralyticsはJupyterLabのような統合をサポートし、これらのステップを簡単にしています。

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簡単にする、インタラクティブでユーザーフレンドリーな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。これを使用すると、環境のインストールとセットアップに気を取られることなく、コンピュータビジョンモデルの探索と構築にすぐに取り組むことができます。 

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、システムと対話するためのターミナルなどのツールと機能を提供します。実際、JupyterLabを使用すると、Ultralytics YOLO11モデルをコンピュータ上で直接簡単に試してトレーニングできます。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説明します。

JupyterLabとは？

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か所で行えるWebベースのツールです。これは、コーディングをよりインタラクティブでユーザーフレンドリーにすることを目的に2014年に始まったProject Jupyterの一部です。Jupyter Notebookのアップグレードとして構築され、2018年に最初にリリースされ、データの分析、チャートの作成、機械学習モデルの構築などのタスクによく使用されます。

JupyterLabを使用すると、コードやデータをインタラクティブに操作でき、アイデアの実験や検討が容易になります。また、コード、テキスト、ビジュアルをシームレスに組み合わせたドキュメントを作成・共有できるため、共同作業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。

‍

JupyterLabのその他の興味深い機能をいくつかご紹介します。

• 簡単なプロジェクト作成： JupyterLabを使用すると、チャート、グラフ、ダッシュボードなどのビジュアル、画像、ビデオ、その他のメディアとともに、プロジェクトを簡単に作成および共有できます。 

• 他のユーザーとのコラボレーション: ノートブックを共有し、Gitのようなツールを使用して変更を追跡することで、他のユーザーと簡単にコラボレーションできます。 

• 初心者にとって最適: コーディングとデータ分析を教えるための教室、アイデアをテストするための研究、およびソフトウェアテストやデータワークフローの管理などのタスクの開発で人気があります。

Ultralytics YOLO11プロジェクトでの作業にJupyterLabを使用

JupyterLabについて理解を深めたところで、JupyterLabの統合が具体的にどのようなもので、YOLO11を使用する際にどのように活用できるか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環境を提供することで、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により、コードを実行して結果をすぐに確認できるため、データの探索やYOLO11モデルのパフォーマンスの理解に最適です。また、Plotlyなどの拡張機能を使用して、YOLO11モデルの視覚化と改良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、ヘルスケアにおけるAIに関する革新的なプロジェクトに取り組んでいるとしましょう。YOLO11をカスタムトレーニングして、X線またはCTスキャン画像で医師が腫瘍をリアルタイムで物体検出できるようにすることを計画しています。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のデータセットを使用してトレーニングできます。JupyterLabとの統合により、共同的で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微調整できます。また、データセットの管理、実験の実行、モデルの精度検証のためのツールも提供されており、ヘルスケアにおけるVision AIの採用がより簡単かつ効率的になります。

JupyterLab連携の仕組み

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と同様に、すぐに始められるように事前構成された環境を提供します。

YOLO11プロジェクト用に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、任意のディレクトリに保存します。次に、任意のコードエディタまたはターミナルを開き、`pip install jupyterlab`コマンドを実行してJupyterLabをインストールします。プラットフォームが自動的に開き、以下に示すウィンドウが表示されます。

‍

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。これにより、デフォルトのWebブラウザでJupyterLabが開き、`tutorial.ipynb`ファイルをロードしてYOLO11の調査を開始できます。このインタラクティブな環境では、ノートブックセルごとにコードを実行し、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。

‍

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をよりよく理解するには、公式Ultralyticsドキュメントを参照してください。 

JupyterLab連携の選択：その際立った特徴

Ultralyticsの統合に関するドキュメントを見ると、選択できる統合の種類が非常に多いことに気づくでしょう。中には、同様の機能を提供するものもあります。例えば、Google Colabとの統合では、特定のタスクのために事前学習済みモデルをカスタムトレーニングするなど、YOLO11のトレーニングをサポートするノートブック形式の環境が提供されます。非常に多くの統合があるため、JupyterLabとの統合が他と比べて何がユニークなのかを念頭に置いておくことが重要です。 

JupyterLab統合を使用する主な利点の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できます。たとえば、Git拡張機能を使用して、進捗状況を追跡し、他のユーザーと作業を共有し、コードが常に適切に保守されていることを確認できます。これらはすべて、JupyterLabインターフェイスを離れることなく実行できます。

JupyterLab連携がお客様のプロジェクトにとって最適な選択肢となるその他の理由をいくつかご紹介します。

• 簡単なセルの管理： JupyterLabでのさまざまなセルの管理は簡単です。面倒なカットアンドペーストの方法の代わりに、セルをドラッグアンドドロップして再配置できます。

• ノートブック間でのセルのコピー：あるノートブックから別のノートブックにセルをドラッグアンドドロップすることで、異なるノートブック間でセルを簡単にコピーできます。

• 複数のビュー：JupyterLabは、同じノートブックの複数のビューをサポートしており、これは特に長いノートブックに役立ちます。異なるセクションを互いに隣に開いて比較または調べることができ、一方のビューで行った変更はもう一方のビューに表示されます。

• クラシックノートブックビューへの簡単な切り替え： 従来のJupyter Notebookインターフェースに慣れている場合は、JupyterLabで簡単に切り替えることができます。ブラウザリンクの「/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ることができます。

JupyterLab連携およびYOLO11の応用

次に、JupyterLab統合を使用してYOLO11を操作する際の、いくつかの実用的なアプリケーションを見ていきましょう。

例えば、野生生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、データの探索、前処理、モデルのトレーニングの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、コードの実行、モデルのテスト、結果の表示をすべて1か所で行うことができ、ワークフローをシンプルかつ整理された状態に保つことができます。

‍

野生生物の保護に加えて、YOLO11とJupyterLabの信頼性の高い組み合わせは、次のようなさまざまな現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: YOLO11は、多様なコンピュータビジョンタスクをサポートしており、JupyterLabによるデータ分析とモデル最適化により、ドローンや衛星画像から作物の病気の検出、植物の成長モニタリング、雑草の特定を支援します。

• 製造業における品質管理: YOLO11は、リアルタイムで画像を分析することにより、組立ライン上の製品の欠陥を特定できます。一方、JupyterLabは、モデルの改良と結果の評価を行うための一元化された環境を提供します。

• 物流におけるAI： 在庫追跡や荷物スキャンなどのタスクは、YOLO11を使用して自動化できます。YOLO11は、画像内の物体を検出し、その場所を示すバウンディングボックスを配置します。一方、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。

JupyterLab連携の利点

JupyterLabの統合が、ビジョンAI全般にもたらす独自の利点の概要を以下に示します。

• 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、強力なコンピューティングリソースへのアクセスと共同研究を可能にします。

• 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ます。

• データ統合：JupyterLabは、データベース、クラウドストレージ、およびデータ処理ツールとシームレスに統合できるため、Vision AIトレーニングに必要な大規模なデータセットの処理が容易になります。

主なポイント

JupyterLabの統合は、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。データの整理、カスタムモデルのトレーニングとテスト、他の開発者との連携を1つのワークスペースで行うことができます。便利な拡張機能やアドオンを使用することで、作業環境のセットアップに煩わされることなく、モデルの構築と改善に集中できます。 

野生生物の保護、医療スキャンの改善、工場での製品品質のチェックなど、どのような用途であれ、UltralyticsがサポートするJupyterLab統合により、プロセスがよりシンプルかつ効率的になります。

AIについて学ぶには、コミュニティにご参加いただき、GitHubリポジトリまたはガイドをご確認ください。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ビジョンや自動運転車におけるAIなど、さまざまな応用例も紹介しています。