Обучай Ultralytics YOLO11, используя интеграцию JupyterLab

Работа с моделями компьютерного зрения может приносить удовольствие, особенно когда ты видишь, что твоя модель показывает хорошие результаты. Как правило, процесс разработки в области компьютерного зрения включает несколько простых шагов, таких как подготовка наборов данных и дообучение моделей, например Ultralytics YOLO11. Однако некоторые этапы этого процесса могут оказаться сложными для новичков, например настройка среды разработки. Именно поэтому Ultralytics поддерживает интеграции, такие как JupyterLab, которые могут упростить эти шаги.

В частности, интеграция с JupyterLab предлагает интерактивную и удобную среду разработки, которая упрощает изучение и эксперименты с моделями компьютерного зрения. JupyterLab предоставляет тебе интегрированное рабочее пространство. Используя его, ты можешь сразу приступить к изучению и созданию моделей компьютерного зрения, не отвлекаясь на установку и настройку сред.

Например, JupyterLab предоставляет инструменты и функции, такие как блокноты для запуска кода, текстовые редакторы для создания документации и терминалы для взаимодействия с системой. По сути, JupyterLab позволяет тебе легко экспериментировать с моделями Ultralytics YOLO11 и обучать их прямо на своем компьютере. В этой статье мы рассмотрим интеграцию с YOLO11, принципы ее работы и преимущества, которые она дает.

Link to this sectionЧто такое JupyterLab?#

JupyterLab — это веб-инструмент, который помогает тебе писать и запускать код, организовывать данные и создавать визуальные отчеты в одном месте. Он является частью Project Jupyter, который был запущен в 2014 году, чтобы сделать программирование более интерактивным и удобным. Созданный как обновление Jupyter Notebook, он был впервые выпущен в 2018 году и обычно используется для таких задач, как анализ данных, создание графиков и построение моделей машинного обучения.

JupyterLab позволяет тебе работать с кодом и данными интерактивно, делая экспериментирование и изучение идей простыми. Ты также можешь создавать и обмениваться документами, которые легко объединяют код, текст и визуальные элементы — это идеально подходит для совместной работы и презентаций. Кроме того, гибкий интерфейс позволяет тебе располагать инструменты, такие как блокноты, текстовые файлы и терминалы, рядом друг с другом, а плагины можно добавлять для дальнейшего расширения функциональности в соответствии с потребностями твоего проекта.

Рис 1. Компоненты JupyterLab.

Вот еще несколько интересных особенностей JupyterLab:

• Простое создание проектов: JupyterLab упрощает создание и обмен проектами с визуальными элементами, такими как диаграммы, графики и панели мониторинга, а также изображениями, видео и другими медиафайлами.

• Совместная работа с другими: Ты можешь легко сотрудничать с другими пользователями, делясь блокнотами и отслеживая изменения с помощью таких инструментов, как Git.

• Отлично подходит для новичков: Он популярен в учебных заведениях для обучения программированию и анализу данных, в исследованиях для проверки идей и в разработке для таких задач, как тестирование программного обеспечения и управление рабочими процессами данных.

Link to this sectionИспользование JupyterLab для работы над проектами Ultralytics YOLO11#

Теперь, когда у нас есть лучшее понимание того, что такое JupyterLab, давай рассмотрим, что именно включает в себя интеграция с JupyterLab и как ты можешь использовать ее при работе с YOLO11.

JupyterLab — отличный инструмент для работы над проектами с моделями Ultralytics YOLO11. Он упрощает процесс разработки, предоставляя универсальную среду, где ты можешь управлять задачами и документами, не переключаясь между платформами. Интерактивный интерфейс позволяет тебе запускать код и мгновенно видеть результаты, что идеально подходит для исследования данных или понимания того, как работает твоя модель YOLO11. Ты также можешь использовать расширения, такие как Plotly, для создания интерактивных графиков, которые помогают визуализировать и улучшать твои модели YOLO11.

Например, предположим, что ты работаешь над инновационным проектом, связанным с ИИ в здравоохранении. Ты планируешь выполнить пользовательское обучение YOLO11, чтобы помочь врачам в обнаружении опухолей на рентгеновских снимках или изображениях КТ в реальном времени. YOLO11 можно обучить с использованием набора размеченных медицинских изображений, которые выделяют как нормальные, так и аномальные области. Благодаря интеграции с JupyterLab ты можешь обучать и дообучать модели YOLO11 прямо в совместной, удобной для программирования среде. Она также предлагает инструменты для управления наборами данных, запуска экспериментов и проверки точности модели, что делает внедрение искусственного интеллекта в здравоохранении проще и эффективнее.

Link to this sectionКак работает интеграция с JupyterLab#

Пользовательское обучение моделей YOLO11 в JupyterLab выполняется просто. Платформа похожа на своего предшественника, Jupyter Notebook или Google Colab, и предоставляет предварительно настроенную среду, с которой легко начать работу.

Чтобы настроить JupyterLab для своего проекта YOLO11, начни с загрузки файла tutorial.ipynb из репозитория Ultralytics на GitHub и сохранения его в нужную директорию. Затем открой любой редактор кода или терминал и выполни команду pip install jupyterlab для установки JupyterLab. Платформа автоматически откроется и отобразит окно, показанное ниже.

Рис 2. Начальная страница запуска JupyterLab.

После завершения установки перейди в директорию, где ты сохранил файл блокнота, и выполни команду jupyter lab, чтобы запустить платформу. Это откроет JupyterLab в твоем браузере по умолчанию, где ты сможешь загрузить файл tutorial.ipynb и начать изучение YOLO11. В этой интерактивной среде ты можешь запускать код в блокноте по ячейкам, настраивать параметры и мгновенно видеть результаты. JupyterLab позволяет легко просматривать выводы, делать заметки и пробовать различные конфигурации в одном месте.

Рис 3. Открытие блокнота YOLO11 tutorial.ipynb в интерфейсе JupyterLab.

Чтобы лучше понять процесс обучения моделей Ultralytics YOLO и лучшие практики, ты можешь обратиться к официальной документации Ultralytics.

Link to this sectionВыбор интеграции с JupyterLab: почему она выделяется#

Изучая документацию по интеграциям Ultralytics, ты заметишь, что существует множество интеграций на выбор. Некоторые из них даже предлагают похожие функции. Например, интеграция с Google Colab предлагает среду в стиле блокнота, которая поддерживает обучение YOLO11, включая пользовательское обучение предобученной модели для конкретных задач. Учитывая такое количество интеграций, важно помнить, что делает интеграцию с JupyterLab уникальной.

Одним из ключевых преимуществ использования интеграции с JupyterLab является поддержка расширений. Эти расширения могут существенно изменить твой проект компьютерного зрения и оптимизировать процесс разработки модели. Например, ты можешь использовать расширения Git, чтобы отслеживать свой прогресс, делиться своей работой с другими и гарантировать, что твой код всегда поддерживается в актуальном состоянии – и все это, не покидая интерфейс JupyterLab.

Вот еще несколько причин, почему интеграция с JupyterLab может стать отличным выбором для твоего проекта:

• Удобное управление ячейками: Управлять ячейками в JupyterLab очень просто. Вместо утомительного метода «вырезать-вставить» ты можешь перетаскивать ячейки, чтобы изменить их порядок.

• Копирование ячеек между блокнотами: Ты можешь легко копировать ячейки между разными блокнотами, просто перетаскивая их из одного блокнота в другой.

• Несколько представлений: JupyterLab поддерживает несколько представлений одного и того же блокнота, что особенно полезно для длинных блокнотов. Ты можешь открыть разные разделы рядом, чтобы сравнить или изучить их, и любые изменения, которые ты внесешь в одном представлении, появятся в другом.

• Легкое переключение на классический вид блокнота: Для тех, кто больше привык к классическому интерфейсу Jupyter Notebook, JupyterLab предлагает простое переключение обратно. Ты можешь просто заменить «/lab» в ссылке браузера на «/tree», чтобы вернуться к привычному виду блокнота.

Link to this sectionПрименение интеграции с JupyterLab и YOLO11#

Давай рассмотрим некоторые практические варианты применения работы с YOLO11 с использованием интеграции с JupyterLab.

Например, разработчик, работающий над технологиями мониторинга дикой природы, может использовать интеграцию с JupyterLab для обучения модели YOLO11. Выполняя пользовательское обучение YOLO11, разработчики могут создавать приложения компьютерного зрения, которые идентифицируют исчезающие виды по кадрам с дронов. JupyterLab облегчает этот процесс, предоставляя единое рабочее пространство для изучения данных, предобработки и обучения моделей. Разработчики могут запускать код, тестировать модели и просматривать результаты в одном месте, сохраняя рабочий процесс простым и организованным.

Рис 4. Пример использования моделей Ultralytics YOLO для обнаружения видов диких животных.

Помимо охраны дикой природы, надежная комбинация YOLO11 и JupyterLab может использоваться в различных реальных приложениях, таких как:

• Компьютерное зрение в сельском хозяйстве: Поддержка YOLO11 для различных задач компьютерного зрения может помочь в обнаружении болезней сельскохозяйственных культур, мониторинге роста растений или выявлении сорняков по изображениям с дронов или спутников, при этом JupyterLab оптимизирует анализ данных и настройку моделей.

• Контроль качества на производстве: Анализируя изображения в режиме реального времени, YOLO11 может идентифицировать дефекты продуктов на сборочных линиях, а JupyterLab предоставляет централизованную среду для уточнения моделей и оценки результатов.

• ИИ в логистике: Такие задачи, как отслеживание запасов и сканирование посылок, могут быть автоматизированы с помощью YOLO11, которая обнаруживает объекты на изображениях и помещает их в ограничивающие рамки (bounding boxes) для указания их местоположения, в то время как JupyterLab предоставляет инструменты для эффективного обучения, проверки и тестирования моделей с использованием логистических данных.

Link to this sectionПреимущества интеграции с JupyterLab#

Вот краткий обзор некоторых уникальных способов, которыми интеграция с JupyterLab помогает компьютерному зрению на базе ИИ в целом:

• Удаленный доступ и масштабируемость: Она может работать как на облачных платформах, так и на удаленных серверах, обеспечивая доступ к мощным вычислительным ресурсам и совместным исследованиям.

• Поддержка нескольких языков программирования: Хотя Python является наиболее часто используемым языком, JupyterLab поддерживает другие языки, такие как R, Julia и Scala, что делает его универсальным для различных рабочих процессов.

• Интеграция данных: JupyterLab легко интегрируется с базами данных, облачными хранилищами и инструментами обработки данных, что облегчает работу с большими наборами данных, необходимыми для обучения в области компьютерного зрения.

Link to this sectionОсновные выводы#

Интеграция с JupyterLab — это полезный инструмент, который упрощает работу с моделями компьютерного зрения, такими как YOLO11. Она дает тебе единое рабочее пространство, где ты можешь организовать свои данные, обучать и тестировать пользовательские модели, а также работать с другими разработчиками. Благодаря полезным расширениям и дополнениям ты можешь сосредоточиться на создании и улучшении своих моделей, не беспокоясь о настройке рабочей среды.

Независимо от того, помогаешь ли ты защищать дикую природу, улучшаешь медицинские сканирования или проверяешь качество продукции на заводах, интеграция с JupyterLab, поддерживаемая Ultralytics, делает этот процесс проще и эффективнее.

Присоединяйся к нашему сообществу и загляни в наш репозиторий на GitHub или руководства, чтобы узнать больше об ИИ. Ты также можешь ознакомиться с другими приложениями, такими как компьютерное зрение в производстве или ИИ в самоуправляемых автомобилях, на наших страницах решений.