Обучение Ultralytics YOLO11 с помощью интеграции с JupyterLab

Работа над моделями компьютерного зрения может быть захватывающей, особенно когда вы видите, что ваша модель работает хорошо. Обычно процесс разработки компьютерного зрения включает в себя несколько простых этапов, таких как подготовка наборов данных и тонкая настройка моделей, таких как Ultralytics YOLO11. Однако есть несколько частей этого процесса, которые могут быть сложными для новичков, например настройка среды разработки. Именно поэтому Ultralytics поддерживает такие интеграции, как JupyterLab, которые могут облегчить эти шаги.

В частности, интеграция Jupyterlab предлагает интерактивную и удобную среду разработки, которая упрощает изучение и экспериментирование с моделями компьютерного зрения. Jupyterlab предоставляет вам интегрированное рабочее пространство. С ее помощью вы можете сразу же приступить к изучению и построению моделей компьютерного зрения, не отвлекаясь на установку и настройку окружения. 

Например, JupyterLab предоставляет такие инструменты и возможности, как блокноты для выполнения кода, текстовые редакторы для создания документации и терминалы для взаимодействия с системой. Фактически, JupyterLab позволяет вам легко экспериментировать и обучать модели Ultralytics YOLO11 прямо на вашем компьютере. В этой статье мы рассмотрим его интеграцию с YOLO11, принцип работы и преимущества.

Что такое JupyterLab?

JupyterLab - это веб-инструмент, который помогает писать и выполнять код, организовывать данные и создавать визуальные отчеты в одном месте. Он является частью проекта Jupyter, который был запущен в 2014 году, чтобы сделать кодирование 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 работать с кодом и данными в интерактивном режиме, упрощая экспериментирование и изучение идей. Вы также можете создавать и обмениваться документами, в которых органично сочетаются код, текст и визуальные эффекты - идеальное решение для совместной работы и презентаций. Кроме того, гибкий интерфейс позволяет организовать такие инструменты, как блокноты, текстовые файлы и терминалы, а плагины могут быть добавлены для дальнейшего расширения функциональности в соответствии с потребностями вашего проекта.

‍

Вот еще несколько интересных особенностей JupyterLab:

• Простота создания проектов: JupyterLab позволяет легко создавать проекты и делиться ими с помощью визуальных средств, таких как диаграммы, графики и приборные панели, а также изображений, видео и других медиафайлов. 

• Сотрудничайте с другими: Вы можете легко сотрудничать с другими людьми, обмениваясь блокнотами и отслеживая изменения с помощью таких инструментов, как Git. 

• Отлично подходит для начинающих: Он популярен в школах для обучения кодированию и анализу данных, в исследованиях для проверки идей и в разработке для таких задач, как тестирование программного обеспечения и управление рабочими процессами данных.

Использование JupyterLab для работы над проектами Ultralytics YOLO11

Теперь, когда мы лучше понимаем, что такое JupyterLab, давайте рассмотрим, что именно включает в себя интеграция JupyterLab и как вы можете использовать ее при работе с YOLO11. 

JupyterLab - это отличный инструмент для работы над проектами с моделями Ultralytics YOLO11. Он упрощает процесс разработки, предоставляя единую среду, в которой вы можете управлять задачами и документами, не переключаясь между платформами. Интерактивный интерфейс позволяет запускать код и мгновенно видеть результаты, что идеально подходит для изучения данных или понимания того, как работает ваша модель YOLO11. Вы также можете использовать такие расширения, как Plotly, для создания интерактивных графиков, которые помогут визуализировать и уточнить ваши модели YOLO11.

Допустим, вы работаете над инновационным проектом, связанным с применением ИИ в здравоохранении. Вы планируете обучить YOLO11, чтобы он помогал врачам в режиме реального времени обнаруживать опухоли на рентгеновских или компьютерных снимках. YOLO11 можно обучить, используя набор данных помеченных медицинских изображений, на которых выделены нормальные и аномальные области. Благодаря интеграции с JupyterLab вы можете обучать и настраивать модели YOLO11 непосредственно в совместной среде, удобной для работы с кодом. Она также предлагает инструменты для управления наборами данных, проведения экспериментов и проверки точности моделей, что делает внедрение Vision AI в здравоохранении более простым и эффективным.

Как работает интеграция с JupyterLab

Обучение моделей YOLO11 на JupyterLab не требует особых усилий. Платформа похожа на своих предшественников, Jupyter Notebook или Google Colab, и предоставляет предварительно настроенную среду, которая позволяет легко начать работу.

Чтобы установить JupyterLab для вашего проекта YOLO11, начните с загрузки файла `tutorial.ipynb` из репозитория Ultralytics на GitHub и сохраните его в нужной вам директории. Затем откройте любой редактор кода или терминал и выполните команду `pip install jupyterlab` для установки JupyterLab. Платформа автоматически откроется и отобразит окно, показанное ниже.

‍

После завершения установки перейдите в каталог, где вы сохранили файл блокнота, и выполните команду `jupyter lab` для запуска платформы. Это откроет JupyterLab в вашем веб-браузере по умолчанию, где вы сможете загрузить файл `tutorial.ipynb` и начать изучать YOLO11. В этой интерактивной среде вы можете запускать код в блокноте ячейку за ячейкой, изменять настройки и мгновенно видеть результаты. JupyterLab позволяет легко просматривать результаты, делать заметки и пробовать различные настройки в одном месте.

‍

Чтобы лучше понять процесс обучения моделям Ultralytics YOLO и лучшие практики, вы можете обратиться к официальной документации Ultralytics. 

Выбор интеграции JupyterLab: почему она выделяется

Изучая документацию по интеграциям Ultralytics, вы заметите, что в ней представлен широкий выбор интеграций. Некоторые из них даже предлагают схожие функции. Например, интеграция Google Colab предлагает среду в стиле блокнота, поддерживающую обучение YOLO11, включая индивидуальное обучение предварительно обученной модели для определенных задач. При таком количестве интеграций важно помнить о том, что делает интеграцию JupyterLab уникальной. 

Одним из ключевых преимуществ использования интеграции JupyterLab является поддержка расширений. Эти расширения могут существенно изменить ваш проект по компьютерному зрению и упростить процесс разработки модели. Например, вы можете использовать расширения Git, чтобы отслеживать прогресс, делиться своей работой с другими и следить за тем, чтобы ваш код всегда хорошо поддерживался - и все это не покидая интерфейса JupyterLab.

Вот еще несколько причин, по которым интеграция с JupyterLab может стать отличным выбором для вашего проекта:

• Простое управление ячейками: Управлять различными ячейками в JupyterLab очень просто. Вместо утомительного метода вырезания и вставки вы можете перетаскивать ячейки, чтобы изменить их расположение.

• Копирование ячеек между тетрадями: Вы можете легко копировать ячейки между разными блокнотами, перетаскивая ячейки из одного блокнота в другой.

• Несколько представлений: JupyterLab поддерживает несколько представлений одного и того же блокнота, что особенно полезно для длинных блокнотов. Вы можете открыть разные разделы рядом друг с другом, чтобы сравнить или изучить их, и все изменения, которые вы сделаете в одном представлении, появятся в другом.

• Легкое переключение на классический вид блокнота: Для тех, кто больше знаком с классическим интерфейсом Jupyter Notebook, JupyterLab предлагает легкое переключение обратно. Вы можете просто заменить "/lab" в ссылке браузера на "/tree", чтобы вернуться к привычному виду блокнота.

Применение интеграции JupyterLab и YOLO11

Далее мы рассмотрим некоторые практические приложения для работы с YOLO11 с помощью интеграции JupyterLab.

Например, разработчик, занимающийся технологиями мониторинга дикой природы, может использовать интеграцию JupyterLab для обучения модели YOLO11. Настроив YOLO11, они смогут создавать приложения компьютерного зрения, позволяющие определять исчезающие виды по видеозаписям с беспилотников. JupyterLab упрощает этот процесс, предоставляя единое рабочее пространство для изучения данных, предварительной обработки и обучения моделей. Разработчики могут запускать код, тестировать модели и просматривать результаты в одном месте, обеспечивая простоту и организованность рабочего процесса.

‍

Помимо охраны дикой природы, надежное сочетание YOLO11 и JupyterLab можно использовать в различных реальных приложениях, таких как:

• Компьютерное зрение в сельском хозяйстве: Поддержка YOLO11 различных задач компьютерного зрения может помочь в обнаружении болезней сельскохозяйственных культур, мониторинге роста растений или выявлении сорняков по снимкам с дронов или спутников, а JupyterLab упростит анализ данных и оптимизацию моделей.

• Контроль качества в производстве: Анализируя изображения в реальном времени, YOLO11 может выявлять дефекты в продукции на сборочных линиях, а JupyterLab обеспечивает централизованную среду для уточнения моделей и оценки результатов.

• ИИ в логистике: Такие задачи, как отслеживание запасов и сканирование посылок, можно автоматизировать с помощью YOLO11, который обнаруживает объекты на изображениях и помещает вокруг них ограничительные рамки, указывающие их местоположение. JupyterLab предоставляет инструменты для эффективного обучения, проверки и тестирования моделей на основе логистических данных.

Преимущества интеграции с JupyterLab

Вот краткий обзор некоторых уникальных способов, с помощью которых интеграция JupyterLab приносит пользу ИИ видения в целом:

• Удаленный доступ и масштабируемость: Он может работать как на облачных платформах, так и на удаленных серверах, обеспечивая доступ к мощным вычислительным ресурсам и возможность совместных исследований.

• Поддержка нескольких языков программирования: Хотя Python является наиболее распространенным языком, JupyterLab поддерживает и 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 упрощает работу с большими массивами данных, необходимыми для обучения Vision AI.

Основные выводы

Интеграция JupyterLab - это полезный инструмент, который облегчает работу с моделями компьютерного зрения, такими как YOLO11. Он предоставляет вам единое рабочее пространство, где вы можете организовывать свои данные, обучать и тестировать пользовательские модели, а также работать с другими разработчиками. Благодаря полезным расширениям и дополнениям вы можете сосредоточиться на создании и совершенствовании своих моделей, а не беспокоиться о настройке рабочей среды. 

Помогаете ли вы охранять дикую природу, улучшаете медицинское сканирование или проверяете качество продукции на заводах - интеграция JupyterLab, поддерживаемая Ultralytics, делает этот процесс проще и эффективнее.

Присоединяйтесь к нашему сообществу и ознакомьтесь с нашим репозиторием GitHub или руководствами, чтобы узнать об искусственном интеллекте. На страницах наших решений вы также можете ознакомиться с другими приложениями, такими как компьютерное зрение в производстве или ИИ в самодвижущихся автомобилях.