Обучай Ultralytics YOLO11 с помощью интеграции JupyterLab

Работа над моделями компьютерного зрения может быть увлекательной, особенно когда видишь, как хорошо работает твоя модель. Обычно разработка решений компьютерного зрения включает несколько несложных шагов, например подготовку наборов данных и дообучение моделей, таких как Ultralytics YOLO11. Однако для новичков некоторые этапы могут быть сложными, например настройка среды разработки. Именно поэтому Ultralytics поддерживает интеграции, например с JupyterLab, которые упрощают такие задачи.

В частности, интеграция с JupyterLab предоставляет интерактивную и удобную среду разработки, в которой легко изучать и тестировать модели компьютерного зрения. JupyterLab объединяет все необходимые инструменты в одном рабочем пространстве. С его помощью можно сразу приступить к изучению и созданию моделей компьютерного зрения, не отвлекаясь на установку и настройку сред.

Например, JupyterLab предоставляет такие инструменты и функции, как блокноты для выполнения кода, текстовые редакторы для создания документации и терминалы для взаимодействия с системой. Кроме того, JupyterLab позволяет легко экспериментировать с моделями Ultralytics YOLO11 и обучать их прямо на компьютере. В этой статье мы расскажем об интеграции JupyterLab с YOLO11, принципах ее работы и преимуществах.

Что такое JupyterLab?#

JupyterLab — это веб-инструмент, который позволяет писать и запускать код, упорядочивать данные и создавать наглядные отчеты в одном месте. Он входит в состав Project Jupyter, созданного в 2014 году, чтобы сделать программирование более интерактивным и удобным. JupyterLab стал усовершенствованной версией Jupyter Notebook, впервые вышел в 2018 году и широко используется для анализа данных, построения графиков и создания моделей машинного обучения.

JupyterLab позволяет интерактивно работать с кодом и данными, упрощая эксперименты и изучение идей. В нем также можно создавать и совместно использовать документы, объединяющие код, текст и изображения, — это удобно для совместной работы и презентаций. Кроме того, гибкий интерфейс позволяет размещать рядом такие инструменты, как блокноты, текстовые файлы и терминалы, а плагины расширяют функциональность в соответствии с потребностями проекта.

Рис. 1. Компоненты JupyterLab.

Вот еще несколько интересных возможностей JupyterLab:

• Простое создание проектов: JupyterLab позволяет легко создавать проекты и делиться ими, добавляя визуальные материалы — например, диаграммы, графики и панели мониторинга, — а также изображения, видео и другие медиафайлы.
• Совместная работа: ты можешь легко работать с другими людьми, делясь блокнотами и отслеживая изменения с помощью таких инструментов, как Git.
• Подходит для начинающих: JupyterLab популярен в учебных аудиториях для преподавания программирования и анализа данных, в исследованиях для проверки идей и в разработке для таких задач, как тестирование программного обеспечения и управление конвейерами обработки данных.

Работа над проектами Ultralytics YOLO11 в JupyterLab#

Теперь, когда мы лучше понимаем, что такое JupyterLab, давай разберемся, что включает интеграция с JupyterLab и как использовать ее в работе с Ultralytics YOLO11.

JupyterLab — отличный инструмент для работы над проектами с моделями Ultralytics YOLO11. Он упрощает разработку благодаря универсальной среде, в которой можно управлять задачами и документами, не переключаясь между платформами. Интерактивный интерфейс позволяет запускать код и сразу видеть результаты, что удобно для изучения данных и оценки работы модели YOLO11. Также можно использовать расширения, например Plotly, для создания интерактивных диаграмм, которые помогают визуализировать и улучшать модели YOLO11.

Например, представь, что ты работаешь над инновационным проектом с применением ИИ в здравоохранении. Ты планируешь дообучить Ultralytics YOLO11 на собственных данных, чтобы помогать врачам обнаруживать опухоли на рентгеновских снимках и КТ в реальном времени. YOLO11 можно обучить на размеченном наборе медицинских изображений с указанием нормальных и аномальных областей. Интеграция с JupyterLab позволяет обучать и дообучать модели YOLO11 прямо в удобной для совместной работы среде, ориентированной на код. Кроме того, в ней есть инструменты для управления наборами данных, проведения экспериментов и проверки точности модели — благодаря этому внедрять компьютерное зрение в здравоохранении проще и эффективнее.

Как работает интеграция с JupyterLab#

Обучать собственные модели Ultralytics YOLO11 в JupyterLab просто. Эта платформа похожа на своего предшественника Jupyter Notebook и на Google Colab, а преднастроенная среда позволяет легко приступить к работе.

Чтобы настроить JupyterLab для проекта YOLO11, скачай файл tutorial.ipynb из репозитория Ultralytics на GitHub и сохрани его в нужной папке (с тех пор блокнот обновили для работы с Ultralytics YOLO26). Затем открой терминал и выполни команду pip install jupyterlab, чтобы установить JupyterLab. После запуска (см. следующий шаг) JupyterLab покажет стартовую страницу, представленную ниже.

Рис. 2. Начальная страница JupyterLab после запуска.

После завершения установки перейди в папку, где сохранил файл блокнота, и выполни команду jupyter lab, чтобы запустить платформу. В браузере по умолчанию откроется JupyterLab, где ты сможешь загрузить файл tutorial.ipynb и начать изучать YOLO11. В этой интерактивной среде можно выполнять код в блокноте по ячейкам, менять настройки и сразу видеть результаты. JupyterLab позволяет в одном месте просматривать результаты, делать заметки и пробовать разные конфигурации.

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

Чтобы лучше разобраться в обучении моделей Ultralytics YOLO и рекомендуемых методах работы, ознакомься с руководством Ultralytics по советам для обучения моделей.

Почему стоит выбрать интеграцию с JupyterLab#

Изучая документацию по интеграциям Ultralytics, ты увидишь, что доступно множество интеграций. Некоторые из них даже предлагают похожие функции. Например, интеграция с Google Colab предоставляет среду в формате блокнота, поддерживающую обучение YOLO11, в том числе дообучение предварительно обученной модели для решения конкретных задач. При таком разнообразии интеграций важно понимать, чем выделяется интеграция с JupyterLab.

Одно из ключевых преимуществ интеграции с JupyterLab — поддержка расширений. Они могут значительно повлиять на проект по компьютерному зрению и упростить разработку моделей. Например, расширения Git помогут отслеживать ход работы, делиться результатами и поддерживать код в хорошем состоянии — и все это прямо в интерфейсе JupyterLab.

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

• Простое управление ячейками: управлять разными ячейками в JupyterLab легко. Вместо утомительного вырезания и вставки можно менять их порядок перетаскиванием.
• Копирование ячеек между блокнотами: ты можешь легко копировать ячейки из одного блокнота в другой, просто перетаскивая их.
• Несколько представлений: JupyterLab позволяет открывать один блокнот в нескольких представлениях, что особенно удобно для длинных блокнотов. Можно расположить разные разделы рядом, чтобы сравнивать или изучать их, а изменения в одном представлении появятся и в другом.
• Легкое переключение на классический вид блокнота: если ты лучше знаком с классическим интерфейсом Jupyter Notebook, в JupyterLab можно легко вернуться к нему. Просто замени «/lab» в ссылке браузера на «/tree», чтобы снова открыть привычный вид блокнота.

Применение интеграции с JupyterLab и Ultralytics YOLO11#

Теперь рассмотрим несколько практических способов работать с Ultralytics YOLO11 с помощью интеграции с JupyterLab.

Например, разработчик, который занимается технологиями для мониторинга дикой природы, может обучить модель YOLO11 с помощью интеграции с JupyterLab. Дообучив YOLO11 на собственных данных, он сможет создавать приложения компьютерного зрения для распознавания исчезающих видов животных на кадрах с дронов. JupyterLab упрощает эту работу, предоставляя единое рабочее пространство для изучения данных, предварительной обработки и обучения моделей. Разработчики могут выполнять код, тестировать модели и просматривать результаты в одном месте, сохраняя рабочий процесс простым и организованным.

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

Помимо охраны дикой природы, сочетание Ultralytics YOLO11 и JupyterLab можно использовать во многих практических сферах, например:

• Компьютерное зрение в сельском хозяйстве: поддержка различных задач компьютерного зрения в Ultralytics YOLO11 помогает обнаруживать болезни сельскохозяйственных культур, отслеживать рост растений и находить сорняки на снимках с дронов или спутников, а JupyterLab упрощает анализ данных и оптимизацию модели.
• Контроль качества в производстве: анализируя изображения в реальном времени, Ultralytics YOLO11 может выявлять дефекты продукции на сборочных линиях, а JupyterLab предоставляет централизованную среду для доработки моделей и оценки результатов.
• ИИ в логистике: с помощью YOLO11 можно автоматизировать такие задачи, как учет запасов и сканирование посылок. Модель обнаруживает объекты на изображениях и обводит их ограничивающими рамками, указывающими их местоположение, а JupyterLab предоставляет инструменты для эффективного обучения, валидации и тестирования моделей на логистических данных.

Преимущества интеграции с JupyterLab#

Вот краткий обзор того, как интеграция с JupyterLab помогает компьютерному зрению в целом:

• Удаленный доступ и масштабируемость: JupyterLab может работать как на облачных платформах, так и на удаленных серверах, предоставляя доступ к мощным вычислительным ресурсам и совместным исследованиям.
• Поддержка нескольких языков программирования: хотя чаще всего используют Python, JupyterLab также поддерживает такие языки, как R, Julia и Scala, поэтому подходит для самых разных рабочих процессов.
• Интеграция данных: JupyterLab интегрируется с базами данных, облачными хранилищами и инструментами обработки данных, упрощая работу с большими наборами данных, необходимыми для обучения AI в области компьютерного зрения.

Главные выводы#

Интеграция с JupyterLab — полезный инструмент, который упрощает работу с моделями компьютерного зрения, такими как Ultralytics YOLO11. Она предоставляет единое рабочее пространство, где можно организовывать данные, обучать и тестировать собственные модели и работать с другими разработчиками. Благодаря удобным расширениям и дополнениям ты можешь сосредоточиться на создании и улучшении моделей, а не на настройке рабочей среды.

Помогаешь ли ты защищать дикую природу, улучшать медицинские снимки или проверять качество продукции на заводах — интеграция с JupyterLab, поддерживаемая Ultralytics, делает этот процесс проще и эффективнее.

Присоединяйся к нашему сообществу и загляни в наш репозиторий GitHub или руководства, чтобы узнать об AI. На страницах решений также можно найти другие примеры применения, например компьютерное зрение в производстве и AI в беспилотных автомобилях.