Обучи Ultralytics YOLO11 с помощью интеграции JupyterLab

Работа с моделями компьютерного зрения может быть увлекательной, особенно когда ты видишь, что твоя модель показывает хорошие результаты. Обычно процесс разработки решений компьютерного зрения включает несколько простых шагов, например подготовку датасетов и дообучение моделей, таких как Ultralytics YOLO11. Однако некоторые этапы этого процесса, например настройка среды разработки, могут быть сложными для новичков. Именно поэтому Ultralytics поддерживает интеграции, такие как JupyterLab, которые упрощают эти шаги.

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

Например, JupyterLab предоставляет такие инструменты и функции, как ноутбуки для запуска кода, текстовые редакторы для создания документации и терминалы для взаимодействия с системой. Фактически JupyterLab позволяет легко экспериментировать с моделями Ultralytics YOLO11 и обучать их прямо на твоём компьютере. В этой статье мы рассмотрим интеграцию с YOLO11, принцип её работы и предоставляемые ею преимущества.

Что такое JupyterLab?#

JupyterLab — это веб-инструмент, который помогает писать и запускать код, организовывать данные и создавать наглядные отчёты в одном месте. Он является частью Project Jupyter, запущенного в 2014 году для повышения интерактивности и удобства программирования. Созданный как усовершенствованная версия Jupyter Notebook, JupyterLab впервые выпустили в 2018 году; его часто используют для анализа данных, создания графиков и разработки моделей машинного обучения.

JupyterLab позволяет интерактивно работать с кодом и данными, упрощая эксперименты и изучение идей. Ты также можешь создавать и публиковать документы, в которых без проблем сочетаются код, текст и визуальные материалы, что идеально подходит для совместной работы и презентаций. Кроме того, гибкий интерфейс позволяет размещать такие инструменты, как ноутбуки, текстовые файлы и терминалы, рядом друг с другом, а плагины можно добавлять для расширения функциональности в соответствии с потребностями твоего проекта.

Рис. 1. Компоненты JupyterLab.

Вот ещё несколько интересных возможностей JupyterLab:

• Простое создание проектов: JupyterLab упрощает создание и публикацию проектов с визуальными материалами, такими как диаграммы, графики и информационные панели, а также изображениями, видео и другими мультимедийными данными.

• Совместная работа: Ты можешь легко работать вместе с другими, публикуя ноутбуки и отслеживая изменения с помощью таких инструментов, как Git.

• Отлично подходит для новичков: JupyterLab популярен в учебных классах 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 обработки данных.

Использование JupyterLab для работы над проектами Ultralytics YOLO11#

Теперь, когда мы лучше понимаем, что такое JupyterLab, давай рассмотрим, что именно включает интеграция JupyterLab и как использовать её при работе с Ultralytics YOLO11.

JupyterLab — отличный инструмент для работы над проектами с моделями Ultralytics YOLO11. Он упрощает процесс разработки, предоставляя универсальную среду, в которой можно управлять задачами и документами без переключения между платформами. Интерактивный интерфейс позволяет запускать код и сразу видеть результаты, что идеально подходит для изучения данных или анализа производительности твоей модели YOLO11. Ты также можешь использовать расширения, такие как Plotly, для создания интерактивных графиков, помогающих визуализировать и улучшать модели YOLO11.

Например, представим, что ты работаешь над инновационным проектом, связанным с применением ИИ в здравоохранении. Ты планируешь обучить Ultralytics YOLO11 на собственных данных, чтобы помогать врачам обнаруживать опухоли на рентгеновских или КТ-изображениях в реальном времени. YOLO11 можно обучить на датасете размеченных медицинских изображений, на которых отмечены как нормальные, так и патологические области. Благодаря интеграции JupyterLab ты можешь обучать и дообучать модели YOLO11 непосредственно в совместной среде, удобной для работы с кодом. Она также предоставляет инструменты для управления датасетами, проведения экспериментов и проверки точности моделей, упрощая и ускоряя внедрение ИИ компьютерного зрения в здравоохранении.

Как работает интеграция JupyterLab#

Обучение моделей Ultralytics YOLO11 на собственных данных в JupyterLab — простой процесс. Платформа похожа на своего предшественника Jupyter Notebook или Google Colab и предоставляет предварительно настроенную среду, с которой легко начать работу.

Чтобы настроить JupyterLab для проекта с YOLO11, сначала скачай файл tutorial.ipynb из репозитория Ultralytics на GitHub и сохрани его в нужной папке. Затем открой любой редактор кода или терминал и выполни команду pip install jupyterlab, чтобы установить JupyterLab. Платформа автоматически откроет и отобразит показанное ниже окно.

Рис. 2. Начальная страница JupyterLab.

После завершения установки перейди в папку, где сохранён файл ноутбука, и выполни команду jupyter lab, чтобы запустить платформу. JupyterLab откроется в браузере по умолчанию, где ты сможешь загрузить файл tutorial.ipynb и начать изучать YOLO11. В этой интерактивной среде ты можешь выполнять код в ноутбуке по одной ячейке, изменять настройки и сразу видеть результаты. JupyterLab упрощает просмотр результатов, создание заметок и проверку различных конфигураций в одном месте.

Рис. 3. Открытие ноутбука с руководством Ultralytics YOLO11 tutorial.ipynb в интерфейсе JupyterLab.

Чтобы лучше понять процесс обучения моделей Ultralytics YOLO и рекомендуемые методы, обратись к официальной документации Ultralytics.

Выбор интеграции JupyterLab: чем она выделяется#

Изучая документацию по интеграциям Ultralytics, ты заметишь большое разнообразие доступных интеграций. Некоторые из них даже предлагают похожие возможности. Например, интеграция Google Colab предоставляет среду в формате ноутбука, поддерживающую обучение YOLO11, включая обучение предварительно обученной модели на собственных данных для конкретных задач. При таком количестве интеграций важно учитывать особенности, которые делают интеграцию JupyterLab уникальной.

Одно из ключевых преимуществ интеграции JupyterLab — поддержка расширений. Эти расширения могут существенно повлиять на проект компьютерного зрения и оптимизировать процесс разработки моделей. Например, ты можешь использовать расширения Git для отслеживания прогресса, обмена результатами с другими и поддержания кода в актуальном состоянии — и всё это, не покидая интерфейс JupyterLab.

Вот ещё несколько причин, по которым интеграции JupyterLab могут стать отличным выбором для твоего проекта:

• Удобное управление ячейками: Управлять различными ячейками в JupyterLab просто. Вместо утомительного вырезания и вставки можно перетаскивать ячейки, меняя их порядок.

• Копирование ячеек между ноутбуками: Ты можешь легко копировать ячейки между разными ноутбуками, перетаскивая их из одного ноутбука в другой.

• Несколько представлений: JupyterLab поддерживает несколько представлений одного и того же ноутбука, что особенно полезно для длинных ноутбуков. Ты можешь открыть разные разделы рядом, чтобы сравнивать или изучать их, а любые изменения, внесённые в одном представлении, появятся и в другом.

• Простой переход к классическому виду ноутбука: Если ты лучше знаком с классическим интерфейсом Jupyter Notebook, JupyterLab позволяет легко вернуться к нему. Просто замени “/lab” в ссылке браузера на “/tree”, чтобы вернуться к привычному виду ноутбука.

Применение интеграции JupyterLab и Ultralytics YOLO11#

Далее рассмотрим несколько практических примеров работы с Ultralytics YOLO11 с использованием интеграции JupyterLab.

Например, разработчик, работающий над технологиями мониторинга дикой природы, может использовать интеграцию JupyterLab для обучения модели YOLO11. Обучив YOLO11 на собственных данных, он сможет создавать приложения компьютерного зрения, распознающие исчезающие виды по видеозаписям с дронов. 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, сохраняя рабочий процесс простым и организованным.

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

Помимо охраны дикой природы, надёжное сочетание Ultralytics YOLO11 и JupyterLab можно использовать в самых разных практических задачах, например:

• Компьютерное зрение в сельском хозяйстве: Поддержка Ultralytics YOLO11 различных задач компьютерного зрения помогает обнаруживать заболевания сельскохозяйственных культур, отслеживать рост растений и выявлять сорняки на аэрофотоснимках с дронов или спутников, а JupyterLab упрощает анализ данных и оптимизацию моделей.

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

• ИИ в логистике: Такие задачи, как отслеживание запасов и сканирование посылок, можно автоматизировать с помощью YOLO11, которая обнаруживает объекты на изображениях и выделяет их ограничивающими рамками, указывая местоположение, а JupyterLab предоставляет инструменты для эффективного обучения, валидации и тестирования моделей на логистических данных.

Преимущества интеграции JupyterLab#

Вот краткий обзор некоторых уникальных преимуществ интеграции JupyterLab для ИИ компьютерного зрения в целом:

• Удалённый доступ и масштабируемость: Интеграция может работать как на облачных платформах, так и на удалённых серверах, обеспечивая доступ к мощным вычислительным ресурсам и совместным исследованиям.

• Поддержка нескольких языков программирования: Хотя чаще всего используется Python, JupyterLab поддерживает и другие языки, такие как R, Julia и Scala, что делает его универсальным решением для разнообразных рабочих процессов.

• Интеграция данных: JupyterLab легко интегрируется с базами данных, облачными хранилищами и инструментами обработки данных, упрощая работу с большими датасетами, необходимыми для обучения ИИ компьютерного зрения.

Основные выводы#

Интеграция JupyterLab — полезный инструмент, упрощающий 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, не беспокоясь о настройке рабочей среды.

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

Присоединяйся к нашему сообществу и загляни в наш репозиторий на GitHub или руководства, чтобы узнать об ИИ. Ты также можешь изучить другие варианты применения, например компьютерное зрение на производстве или ИИ в беспилотных автомобилях, на наших страницах с решениями.