Обучай Ultralytics YOLO11, используя интеграцию JupyterLab

Работать с моделями компьютерного зрения бывает увлекательно, особенно когда ты видишь, как твоя модель хорошо работает. Как правило, процесс разработки компьютерного зрения включает в себя несколько простых шагов, таких как подготовка наборов данных и дообучение моделей, например Ultralytics YOLO11. Тем не менее, в этом процессе есть несколько моментов, которые могут вызвать трудности у новичков, например настройка среды разработки. Именно поэтому Ultralytics поддерживает интеграции, такие как JupyterLab, которые могут облегчить эти шаги.

В частности, интеграция JupyterLab предлагает интерактивную и удобную для пользователя среду разработки, которая упрощает исследование моделей компьютерного зрения и эксперименты с ними. JupyterLab предоставляет тебе интегрированное рабочее пространство. Используя его, ты можешь сразу погрузиться в исследование и создание 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.

Что 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.

Использование 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 JupyterLab и как ты можешь 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 ты можешь управлять задачами и документами без переключения между платформами. Интерактивный интерфейс позволяет 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 дорабатывать твои модели YOLO11.

Например, допустим, ты работаешь над инновационным проектом с использованием ИИ в здравоохранении. Ты планируешь custom-train Ultralytics YOLO11, чтобы помочь врачам в реальном времени обнаруживать объекты опухолей на снимках рентгена или компьютерной томографии. YOLO11 можно обучить с использованием набора данных размеченных медицинских изображений, на которых отмечены как нормальные, так и аномальные области. Благодаря интеграции с JupyterLab ты можешь обучать и дорабатывать модели YOLO11 прямо в совместной среде, удобной для написания кода. Она также предлагает инструменты для управления наборами данных, запуска экспериментов и проверки точности моделей, что делает внедрение vision AI in healthcare проще и эффективнее.

Как работает интеграция с JupyterLab#

Кастомное обучение моделей Ultralytics YOLO11 в JupyterLab выполняется просто. Эта платформа похожа на своего предшественника, Jupyter Notebook или Google Colab, и предоставляет преднастроенную среду, которая упрощает начало работы.

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

Рис 2. Начальная страница запуска JupyterLab.

После завершения установки перейди в директорию, в которой 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 ячейке блокнота построчно, настраивать параметры и мгновенно видеть результаты. JupyterLab позволяет легко просматривать выводы, делать заметки и пробовать различные настройки в одном месте.

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

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

Выбор интеграции с JupyterLab: почему она выделяется#

Изучая документацию по интеграциям Ultralytics, ты заметишь, что на выбор предлагается большое количество интеграций. Некоторые из них даже предлагают похожие функции. Например, интеграция с Google Colab предлагает среду в стиле блокнота, которая поддерживает обучение YOLO11, включая кастомное обучение предобученной модели для конкретных задач. При таком большом количестве интеграций важно помнить о том, что делает интеграцию 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.

Применение интеграции JupyterLab и Ultralytics YOLO11#

Далее давай рассмотрим некоторые практические применения работы с Ultralytics YOLO11 с использованием интеграции JupyterLab.

Например, разработчик, работающий над технологиями мониторинга дикой природы, может использовать интеграцию с JupyterLab для обучения модели YOLO11. Выполняя кастомное обучение YOLO11, они могут создавать приложения компьютерного зрения, которые идентифицируют исчезающие виды по видеоматериалам с дронов. JupyterLab упрощает этот процесс, предоставляя единое рабочее пространство для исследования 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, надежное сочетание Ultralytics YOLO11 и JupyterLab можно использовать в самых разных реальных приложениях, таких как:

• Компьютерное зрение в сельском хозяйстве: Поддержка различных задач компьютерного зрения в Ultralytics YOLO11 помогает обнаруживать болезни культур, следить за ростом растений или выявлять сорняки по снимкам с дронов и спутников, а JupyterLab упрощает анализ данных и оптимизацию моделей.

• Контроль качества на производстве: Анализируя изображения в реальном времени, Ultralytics YOLO11 позволяет находить дефекты продукции на конвейерах, в то время как JupyterLab предоставляет централизованную среду для доработки моделей и оценки результатов.

• ИИ в логистике: такие задачи, как отслеживание запасов и сканирование упаковок, могут быть автоматизированы с помощью YOLO11, который обнаруживает объекты на изображениях и помещает вокруг них ограничивающие рамки для указания их местоположения, в то время как JupyterLab предоставляет инструменты для эффективного обучения, проверки и тестирования моделей с использованием логистических данных.

Преимущества интеграции с JupyterLab#

Вот краткий обзор некоторых уникальных способов, с помощью которых интеграция JupyterLab приносит пользу зрительному 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.

Основные выводы#

Интеграция с JupyterLab — это полезный инструмент, который упрощает работу с моделями компьютерного зрения, такими как Ultralytics YOLO11. Она предоставляет единое рабочее пространство, где ты можешь упорядочивать данные, обучать и тестировать пользовательские модели, а также сотрудничать с другими разработчиками. Благодаря удобным 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 об ИИ. Ты также можешь изучить другие приложения, такие как компьютерное зрение в производстве или ИИ в самоуправляемых автомобилях, на наших страницах решений.