JupyterLab entegrasyonunu kullanarak Ultralytics YOLO11'i eğit

Bilgisayarlı görü modelleri üzerinde çalışmak heyecan verici olabilir; özellikle de modelinin iyi performans gösterdiğini gördüğünde. Bilgisayarlı görü geliştirme süreci genellikle veri kümelerini hazırlama ve Ultralytics YOLO11 gibi modelleri ince ayarlama gibi birkaç basit adımdan oluşur. Ancak bu süreçte geliştirme ortamı kurmak gibi bazı aşamalar yeni başlayanlar için zorlayıcı olabilir. İşte Ultralytics’in JupyterLab gibi entegrasyonları desteklemesinin nedeni de bu adımları kolaylaştırmaktır.

Özellikle JupyterLab entegrasyonu, bilgisayarlı görü modellerini keşfetmeyi ve denemeler yapmayı kolaylaştıran etkileşimli, kullanıcı dostu bir geliştirme ortamı sunar. JupyterLab, tümleşik bir çalışma alanı sağlar. Bu ortam sayesinde geliştirme ortamlarını kurup yapılandırmakla uğraşmadan bilgisayarlı görü modellerini hemen keşfetmeye ve geliştirmeye başlayabilirsin.

Örneğin JupyterLab; kod çalıştırmak için not defterleri, dokümantasyon oluşturmak için metin düzenleyicileri ve sistemle etkileşim kurmak için terminaller gibi araç ve özellikler sunar. JupyterLab ile Ultralytics YOLO11 modellerini doğrudan bilgisayarında kolayca deneyebilir ve eğitebilirsin. Bu makalede JupyterLab’ın YOLO11 ile entegrasyonunu, nasıl çalıştığını ve sunduğu avantajları inceleyeceğiz.

JupyterLab nedir?#

JupyterLab; kod yazıp çalıştırmana, verileri düzenlemene ve görsel raporlar oluşturmanı tek bir yerde sağlayan web tabanlı bir araçtır. 2014’te kodlamayı daha etkileşimli ve kullanıcı dostu hâle getirmek amacıyla başlatılan Project Jupyter’nin bir parçasıdır. Jupyter Notebook’un geliştirilmiş bir sürümü olarak tasarlanan JupyterLab ilk kez 2018’de yayımlandı ve veri analizi, grafik oluşturma ve makine öğrenimi modelleri geliştirme gibi görevlerde yaygın olarak kullanılıyor.

JupyterLab, kod ve verilerle etkileşimli biçimde çalışmanı sağlar ve fikirleri denemeyi ve keşfetmeyi kolaylaştırır. Ayrıca kodu, metni ve görselleri bir araya getiren belgeler oluşturup paylaşabilirsin; bu da iş birliği ve sunumlar için idealdir. Üstelik esnek arayüzü; not defterleri, metin dosyaları ve terminaller gibi araçları yan yana düzenlemene olanak tanır. Projenin ihtiyaçlarına göre işlevselliğini genişletmek için eklentiler de ekleyebilirsin.

Şekil 1. JupyterLab bileşenleri.

JupyterLab’ın diğer ilgi çekici özelliklerinden bazıları şunlardır:

• Kolay proje oluşturma: JupyterLab; grafikler, çizelgeler ve panolar gibi görsellerin yanı sıra resim, video ve diğer medya öğelerini içeren projeleri oluşturup paylaşmayı kolaylaştırır.
• Başkalarıyla iş birliği: Not defterlerini paylaşarak ve Git gibi araçları kullanarak değişiklikleri takip ederek başkalarıyla kolayca iş birliği yapabilirsin.
• Yeni başlayanlar için ideal: Kodlama ve veri analizini öğretmek için sınıflarda, fikirleri sınamak için araştırmalarda ve yazılım testi ile veri iş akışlarını yönetme gibi görevler için geliştirme süreçlerinde yaygın olarak kullanılır.

Ultralytics YOLO11 projelerinde çalışmak için JupyterLab kullanımı#

JupyterLab’ın ne olduğunu artık daha iyi anladığımıza göre, JupyterLab entegrasyonunun neleri kapsadığını ve Ultralytics YOLO11 ile çalışırken bu entegrasyondan nasıl yararlanabileceğini inceleyelim.

JupyterLab, Ultralytics YOLO11 modellerini içeren projeler üzerinde çalışmak için harika bir araçtır. Platformlar arasında geçiş yapmadan görevlerini ve belgelerini yönetebileceğin hepsi bir arada bir ortam sunarak geliştirme sürecini kolaylaştırır. Etkileşimli arayüzü kod çalıştırıp sonuçları anında görmeni sağlar; bu da verileri keşfederken veya YOLO11 modelinin performansını anlamaya çalışırken faydalıdır. YOLO11 modellerini görselleştirmene ve iyileştirmene yardımcı olacak etkileşimli grafikler oluşturmak için Plotly gibi uzantılardan da yararlanabilirsin.

Örneğin, sağlık alanında yapay zekâyı içeren yenilikçi bir proje üzerinde çalıştığını varsayalım. Doktorlara röntgen veya BT taraması görüntülerindeki tümörleri gerçek zamanlı olarak tespit etme konusunda yardımcı olmak için Ultralytics YOLO11’i özel olarak eğitmeyi planlıyorsun. YOLO11, hem normal hem de anormal bölgeleri belirten etiketli tıbbi görüntülerden oluşan bir veri kümesiyle eğitilebilir. JupyterLab entegrasyonu sayesinde YOLO11 modellerini iş birliğine elverişli, kod dostu bir ortamda doğrudan eğitebilir ve ince ayar yapabilirsin. Entegrasyon ayrıca veri kümelerini yönetme, deneyler yürütme ve model doğruluğunu değerlendirme araçları sunarak sağlık alanında görsel yapay zekâyı benimsemeyi daha kolay ve verimli hâle getirir.

JupyterLab entegrasyonu nasıl çalışır?#

Ultralytics YOLO11 modellerini JupyterLab'de özel verilerle eğitmek oldukça kolaydır. Platform, kendisinden önceki Jupyter Notebook'a ve Google Colab platformuna benzer ve işe başlamayı kolaylaştıran, önceden yapılandırılmış bir ortam sunar.

YOLO11 projen için JupyterLab'i kurmak üzere öncelikle Ultralytics GitHub deposundan tutorial.ipynb dosyasını indirip tercih ettiğin dizine kaydet (not defteri daha sonra Ultralytics YOLO26 kullanılacak şekilde güncellendi). Ardından bir terminal aç ve JupyterLab'i yüklemek için pip install jupyterlab komutunu çalıştır. JupyterLab başlatıldığında (sonraki adıma bak), aşağıda gösterilen başlangıç sayfası görüntülenir.

Şekil 2. JupyterLab’ın ilk açılış sayfası.

Kurulum tamamlandıktan sonra not defteri dosyasını kaydettiğin dizine git ve platformu başlatmak için jupyter lab komutunu çalıştır. Böylece JupyterLab varsayılan web tarayıcında açılır; burada tutorial.ipynb dosyasını yükleyip YOLO11’i keşfetmeye başlayabilirsin. Bu etkileşimli ortamda not defterindeki kodu hücre hücre çalıştırabilir, ayarları değiştirebilir ve sonuçları anında görebilirsin. JupyterLab, çıktıları görüntülemeyi, not almayı ve farklı yapılandırmaları tek bir yerde denemeyi kolaylaştırır.

Şekil 3. Ultralytics YOLO11 tutorial.ipynb not defterini JupyterLab arayüzünde açma.

Ultralytics YOLO modellerini eğitme sürecini ve en iyi uygulamaları daha iyi anlamak için Ultralytics model eğitimi ipuçları kılavuzuna başvurabilirsin.

JupyterLab entegrasyonunu seçmek: öne çıkan özellikleri#

Ultralytics entegrasyonları dokümantasyonunu incelerken aralarından seçim yapabileceğin çok çeşitli entegrasyonlar olduğunu fark edeceksin. Hatta bazıları benzer özellikler de sunuyor. Örneğin Google Colab entegrasyonu, YOLO11’i eğitmeyi ve önceden eğitilmiş bir modeli belirli görevler için özel olarak eğitmeyi destekleyen not defteri tarzında bir ortam sunuyor. Bu kadar çok entegrasyon arasından seçim yaparken JupyterLab entegrasyonunu farklı kılan özellikleri göz önünde bulundurman önemli.

JupyterLab entegrasyonunun temel avantajlarından biri uzantıları desteklemesidir. Bu uzantılar bilgisayarlı görü projen üzerinde önemli bir fark yaratabilir ve model geliştirme sürecini kolaylaştırabilir. Örneğin ilerlemeni takip etmek, çalışmalarını başkalarıyla paylaşmak ve kodunun her zaman iyi durumda olmasını sağlamak için Git uzantılarını kullanabilirsin; bunların tümünü JupyterLab arayüzünden çıkmadan yapabilirsin.

JupyterLab entegrasyonunun projen için harika bir seçenek olmasının diğer nedenlerinden bazıları şunlardır:

• Hücreleri kolayca yönetme: JupyterLab’da farklı hücreleri yönetmek kolaydır. Zahmetli kesip yapıştırma yöntemi yerine hücreleri sürükleyip bırakarak yeniden sıralayabilirsin.
• Hücreleri not defterleri arasında kopyalama: Hücreleri bir not defterinden diğerine sürükleyip bırakarak not defterleri arasında kolayca kopyalayabilirsin.
• Birden fazla görünüm: JupyterLab, aynı not defterinin birden fazla görünümünü destekler; bu özellik özellikle uzun not defterlerinde kullanışlıdır. Farklı bölümleri karşılaştırmak veya incelemek için yan yana açabilirsin; bir görünümde yaptığın değişiklikler diğerinde de görünür.
• Klasik not defteri görünümüne kolayca geçiş: Klasik Jupyter Notebook arayüzüne daha aşina olanlar için JupyterLab, bu görünüme kolayca dönme seçeneği sunar. Alışık olduğun not defteri görünümüne dönmek için tarayıcı bağlantısındaki “/lab” ifadesini “/tree” olarak değiştirmen yeterlidir.

JupyterLab entegrasyonu ve Ultralytics YOLO11 uygulamaları#

Şimdi JupyterLab entegrasyonunu kullanarak Ultralytics YOLO11 üzerinde çalışmanın bazı pratik uygulamalarını inceleyelim.

Örneğin, yaban hayatı izleme teknolojileri üzerinde çalışan bir geliştirici, YOLO11 modelini eğitmek için JupyterLab entegrasyonunu kullanabilir. YOLO11’i özel olarak eğiterek drone görüntülerinden nesli tükenme tehlikesi altındaki türleri tanımlayan bilgisayarlı görü uygulamaları geliştirebilir. JupyterLab; verileri keşfetmek, ön işleme tabi tutmak ve modelleri eğitmek için tek bir çalışma alanı sunarak süreci kolaylaştırır. Geliştiriciler kod çalıştırabilir, modelleri test edebilir ve sonuçları tek bir yerde görüntüleyerek iş akışını basit ve düzenli tutabilir.

Şekil 4. Yaban hayatı türlerini tespit etmek için Ultralytics YOLO modellerinin kullanımına bir örnek.

Yaban hayatını korumanın yanı sıra Ultralytics YOLO11 ve JupyterLab birleşimi, aşağıdakiler gibi çeşitli gerçek dünya uygulamalarında kullanılabilir:

• Tarımda bilgisayarlı görü: Ultralytics YOLO11’in çeşitli bilgisayarlı görü görevlerini desteklemesi, JupyterLab veri analizini ve model optimizasyonunu kolaylaştırırken ürün hastalıklarını tespit etmeye, bitki gelişimini izlemeye veya drone ve uydu görüntülerindeki yabani otları tanımlamaya yardımcı olabilir.
• Üretimde kalite kontrol: Ultralytics YOLO11, görüntüleri gerçek zamanlı analiz ederek montaj hatlarındaki ürün kusurlarını belirleyebilir; JupyterLab ise modelleri iyileştirmek ve sonuçları değerlendirmek için merkezi bir ortam sunar.
• Lojistikte yapay zekâ: Envanter takibi ve paket tarama gibi görevler YOLO11 kullanılarak otomatikleştirilebilir. YOLO11 görüntülerdeki nesneleri algılar ve konumlarını belirtmek için çevrelerine sınırlayıcı kutular çizer; JupyterLab ise lojistik verilerini kullanarak modelleri verimli biçimde eğitme, doğrulama ve test etme araçları sunar.

JupyterLab entegrasyonunun avantajları#

JupyterLab entegrasyonunun genel olarak görsel yapay zekâya sağladığı bazı benzersiz avantajlara kısaca göz atalım:

• Uzaktan erişim ve ölçeklenebilirlik: Hem bulut platformlarında hem de uzak sunucularda çalışabilir; güçlü bilgi işlem kaynaklarına ve ortak araştırma çalışmalarına erişim sağlar.
• Birden fazla programlama dilini destekleme: En yaygın kullanılan dil Python olsa da JupyterLab, R, Julia ve Scala gibi başka dilleri de destekleyerek farklı iş akışlarında kullanılabilir.
• Veri entegrasyonu: JupyterLab veritabanları, bulut depolama ve veri işleme araçlarıyla entegre olur; böylece görü AI eğitimi için gereken büyük veri kümelerini işlemek kolaylaşır.

Önemli çıkarımlar#

JupyterLab entegrasyonu, Ultralytics YOLO11 gibi bilgisayarlı görü modelleriyle çalışmayı kolaylaştıran kullanışlı bir araçtır. Verilerini düzenleyebileceğin, özel modeller eğitip test edebileceğin ve diğer geliştiricilerle çalışabileceğin tek bir çalışma alanı sunar. Kullanışlı uzantıları ve eklentileri sayesinde çalışma ortamını kurma konusunda endişelenmek yerine modellerini geliştirmeye ve iyileştirmeye odaklanabilirsin.

Yaban hayatını korumaya yardımcı oluyor, tıbbi görüntülemeyi iyileştiriyor veya fabrikalardaki ürün kalitesini denetliyor ol; Ultralytics’in desteklediği JupyterLab entegrasyonu süreci daha basit ve verimli hâle getirir.

Topluluğumuza katıl ve GitHub depomuza ya da AI hakkında bilgi edinmeye yönelik kılavuzlarımıza göz at. Çözümler sayfalarımızda üretimde bilgisayarlı görü veya otonom araçlarda AI gibi daha fazla uygulamayı da keşfedebilirsin.