JupyterLab entegrasyonunu kullanarak Ultralytics YOLO11 eğitimini gerçekleştir

Bilgisayarlı görü modelleri üzerinde çalışmak heyecan verici olabilir, özellikle modelinin iyi performans gösterdiğini gördüğünde. Tipik olarak, bilgisayarlı görü geliştirme süreci, veri kümelerini hazırlamak ve Ultralytics YOLO11 gibi modelleri ince ayar yapmak (fine-tuning) gibi birkaç anlaşılır adım içerir. Ancak, bu sürecin geliştirme ortamı kurmak gibi yeni başlayanlar için zorlayıcı olabilecek birkaç kısmı vardır. İşte tam da bu nedenle Ultralytics, bu adımları kolaylaştırabilecek JupyterLab gibi entegrasyonları destekler.

Özellikle, JupyterLab entegrasyonu, bilgisayarlı görü modellerini keşfetmeyi ve bunlarla denemeler yapmayı basit hale getiren etkileşimli ve kullanıcı dostu bir geliştirme ortamı sunar. JupyterLab sana entegre bir çalışma alanı sağlar. Bunu kullanarak, ortam kurma ve yükleme dikkatin dağılmadan doğrudan bilgisayarlı görü modellerini keşfetmeye ve oluşturmaya başlayabilirsin.

Örneğin JupyterLab, kod çalıştırmak için not defterleri, dokümantasyon oluşturmak için metin düzenleyiciler ve sistemle etkileşim kurmak için terminaller gibi araçlar ve özellikler sunar. Aslında JupyterLab, Ultralytics YOLO11 modelleriyle doğrudan bilgisayarında kolayca denemeler yapmanı ve onları eğitmeni sağlar. Bu makalede, YOLO11 ile entegrasyonunu, nasıl çalıştığını ve sunduğu avantajları keşfedeceğiz.

JupyterLab nedir?#

JupyterLab; kod yazmana, çalıştırmana, verileri düzenlemene ve görsel raporlar oluşturmana tek bir yerden yardımcı olan web tabanlı bir araçtır. Kodlamayı daha etkileşimli ve kullanıcı dostu hale getirmek için 2014 yılında başlatılan Project Jupyter'in bir parçasıdır. Jupyter Notebook'un bir yükseltmesi olarak oluşturulmuş olup, ilk olarak 2018'de piyasaya sürülmüştür ve veri analizi, grafik oluşturma ve makine öğrenimi modelleri inşa etme gibi görevler için yaygın olarak kullanılır.

JupyterLab, kod ve verilerle etkileşimli bir şekilde çalışmanı sağlayarak fikirleri test etmeyi ve keşfetmeyi basit hale getirir. Ayrıca kod, metin ve görselleri sorunsuz bir şekilde birleştiren belgeler oluşturup paylaşabilirsin; bu da iş birliği ve sunumlar için idealdir. Üstelik esnek arayüzü sayesinde not defterleri, metin dosyaları ve terminaller gibi araçları yan yana düzenleyebilir ve eklentilerle işlevselliğini projenin ihtiyaçlarına göre genişletebilirsin.

Fig 1. JupyterLab bileşenleri.

İşte JupyterLab'in diğer bazı ilginç özellikleri:

• Kolay proje oluşturma: JupyterLab; grafikler, çizelgeler ve panolar gibi görsellerin yanı sıra resimler, videolar ve diğer medya ögeleriyle projeler oluşturmayı ve paylaşmayı kolaylaştırır.

• Başkalarıyla iş birliği: Not defterlerini paylaşarak ve Git gibi araçları kullanarak değişiklikleri takip ederek başkalarıyla kolayca iş birliği yapabilirsin.

• Yeni başlayanlar için harika: Kodlama ve veri analizi öğretmek için sınıflarda, fikirleri test etmek için araştırmalarda ve yazılım testi ile veri iş akışlarını yönetmek gibi görevler için geliştirmede popülerdir.

Ultralytics YOLO11 projeleri üzerinde çalışmak için JupyterLab kullanımı#

JupyterLab'ın ne olduğu hakkında daha iyi bir anlayışa sahip olduğumuza göre, JupyterLab entegrasyonunun tam olarak neyi kapsadığını ve Ultralytics YOLO11 ile çalışırken bundan nasıl yararlanabileceğini keşfedelim.

JupyterLab, Ultralytics YOLO11 modelleriyle projeler üzerinde çalışmak için harika bir araçtır. Platformlar arasında geçiş yapmadan görevleri ve belgeleri yönetebileceğin hep bir arada bir ortam sağlayarak geliştirme sürecini basitleştirir. Etkileşimli arayüz, kod çalıştırıp sonuçları anında görmeni sağlar; bu da verileri keşfetmek veya YOLO11 modelinin nasıl performans gösterdiğini anlamak için mükemmeldir. Ayrıca Plotly gibi uzantıları kullanarak YOLO11 modellerini görselleştirmene ve iyileştirmene yardımcı olacak etkileşimli grafikler oluşturabilirsin.

Örneğin, sağlık alanında yapay zeka içeren yenilikçi bir proje üzerinde çalıştığını varsayalım. Röntgen veya BT taraması görüntümesinde tümörlerin gerçek zamanlı nesne tespitiyle doktorlara yardımcı olması için custom-train Ultralytics YOLO11 modelini eğitmeyi planlıyorsun. YOLO11, hem normal hem de anormal alanları vurgulayan etiketli tıbbi görüntülerden oluşan bir veri kümesi kullanılarak eğitilebilir. JupyterLab entegrasyonu sayesinde, işbirlikçi ve kod dostu bir ortamda doğrudan YOLO11 modellerini eğitebilir ve ince ayar yapabilirsin. Ayrıca veri kümelerini yönetmek, deneyleri çalıştırmak ve model doğruluğunu onaylamak için araçlar sunarak vision AI in healthcare teknolojisini benimsemeyi daha kolay ve verimli hale getirir.

JupyterLab entegrasyonu nasıl çalışır?#

JupyterLab üzerinde özel Ultralytics YOLO11 modelleri eğitmek oldukça basittir. Bu platform, kendinden önceki Jupyter Notebook veya Google Colab benzeridir ve hemen başlamanı kolaylaştıran önceden yapılandırılmış bir ortam sağlar.

YOLO11 projen için JupyterLab'i ayarlamak üzere, Ultralytics GitHub deposundan tutorial.ipynb dosyasını indirerek ve tercih ettiğin dizine kaydederek başla. Sonra, herhangi bir kod düzenleyiciyi veya terminali aç ve JupyterLab'i kurmak için pip install jupyterlab komutunu çalıştır. Platform otomatik olarak açılacak ve aşağıda gösterilen pencereyi görüntüleyecektir.

Şekil 2. JupyterLab’in ilk başlatma sayfası.

Kurulum tamamlandığında, not defteri dosyasını kaydettiğin dizine git ve platformu başlatmak için jupyter lab komutunu çalıştır. Bu işlem, varsayılan web tarayıcında JupyterLab'i açacaktır; burada tutorial.ipynb dosyasını yükleyebilir ve YOLO11'i keşfetmeye başlayabilirsin. Bu etkileşimli ortamda, not defterindeki kodu hücre hücre çalıştırabilir, ayarları düzenleyebilir ve sonuçları anında görebilirsin. JupyterLab; çıktıları görüntülemeyi, not almayı ve farklı kurulumları tek bir yerde denemeyi kolaylaştırır.

Şekil 3. Ultralytics YOLO11 tutorial.ipynb defterini JupyterLab arayüzünde açma.

Ultralytics YOLO modellerini eğitme süreci ve en iyi uygulamalar hakkında daha iyi bir anlayış elde etmek için resmi Ultralytics belgelerine başvurabilirsin.

JupyterLab entegrasyonunu seçmek: neden öne çıkıyor?#

Ultralytics entegrasyon belgelerini incelerken, aralarından seçim yapabileceğin çok çeşitli entegrasyonlar olduğunu fark edeceksin. Hatta bazıları benzer özellikler sunar. Örneğin, Google Colab entegrasyonu, önceden eğitilmiş bir modeli belirli görevler için özel olarak eğitmek dahil olmak üzere YOLO11 eğitimini destekleyen not defteri tarzı bir ortam sunar. Bu kadar çok entegrasyon varken, JupyterLab entegrasyonunu benzersiz kılan şeyin ne olduğunu akılda tutmak önemlidir.

JupyterLab entegrasyonunu kullanmanın en önemli avantajlarından biri, eklenti desteğidir. Bu eklentiler bilgisayarlı görü projende önemli bir fark yaratabilir ve model geliştirme sürecini kolaylaştırabilir. Örneğin, ilerlemeni takip etmek, çalışmanı başkalarıyla paylaşmak ve kodunun her zaman bakımlı kalmasını sağlamak için Git eklentilerini kullanabilirsin; bunların hepsini JupyterLab arayüzünden ayrılmadan yapabilirsin.

JupyterLab entegrasyonlarının projen için harika bir seçim olmasının diğer bazı nedenleri şunlardır:

• Kolay hücre yönetimi: JupyterLab'de farklı hücreleri yönetmek kolaydır. Sıkıcı kes-yapıştır yöntemi yerine, hücreleri yeniden düzenlemek için sürükleyip bırakabilirsin.

• Not defterleri arası hücre kopyalama: Hücreleri bir not defterinden diğerine sürükleyip bırakarak farklı not defterleri arasında kolayca kopyalayabilirsin.

• Çoklu görünüm: JupyterLab, özellikle uzun not defterleri için çok yararlı olan aynı not defterinin çoklu görünümlerini destekler. Karşılaştırmak veya keşfetmek için farklı bölümleri yan yana açabilirsin ve bir görünümde yaptığın tüm değişiklikler diğerinde de görünecektir.

• Klasik not defteri görünümüne kolay geçiş: Klasik Jupyter Notebook arayüzüne daha aşina olanlar için JupyterLab kolay bir geri dönüş seçeneği sunar. Tanıdık not defteri görünümüne dönmek için tarayıcı bağlantısındaki “/lab” kısmını “/tree” ile değiştirmen yeterlidir.

JupyterLab entegrasyonunun ve Ultralytics YOLO11'in uygulamaları#

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

Örneğin, vahşi yaşam izleme teknolojileri üzerinde çalışan bir geliştirici, bir YOLO11 modelini eğitmek için JupyterLab entegrasyonunu kullanabilir. Geliştirici, YOLO11'i özel olarak eğiterek dron görüntülerinden nesli tükenmekte olan türleri tanımlayan bilgisayarlı görü uygulamaları oluşturabilir. JupyterLab; verileri keşfetmek, ön işleme yapmak ve modelleri eğitmek için tek bir çalışma alanı sağlayarak bu süreci daha kolay hale getirir. Geliştiriciler kodu çalıştırabilir, modelleri test edebilir ve sonuçları tek bir yerde görüntüleyerek iş akışını basit ve düzenli tutabilir.

Fig 4. Ultralytics YOLO modellerini vahşi yaşam türlerini tespit etmek için kullanmaya dair bir örnek.

Yaban hayatı koruma çalışmalarının ötesinde, Ultralytics YOLO11 ve JupyterLab'in güvenilir kombinasyonu aşağıdakiler gibi çeşitli gerçek dünya uygulamalarında kullanılabilir:

• Tarımda bilgisayarlı görü: Ultralytics YOLO11'in çeşitli bilgisayarlı görü görevleri için sunduğu destek; drone veya uydu görüntüleri üzerinden ürün hastalıklarını tespit etmeye, bitki büyümesini izlemeye veya yabani otları belirlemeye yardımcı olurken, JupyterLab ise veri analizini ve model optimizasyonunu kolaylaştırır.

• Üretimde kalite kontrolü: Görüntüleri gerçek zamanlı olarak analiz eden Ultralytics YOLO11, montaj hatlarındaki ürün kusurlarını tespit edebilir; JupyterLab ise modelleri iyileştirmek ve sonuçları değerlendirmek için merkezi bir ortam sağlar.

• Lojistikte yapay zeka: Envanter takibi ve paket tarama gibi görevler YOLO11 kullanılarak otomatize edilebilir; bu model görüntülerdeki nesneleri tespit eder ve konumlarını belirtmek için etraflarına sınırlayıcı kutular (bounding boxes) yerleştirirken, JupyterLab lojistik verilerini kullanarak modelleri verimli bir şekilde eğitmek, doğrulamak ve test etmek için araçlar sunar.

JupyterLab entegrasyonunun avantajları#

İşte JupyterLab entegrasyonunun genel olarak görsel yapay zekaya sağladığı benzersiz faydalardan bazılarına hızlı bir bakış:

• Uzaktan erişim ve ölçeklenebilirlik: Hem bulut platformlarında hem de uzak sunucularda çalışabilir, böylece güçlü bilgi işlem kaynaklarına ve iş birliğine dayalı araştırmalara erişim sağlar.

• Çoklu programlama dili desteği: Python en yaygın kullanılan dil olsa da, JupyterLab R, Julia ve Scala gibi diğer dilleri de destekleyerek çeşitli iş akışları için çok yönlülük sağlar.

• Veri entegrasyonu: JupyterLab; veritabanları, bulut depolama ve veri işleme araçlarıyla sorunsuz bir şekilde bütünleşir, bu da vision AI eğitimi için gereken büyük veri kümelerini işlemeyi kolaylaştırır.

Öne çıkanlar#

JupyterLab entegrasyonu, Ultralytics YOLO11 gibi bilgisayarlı görü modelleriyle çalışmayı kolaylaştıran faydalı bir araçtır. Verilerini organize edebileceğin, özel modeller eğzip test edebileceğin ve diğer geliştiricilerle çalışabileceğin tek bir çalışma alanı sunar. Yararlı eklentileri ve uzantıları sayesinde, çalışma ortamını kurma endişesi taşımadan modellerini oluşturmaya ve geliştirmeye odaklanabilirsin.

İster yaban hayatını korumaya yardımcı ol, ister tıbbi taramaları iyileştir veya fabrikalardaki ürün kalitesini kontrol et; Ultralytics tarafından desteklenen JupyterLab entegrasyonu süreci daha basit ve verimli hale getirir.

Topluluğumuza katıl ve yapay zeka hakkında bilgi edinmek için GitHub depomuzu veya kılavuzlarımızı incele. Ayrıca çözüm sayfalarımızda üretimde bilgisayarlı görü veya sürücüsüz araçlarda yapay zeka gibi daha fazla uygulamayı keşfedebilirsin.