Ultralytics YOLO11'i JupyterLab entegrasyonunu kullanarak eğitme

Bilgisayarlı görü modelleri üzerinde çalışmak heyecan verici olabilir; özellikle de modelinin iyi performans gösterdiğini gördüğünde. Bilgisayarlı görü geliştirme süreci genellikle veri kümelerini hazırlamak ve Ultralytics YOLO11 gibi modellerde ince ayar yapmak gibi birkaç basit adımdan oluşur. Ancak bu sürecin, geliştirme ortamı kurmak gibi yeni başlayanlar için zorlayıcı olabilecek bazı bölümleri vardır. Ultralytics entegrasyonları tam da bu nedenle JupyterLab gibi bu adımları kolaylaştırabilecek araçları destekler.

Özellikle JupyterLab entegrasyonu, bilgisayarlı görü modellerini keşfetmeyi ve bunlarla denemeler yapmayı kolaylaştıran etkileşimli ve kullanıcı dostu bir geliştirme ortamı sunar. JupyterLab, entegre bir çalışma alanı sağlar. Bunu kullanarak ortamları kurup yapılandırmanın dikkat dağıtıcı etkisi olmadan bilgisayarlı görü modellerini keşfetmeye ve oluşturmaya hemen başlayabilirsin.

Örneğin JupyterLab; kod çalıştırmak için not defterleri, dokümantasyon oluşturmak için metin düzenleyicileri ve sistemle etkileşim kurmak için terminaller gibi araçlar ve özellikler sunar. Aslında JupyterLab, Ultralytics YOLO11 modelleriyle doğrudan bilgisayarında kolayca denemeler yapmana ve bu modelleri eğitmene olanak tanır. Bu makalede, JupyterLab'ın YOLO11 ile entegrasyonunu, nasıl çalıştığını ve sunduğu avantajları inceleyeceğiz.

JupyterLab nedir?#

JupyterLab, kod yazıp çalıştırmana, verileri düzenlemene ve görsel raporlar oluşturmana tek bir yerden yardımcı olan web tabanlı bir araçtır. Kodlamayı daha etkileşimli ve kullanıcı dostu hâle getirmek amacıyla 2014'te başlatılan Project Jupyter'ın bir parçasıdır. Jupyter Notebook'un geliştirilmiş bir sürümü olarak tasarlanan araç ilk olarak 2018'de yayımlanmıştır ve veri analizi, grafik oluşturma ve makine öğrenimi modelleri geliştirme gibi görevlerde yaygın olarak kullanılır.

JupyterLab, kod ve verilerle etkileşimli çalışmana olanak tanıyarak fikirler üzerinde denemeler yapmayı ve fikirleri keşfetmeyi kolaylaştırır. Ayrıca kodu, metni ve görselleri sorunsuz biçimde bir araya getiren belgeler oluşturup paylaşabilirsin; bu özellik iş birliği ve sunumlar için idealdir. Bunun yanı sıra esnek arayüzü, not defterleri, metin dosyaları ve terminaller gibi araçları yan yana düzenlemene olanak tanır; eklentiler ekleyerek işlevlerini projenin ihtiyaçlarına uyacak şekilde daha da genişletebilirsin.

Şekil 1. JupyterLab bileşenleri.

JupyterLab'ın diğer bazı ilgi çekici özellikleri şunlardır:

• Kolay proje oluşturma: JupyterLab, grafikler, çizelgeler ve panolar gibi görsellerin yanı sıra resimler, videolar ve diğer medya türlerini içeren projeleri kolayca oluşturup paylaşmanı sağlar.

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

• Yeni başlayanlar için ideal: JupyterLab; sınıflarda kodlama ve veri analizi öğretmek, araştırmalarda fikirleri test etmek ve geliştirme süreçlerinde yazılım testi ile veri iş akışlarını yönetmek gibi görevlerde popülerdir.

JupyterLab'ı kullanarak Ultralytics YOLO11 projeleri üzerinde çalışma#

Artık JupyterLab'ın ne olduğunu daha iyi anladığımıza göre, JupyterLab entegrasyonunun tam olarak neleri kapsadığını ve Ultralytics YOLO11 ile çalışırken bundan nasıl yararlanabileceğini inceleyelim.

JupyterLab, Ultralytics YOLO11 modellerini içeren projeler üzerinde çalışmak için harika bir araçtır. Görevlerini ve belgelerini platformlar arasında geçiş yapmadan yönetebileceğin hepsi bir arada bir ortam sunarak geliştirme sürecini basitleştirir. Etkileşimli arayüz, kodu çalıştırmana ve sonuçları anında görmene olanak tanır; bu da verileri keşfetmek veya YOLO11 modelinin performansını anlamak için idealdir. Ayrıca YOLO11 modellerini görselleştirmene ve iyileştirmene yardımcı olan etkileşimli grafikler oluşturmak için Plotly gibi uzantıları kullanabilirsin.

Örneğin, yapay zekânın sağlık hizmetlerinde kullanıldığı yenilikçi bir proje üzerinde çalıştığını varsayalım. Doktorlara X-ray veya CT taraması görüntülerindeki tümörleri gerçek zamanlı olarak tespit etmede yardımcı olmak için Ultralytics YOLO11 üzerinde özel eğitim yapmayı planlıyorsun. YOLO11, hem normal hem de anormal bölgeleri vurgulayan etiketli tıbbi görüntülerden oluşan bir veri kümesi kullanılarak eğitilebilir. JupyterLab entegrasyonuyla YOLO11 modellerini doğrudan iş birliğine uygun, kod dostu bir ortamda eğitebilir ve ince ayar yapabilirsin. Ayrıca veri kümelerini yönetmek, deneyleri çalıştırmak ve model doğruluğunu değerlendirmek için araçlar sunarak sağlık hizmetlerinde görü yapay zekâsını benimsemeyi daha kolay ve verimli hâle getirir.

JupyterLab entegrasyonu nasıl çalışır?#

Ultralytics YOLO11 modellerini JupyterLab üzerinde özel olarak eğitmek oldukça basittir. Platform, önceki sürümü olan Jupyter Notebook'a veya Google Colab'a benzer ve başlamanı kolaylaştıran önceden yapılandırılmış bir ortam sunar.

YOLO11 projen için JupyterLab'ı kurmak üzere önce tutorial.ipynb dosyasını Ultralytics GitHub deposundan indirip tercih ettiğin dizine kaydet. Ardından herhangi bir kod düzenleyiciyi veya terminali aç ve JupyterLab'ı yüklemek için pip install jupyterlab komutunu çalıştır. Platform, aşağıda gösterilen pencereyi otomatik olarak açıp görüntüler.

Şekil 2. JupyterLab'ın ilk açılış sayfası.

Yükleme tamamlandığında, not defteri dosyasını kaydettiğin dizine git ve platformu başlatmak için jupyter lab komutunu çalıştır. Bu işlem, JupyterLab'ı varsayılan web tarayıcında açar; burada tutorial.ipynb dosyasını yükleyebilir ve 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 yerden denemeyi kolaylaştırır.

Şekil 3. Ultralytics YOLO11 tutorial.ipynb not defterinin JupyterLab arayüzünde açılması.

Ultralytics YOLO modellerini eğitme sürecini ve en iyi uygulamaları daha iyi anlamak için resmî Ultralytics dokümantasyonuna başvurabilirsin.

JupyterLab entegrasyonunu seçmek: öne çıkan özellikleri#

Ultralytics entegrasyonları dokümantasyonunu incelerken seçebileceğin çok çeşitli entegrasyonlar olduğunu fark edeceksin. Bunlardan bazıları benzer özellikler de sunar. Örneğin Google Colab entegrasyonu, YOLO11 eğitimini destekleyen ve önceden eğitilmiş bir modelin belirli görevler için özel olarak eğitilmesini sağlayan not defteri tarzı bir ortam sunar. Bu kadar çok entegrasyon arasından seçim yaparken JupyterLab entegrasyonunu benzersiz kılan özellikleri aklında tutman önemlidir.

JupyterLab entegrasyonunu kullanmanın 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 bakımlı olmasını sağlamak için Git uzantılarını kullanabilirsin; üstelik bunların tümünü JupyterLab arayüzünden ayrılmadan yapabilirsin.

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

• Kolay hücre yönetimi: JupyterLab'da farklı hücreleri yönetmek kolaydır. Sıkıcı kesip yapıştırma yöntemi yerine hücreleri sürükleyip bırakarak yeniden düzenleyebilirsin.

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

• Birden çok görünüm: JupyterLab aynı not defterinin birden çok görünümünü destekler; bu özellik özellikle uzun not defterleri için kullanışlıdır. Farklı bölümleri karşılaştırmak veya keşfetmek için yan yana açabilirsin ve bir görünümde yaptığın değişiklikler diğerinde de görünür.

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

JupyterLab entegrasyonu ve Ultralytics YOLO11'in 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 tükenmekte olan türleri tanımlayan bilgisayarlı görü uygulamaları geliştirebilir. JupyterLab; verileri keşfetmek, ön işlemek ve modelleri eğitmek için tek bir çalışma alanı sunarak bu süreci kolaylaştırır. Geliştiriciler kod çalıştırabilir, modelleri test edebilir ve sonuçları tek bir yerden görüntüleyerek iş akışını basit ve düzenli tutabilir.

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

Yaban hayatını korumanın ötesinde, Ultralytics YOLO11 ve JupyterLab'ın güvenilir birleşimi aşağıdakiler gibi çeşitli gerçek dünya uygulamalarında kullanılabilir:

• Tarımda bilgisayarlı görü: Ultralytics YOLO11'in çeşitli bilgisayarlı görü görevlerini desteklemesi; ürün hastalıklarını tespit etmeye, bitki büyümesini izlemeye veya drone ya da uydu görüntülerinden yabani otları belirlemeye yardımcı olabilir. JupyterLab ise veri analizini ve model optimizasyonunu kolaylaştırır.

• Üretimde kalite kontrolü: Ultralytics YOLO11, görüntüleri gerçek zamanlı analiz ederek montaj hatlarındaki ürün kusurlarını belirleyebilir; JupyterLab ise modelleri iyileştirmek ve sonuçları değerlendirmek için merkezi bir ortam sağlar.

• Lojistikte yapay zekâ: Envanter takibi ve paket tarama gibi görevler, görüntülerdeki nesneleri tespit edip konumlarını göstermek için etraflarına sınırlayıcı kutular yerleştiren YOLO11 kullanılarak otomatikleştirilebilir. JupyterLab ise lojistik verilerini kullanarak modelleri verimli şekilde eğitmek, doğrulamak ve test etmek için araçlar sunar.

JupyterLab entegrasyonunun avantajları#

JupyterLab entegrasyonunun genel olarak görü yapay zekâsına sağladığı bazı benzersiz avantajlara kısaca göz atalım:

• Uzaktan erişim ve ölçeklenebilirlik: Hem bulut platformlarında hem de uzak sunucularda çalışabilir; böylece güçlü bilgi işlem kaynaklarına ve iş birlikçi araştırma olanaklarına erişim sağlar.

• Birden çok programlama dili desteği: Python en yaygın kullanılan dil olsa da JupyterLab, R, Julia ve Scala gibi diğer dilleri de destekleyerek farklı iş akışları için esneklik sunar.

• Veri entegrasyonu: JupyterLab, veritabanları, bulut depolama ve veri işleme araçlarıyla sorunsuz şekilde bütünleşerek görü yapay zekâsı eğitimi için gereken büyük veri kümelerini işlemeyi kolaylaştırır.

Önemli çıkarımlar#

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

İster yaban hayatını korumaya yardımcı ol, ister tıbbi taramaları iyileştir, ister fabrikalarda ürün kalitesini denetle; Ultralytics tarafından desteklenen JupyterLab entegrasyonu süreci daha basit ve verimli hâle getirir.

Topluluğumuza katıl ve GitHub depomuza veya yapay zekâ hakkında bilgi edinmek için hazırladığımız kılavuzlara göz at. Çözümler sayfalarımızda üretimde bilgisayarlı görü veya otonom araçlarda yapay zekâ gibi daha fazla uygulamayı da inceleyebilirsin.