JupyterLab entegrasyonunu kullanarak Ultralytics YOLO11 eğitimini gerçekleştir

Bilgisayarlı görü modelleri üzerinde çalışmak, özellikle modelinin iyi performans gösterdiğini gördüğünde heyecan verici olabilir. Genellikle bilgisayarlı görü geliştirme süreci, veri kümelerini hazırlamak ve Ultralytics YOLO11 gibi modelleri ince ayarlarla optimize etmek gibi birkaç basit adımdan oluşur. Ancak, geliştirme ortamı kurmak gibi sürecin bazı kısımları yeni başlayanlar için zorlayıcı olabilir. İşte tam da bu yüzden Ultralytics, bu adımları kolaylaştırabilecek JupyterLab gibi entegrasyonları destekler.

Özellikle JupyterLab entegrasyonu, bilgisayarlı görü modellerini keşfetmeyi ve denemeler yapmayı basitleştiren etkileşimli ve kullanıcı dostu bir geliştirme ortamı sunar. JupyterLab sana entegre bir çalışma alanı sağlar. Bunu kullanarak, ortam kurma ve yapılandırma gibi dikkat dağıtıcı işlerle uğraşmadan 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.

Link to this sectionJupyterLab 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.

Şekil 1. JupyterLab'in 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.

Link to this sectionUltralytics YOLO11 projeleri üzerinde çalışmak için JupyterLab kullanımı#

Artık JupyterLab'in ne olduğu hakkında daha iyi bir anlayışa sahip olduğumuza göre, JupyterLab entegrasyonunun tam olarak neleri kapsadığını ve YOLO11 ile çalışırken ondan nasıl yararlanabileceğini keşfedelim.

JupyterLab, Ultralytics YOLO11 projeleri üzerinde çalışmak için harika bir araçtır. Platformlar arasında geçiş yapmadan görevleri ve belgeleri yönetebileceğin hepsi bir arada bir ortam sağlayarak geliştirme sürecini basitleştirir. Etkileşimli arayüz, kodu çalıştırmana ve sonuçları anında görmene olanak tanır; bu da verileri keşfetmek veya YOLO11 modelinin nasıl performans gösterdiğini anlamak için mükemmeldir. Ayrıca, YOLO11 modellerini görselleştirmene ve geliştirmene yardımcı olan etkileşimli grafikler oluşturmak için Plotly gibi eklentileri de kullanabilirsin.

Örneğin, sağlık alanında yapay zeka içeren yenilikçi bir proje üzerinde çalıştığını varsayalım. Röntgen veya BT taraması görüntülerindeki tümörlerin gerçek zamanlı nesne tespitiyle doktorlara yardımcı olması için YOLO11'i özel olarak eğitmeyi planlıyorsun. YOLO11, hem normal hem de anormal alanları vurgulayan etiketli tıbbi görüntülerden oluşan bir veri kümesi kullanılarak eğitilebilir. JupyterLab entegrasyonu ile YOLO11 modellerini doğrudan iş birliğine dayalı, kod dostu bir ortamda eğitebilir ve ince ayar yapabilirsin. Ayrıca veri kümelerini yönetmek, deneyler çalıştırmak ve model doğruluğunu doğrulamak için araçlar sunarak sağlık hizmetlerinde yapay zekayı benimsemeyi daha kolay ve verimli hale getirir.

Link to this sectionJupyterLab entegrasyonu nasıl çalışır?#

JupyterLab üzerinde YOLO11 modellerini özel olarak eğitmek oldukça basittir. Platform, selefi olan Jupyter Notebook veya Google Colab ile benzerdir ve başlamayı kolaylaştıran önceden yapılandırılmış bir ortam sağlar.

YOLO11 projen için JupyterLab'i kurmak üzere, Ultralytics GitHub deposundan tutorial.ipynb dosyasını indirip tercih ettiğin dizine kaydederek başla. Ardından, herhangi bir kod düzenleyiciyi veya terminali aç ve JupyterLab'i yüklemek 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, JupyterLab'i varsayılan web tarayıcında açacaktır; burada tutorial.ipynb dosyasını yükleyip 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 denemeyi tek bir yerden kolaylaştırır.

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

Ultralytics YOLO modellerini eğitme süreci ve en iyi uygulamalar hakkında daha iyi bir anlayışa sahip olmak için resmi Ultralytics dokümantasyonuna başvurabilirsin.

Link to this sectionJupyterLab entegrasyonunu seçmek: neden öne çıkıyor?#

Ultralytics entegrasyon dokümantasyonunu keşfederken, seçebileceğin çok çeşitli entegrasyonlar olduğunu fark edeceksin. Hatta bazıları benzer özellikler sunar. Örneğin Google Colab entegrasyonu, YOLO11 eğitimini destekleyen ve önceden eğitilmiş bir modelin belirli görevler için özel olarak eğitilmesi de dahil olmak üzere not defteri tarzında 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.

Link to this sectionJupyterLab entegrasyonu ve YOLO11'in uygulamaları#

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

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 oluşturabilirler. JupyterLab; verileri keşfetmek, ön işleme yapmak ve modelleri eğitmek için tek bir çalışma alanı sağlayarak bu süreci kolaylaştırır. Geliştiriciler kod çalıştırabilir, modelleri test edebilir ve sonuçları tek bir yerden görüntüleyerek iş akışını basit ve düzenli tutabilirler.

Şekil 4. Yaban hayatı türlerini tespit etmek için Ultralytics YOLO modellerini kullanma örneği.

Yaban hayatı korumanın ötesinde, YOLO11 ve JupyterLab'in güvenilir kombinasyonu çeşitli gerçek dünya uygulamalarında kullanılabilir, örneğin:

• Tarımda bilgisayarlı görü: YOLO11'in çeşitli bilgisayarlı görü görevlerine yönelik desteği; mahsul hastalıklarını tespit etmeye, bitki büyümesini izlemeye veya drone veya uydu görüntülerinden yabani otları tanımlamaya yardımcı olabilir; JupyterLab ise veri analizini ve model optimizasyonunu kolaylaştırır.

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

• Lojistikte yapay zeka: Envanter takibi ve paket tarama gibi görevler, görüntülerdeki nesneleri tespit edip konumlarını belirtmek için etraflarına kutular (bbox) çizen YOLO11 kullanılarak otomatikleştirilebilir; JupyterLab ise lojistik verilerini kullanarak modelleri verimli bir şekilde eğitmek, doğrulamak ve test etmek için araçlar sağlar.

Link to this sectionJupyterLab entegrasyonunun avantajları#

İşte JupyterLab entegrasyonunun genel olarak vision AI için sağladığı benzersiz avantajlardan 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.

Link to this sectionÖne çıkanlar#

JupyterLab entegrasyonu, YOLO11 gibi bilgisayarlı görü modelleriyle çalışmayı kolaylaştıran yararlı bir araçtır. Verilerini düzenleyebileceğin, özel modelleri eğitip test edebileceğin ve diğer geliştiricilerle çalışabileceğin tek bir çalışma alanı sunar. Yararlı eklentileri ve katkı ögeleri sayesinde, çalışma ortamını kurma konusunda endişelenmek yerine modellerini oluşturmaya ve iyileştirmeye 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 depomuza veya rehberlerimize göz at. Ayrıca çözüm sayfalarımızda üretimde bilgisayarlı görü veya kendi kendine giden arabalarda yapay zeka gibi daha fazla uygulamayı keşfedebilirsin.