Trainiere Ultralytics YOLO11 mit der JupyterLab-Integration

Die Arbeit an Bildverarbeitungsmodellen kann aufregend sein, vor allem, wenn du siehst, dass dein Modell gut funktioniert. Normalerweise umfasst der Entwicklungsprozess für Computer Vision mehrere einfache Schritte, wie die Vorbereitung von Datensätzen und die Feinabstimmung von Modellen, wie Ultralytics YOLO11. Es gibt jedoch einige Teile dieses Prozesses, die für Anfänger eine Herausforderung darstellen können, wie z. B. die Einrichtung einer Entwicklungsumgebung. Genau aus diesem Grund unterstütztUltralytics Integrationen wie JupyterLab, die diese Schritte erleichtern.

Die Jupyterlab-Integration bietet eine interaktive und benutzerfreundliche Entwicklungsumgebung, die das Erforschen und Experimentieren mit Computer Vision Modellen einfach macht. Jupyterlab bietet dir einen integrierten Arbeitsbereich. Damit kannst du direkt mit dem Erforschen und Erstellen von Computer-Vision-Modellen beginnen, ohne dich mit der Installation und Einrichtung von Umgebungen ablenken zu müssen. 

JupyterLab bietet zum Beispiel Werkzeuge und Funktionen wie Notebooks zum Ausführen von Code, Texteditoren zum Erstellen von Dokumentationen und Terminals für die Interaktion mit dem System. Mit JupyterLab kannst du ganz einfach experimentieren und Ultralytics YOLO11 Modelle direkt auf deinem Computer trainieren. In diesem Artikel werden wir die Integration von JupyterLab in YOLO11, seine Funktionsweise und die Vorteile, die es bietet, untersuchen.

Was ist JupyterLab?

JupyterLab ist ein webbasiertes Tool, mit dem du Code schreiben und ausführen, Daten organisieren und visuelle Berichte erstellen kannst - alles an einem Ort. Es ist Teil des Project Jupyter, das 2014 ins Leben gerufen wurde, um das Programmieren interaktiver und benutzerfreundlicher zu machen. Es wurde als Erweiterung von Jupyter Notebook entwickelt und 2018 zum ersten Mal veröffentlicht. Es wird häufig für Aufgaben wie die Analyse von Daten, die Erstellung von Diagrammen und die Entwicklung von Machine-Learning-Modellen verwendet.

Mit JupyterLab kannst du interaktiv mit Code und Daten arbeiten und so ganz einfach mit Ideen experimentieren und sie erforschen. Du kannst auch Dokumente erstellen und teilen, die Code, Text und Bilder nahtlos miteinander verbinden - ideal für die Zusammenarbeit und für Präsentationen. Darüber hinaus kannst du mit der flexiblen Benutzeroberfläche Werkzeuge wie Notizbücher, Textdateien und Terminals nebeneinander organisieren und mit Plug-ins die Funktionalität entsprechend den Anforderungen deines Projekts erweitern.

‍

Hier sind einige weitere interessante Funktionen von JupyterLab:

• Einfache Projekterstellung: Mit JupyterLab ist es einfach, Projekte mit visuellen Elementen wie Diagrammen, Grafiken und Dashboards sowie Bildern, Videos und anderen Medien zu erstellen und zu teilen. 

• Mit anderen zusammenarbeiten: Du kannst ganz einfach mit anderen zusammenarbeiten, indem du Notizbücher teilst und Änderungen mit Tools wie Git verfolgst. 

• Ideal für Anfänger: Es ist beliebt im Unterricht, um Kodierung und Datenanalyse zu lehren, in der Forschung, um Ideen zu testen, und in der Entwicklung für Aufgaben wie Softwaretests und die Verwaltung von Datenworkflows.

Mit JupyterLab an Ultralytics YOLO11 Projekten arbeiten

Nachdem wir nun besser verstanden haben, was JupyterLab ist, wollen wir uns ansehen, was genau die JupyterLab-Integration umfasst und wie du sie bei der Arbeit mit YOLO11 nutzen kannst. 

JupyterLab ist ein großartiges Werkzeug für die Arbeit an Projekten mit Ultralytics YOLO11 Modellen. Es vereinfacht den Entwicklungsprozess, indem es eine All-in-One-Umgebung bietet, in der du Aufgaben und Dokumente verwalten kannst, ohne zwischen verschiedenen Plattformen wechseln zu müssen. Die interaktive Oberfläche ermöglicht es dir, Code auszuführen und die Ergebnisse sofort zu sehen. Das ist ideal, um Daten zu untersuchen oder zu verstehen, wie sich dein YOLO11 Modell verhält. Du kannst auch Erweiterungen wie Plotly verwenden, um interaktive Diagramme zu erstellen, die dir helfen, deine YOLO11 Modelle zu visualisieren und zu verfeinern.

Angenommen, du arbeitest an einem innovativen Projekt im Bereich der KI im Gesundheitswesen. Du planst, YOLO11 zu trainieren, um Ärzten bei der Echtzeit-Objekterkennung von Tumoren in Röntgen- oder CT-Bildern zu helfen. YOLO11 kann mit einem Datensatz von beschrifteten medizinischen Bildern trainiert werden, die sowohl normale als auch abnorme Bereiche hervorheben. Mit der JupyterLab-Integration kannst du die Modelle von YOLO11 direkt in einer kollaborativen, codefreundlichen Umgebung trainieren und feinabstimmen. Sie bietet außerdem Werkzeuge für die Verwaltung von Datensätzen, die Durchführung von Experimenten und die Validierung der Modellgenauigkeit, wodurch die Einführung von Vision AI im Gesundheitswesen einfacher und effizienter wird.

So funktioniert die JupyterLab-Integration

Das Training von YOLO11 Modellen auf JupyterLab ist unkompliziert. Die Plattform ähnelt ihrem Vorgänger, Jupyter Notebook oder Google Colab, und bietet eine vorkonfigurierte Umgebung, die den Einstieg erleichtert.

Um JupyterLab für dein YOLO11 Projekt einzurichten, lade zunächst die Datei "tutorial.ipynb" aus dem GitHub-Repository Ultralytics herunter und speichere sie in deinem bevorzugten Verzeichnis. Öffne dann einen beliebigen Code-Editor oder ein Terminal und führe den Befehl `pip install jupyterlab` aus, um JupyterLab zu installieren. Die Plattform öffnet sich automatisch und zeigt das unten abgebildete Fenster an.

Sobald die Installation abgeschlossen ist, navigierst du zu dem Verzeichnis, in dem du die Notebook-Datei gespeichert hast, und rufst den Befehl `jupyter lab` auf, um die Plattform zu starten. Dadurch wird JupyterLab in deinem Standard-Webbrowser geöffnet, wo du die Datei "tutorial.ipynb" laden und mit der Erkundung von YOLO11 beginnen kannst. In dieser interaktiven Umgebung kannst du den Code im Notizbuch Zelle für Zelle ausführen, die Einstellungen anpassen und die Ergebnisse sofort sehen. Mit JupyterLab ist es einfach, sich die Ergebnisse anzusehen, Notizen zu machen und verschiedene Konfigurationen auszuprobieren. 

‍

Um ein besseres Verständnis für den Schulungsprozess Ultralytics YOLO Modelle und Best Practices zu bekommen, kannst du die offizielle Dokumentation Ultralytics einsehen. 

Die Wahl der Jupyterlab-Integration: Warum sie sich auszeichnet

Wenn du dir die Dokumentation derUltralytics Integrationen ansiehst, wirst du feststellen, dass es eine Vielzahl von Integrationen gibt, aus denen du wählen kannst. Einige von ihnen bieten sogar ähnliche Funktionen. Die Google Colab-Integration bietet zum Beispiel eine Umgebung im Stil eines Notizbuchs, die das Training von YOLO11 unterstützt, einschließlich des benutzerdefinierten Trainings eines vortrainierten Modells für bestimmte Aufgaben. Bei so vielen Integrationen ist es wichtig, sich vor Augen zu halten, was die JupyterLab-Integration einzigartig macht. 

Einer der wichtigsten Vorteile der JupyterLab-Integration ist die Unterstützung von Erweiterungen. Diese Erweiterungen können dein Bildverarbeitungsprojekt erheblich verbessern und den Prozess der Modellentwicklung rationalisieren. Du kannst zum Beispiel die Git-Erweiterungen nutzen, um deinen Fortschritt zu verfolgen, deine Arbeit mit anderen zu teilen und sicherzustellen, dass dein Code immer gut gepflegt wird - und das alles, ohne die JupyterLab-Oberfläche zu verlassen.

Hier sind einige weitere Gründe, warum die JupyterLab-Integrationen eine gute Wahl für dein Projekt sein könnten:

• Einfache Zellenverwaltung: Die Verwaltung verschiedener Zellen in JupyterLab ist ganz einfach. Anstelle des mühsamen Ausschneidens und Einfügens kannst du Zellen per Drag & Drop neu anordnen.

• Notizbuchübergreifendes Kopieren von Zellen: Du kannst Zellen ganz einfach zwischen verschiedenen Notizbüchern kopieren, indem du Zellen per Drag & Drop von einem Notizbuch in ein anderes ziehst.

• Mehrere Ansichten: JupyterLab unterstützt mehrere Ansichten desselben Notizbuchs, was besonders bei langen Notizbüchern nützlich ist. Du kannst verschiedene Abschnitte nebeneinander öffnen, um sie zu vergleichen oder zu erkunden, und alle Änderungen, die du in einer Ansicht vornimmst, erscheinen auch in der anderen.

• Einfacher Wechsel zur klassischen Notizbuchansicht: Für diejenigen, die eher mit der klassischen Jupyter-Notebook-Oberfläche vertraut sind, bietet JupyterLab einen einfachen Wechsel zurück. Du kannst einfach "/lab" im Browser-Link durch "/tree" ersetzen, um zur vertrauten Notebook-Ansicht zurückzukehren.

Anwendungen der JupyterLab-Integration und YOLO11

Als Nächstes wollen wir einige praktische Anwendungen für die Arbeit auf YOLO11 mit der JupyterLab-Integration erkunden.

Ein Entwickler, der an Technologien zur Überwachung von Wildtieren arbeitet, kann beispielsweise die JupyterLab-Integration nutzen, um ein YOLO11 Modell zu trainieren. Indem er YOLO11 trainiert, kann er Bildverarbeitungsanwendungen entwickeln, die gefährdete Arten anhand von Drohnenaufnahmen identifizieren. JupyterLab erleichtert diesen Prozess, indem es einen einzigen Arbeitsbereich für die Untersuchung von Daten, die Vorverarbeitung und das Training von Modellen bereitstellt. Die Entwickler können den Code ausführen, die Modelle testen und die Ergebnisse an einem Ort anzeigen, sodass der Arbeitsablauf einfach und übersichtlich bleibt.

‍

Neben dem Naturschutz kann die zuverlässige Kombination aus YOLO11 und JupyterLab in einer Vielzahl von realen Anwendungen eingesetzt werden, wie z. B:

• Computer Vision in der LandwirtschaftDie Unterstützung von YOLO11für verschiedene Computer-Vision-Aufgaben kann bei der Erkennung von Pflanzenkrankheiten, der Überwachung des Pflanzenwachstums oder der Identifizierung von Unkraut aus Drohnen- oder Satellitenbildern helfen, wobei JupyterLab die Datenanalyse und Modelloptimierung vereinfacht.

• Qualitätskontrolle in der Produktion: Durch die Analyse von Bildern in Echtzeit kann YOLO11 Defekte an Produkten auf Fließbändern erkennen, während JupyterLab eine zentrale Umgebung für die Verfeinerung von Modellen und die Auswertung von Ergebnissen bietet.

• KI in der Logistik: Aufgaben wie die Bestandsverfolgung und das Scannen von Paketen können mit YOLO11 automatisiert werden. Das Programm erkennt Objekte in Bildern und platziert Bounding Boxes um sie herum, um ihre Position anzuzeigen, während JupyterLab Tools zum effizienten Trainieren, Validieren und Testen von Modellen mit Logistikdaten bereitstellt.

Vorteile der Jupyterlab-Integration

Hier ist ein kurzer Blick auf einige der einzigartigen Möglichkeiten, wie die JupyterLab-Integration die Vision AI im Allgemeinen unterstützt:

• Fernzugriff und Skalierbarkeit: Es kann sowohl auf Cloud-Plattformen als auch auf entfernten Servern laufen und ermöglicht so den Zugang zu leistungsstarken Rechenressourcen und kollaborativer Forschung.

• Unterstützung für mehrere Programmiersprachen: Obwohl Python die am häufigsten verwendete Sprache ist, unterstützt JupyterLab auch andere Sprachen wie R, Julia und Scala, was es vielseitig für verschiedene Arbeitsabläufe macht.

• Datenintegration: JupyterLab lässt sich nahtlos in Datenbanken, Cloud-Speicher und Datenverarbeitungstools integrieren und erleichtert so den Umgang mit großen Datensätzen, die für das Training von Vision AI benötigt werden.

Die wichtigsten Erkenntnisse

Die JupyterLab-Integration ist ein nützliches Tool, das die Arbeit mit Computer-Vision-Modellen wie YOLO11 erleichtert. Es bietet dir einen einzigen Arbeitsbereich, in dem du deine Daten organisieren, eigene Modelle trainieren und testen und mit anderen Entwicklern zusammenarbeiten kannst. Mit den hilfreichen Erweiterungen und Add-ons kannst du dich auf die Erstellung und Verbesserung deiner Modelle konzentrieren, anstatt dich um die Einrichtung deiner Arbeitsumgebung zu kümmern. 

Egal, ob du beim Schutz von Wildtieren helfen, medizinische Scans verbessern oder die Produktqualität in Fabriken überprüfen willst, die von Ultralytics unterstützte JupyterLab-Integration macht den Prozess einfacher und effizienter.

Werde Teil unserer Community und sieh dir unser GitHub-Repository oder unsere Leitfäden an, um mehr über KI zu erfahren. Du kannst auch weitere Anwendungen wie Computer Vision in der Fertigung oder KI in selbstfahrenden Autos auf unseren Lösungsseiten entdecken.