Facendo clic su "Accetta tutti i cookie", acconsenti alla memorizzazione dei cookie sul tuo dispositivo per migliorare la navigazione del sito, analizzare l'utilizzo del sito e contribuire alle nostre iniziative di marketing. Per saperne di più
Impostazioni dei cookie
Facendo clic su "Accetta tutti i cookie", acconsenti alla memorizzazione dei cookie sul tuo dispositivo per migliorare la navigazione del sito, analizzare l'utilizzo del sito e contribuire alle nostre iniziative di marketing. Per saperne di più
Lavorare su modelli di computer vision può essere entusiasmante, soprattutto quando vedi che il tuo modello funziona bene. In genere, il processo di sviluppo della computer vision prevede diverse fasi semplici, come la preparazione di set di dati e la messa a punto dei modelli, ad esempio Ultralytics YOLO11. Tuttavia, ci sono alcune parti di questo processo che possono essere impegnative per i principianti, come la creazione di un ambiente di sviluppo. È proprio per questo che Ultralytics supporta integrazioni come JupyterLab che possono facilitare queste fasi.
In particolare, l'integrazione con Jupyterlab offre un ambiente di sviluppo interattivo e facile da usare che rende semplice l'esplorazione e la sperimentazione di modelli di computer vision. Jupyterlab ti offre uno spazio di lavoro integrato. Utilizzandolo, puoi immergerti subito nell'esplorazione e nella costruzione di modelli di computer vision senza la distrazione di dover installare e configurare gli ambienti.
Ad esempio, JupyterLab offre strumenti e funzionalità come notebook per l'esecuzione del codice, editor di testo per la creazione di documentazione e terminali per interagire con il sistema. In effetti, JupyterLab ti permette di sperimentare e addestrare facilmente i modelli di Ultralytics YOLO11 direttamente sul tuo computer. In questo articolo esploreremo la sua integrazione con YOLO11, il suo funzionamento e i vantaggi che offre.
Cos'è JupyterLab?
JupyterLab è uno strumento basato sul web che ti aiuta a scrivere ed eseguire codice, organizzare i dati e creare report visivi in un unico posto. Fa parte del Progetto Jupyter, nato nel 2014 per rendere il coding più interattivo e facile da usare. Costruito come aggiornamento di Jupyter Notebook, è stato rilasciato per la prima volta nel 2018 ed è comunemente usato per attività come l'analisi dei dati, la creazione di grafici e la costruzione di modelli di apprendimento automatico.
JupyterLab ti permette di lavorare con codice e dati in modo interattivo, rendendo semplice la sperimentazione e l'esplorazione delle idee. Puoi anche creare e condividere documenti che combinano perfettamente codice, testo e immagini, ideali per la collaborazione e le presentazioni. Inoltre, la sua interfaccia flessibile ti permette di organizzare strumenti come taccuini, file di testo e terminali l'uno accanto all'altro, mentre i plugin possono essere aggiunti per espandere ulteriormente le sue funzionalità in base alle esigenze del tuo progetto.
Ecco altre interessanti caratteristiche di JupyterLab:
Creazione facile di progetti: JupyterLab semplifica la creazione e la condivisione di progetti con immagini come grafici, diagrammi e dashboard, oltre a immagini, video e altri media.
Collabora con gli altri: Puoi collaborare facilmente con gli altri condividendo i quaderni e tenendo traccia delle modifiche con strumenti come Git.
Ottimo per i principianti: È popolare nelle aule scolastiche per insegnare il coding e l'analisi dei dati, nella ricerca per testare le idee e nello sviluppo per attività come il test del software e la gestione dei flussi di lavoro dei dati.
Usare JupyterLab per lavorare sui progetti di Ultralytics YOLO11
Ora che abbiamo capito meglio cos'è JupyterLab, analizziamo cosa comprende esattamente l'integrazione con JupyterLab e come puoi sfruttarla quando lavori con YOLO11.
Ad esempio, supponiamo che tu stia lavorando a un progetto innovativo che riguarda l'IA nel settore sanitario. Hai intenzione di addestrare in modo personalizzato YOLO11 per aiutare i medici a rilevare in tempo reale i tumori nelle immagini di radiografie o TAC. YOLO11 può essere addestrato utilizzando un set di immagini mediche etichettate che evidenziano sia le aree normali che quelle anormali. Grazie all'integrazione con JupyterLab, puoi addestrare e perfezionare i modelli di YOLO11 direttamente in un ambiente collaborativo e facile da usare. Offre inoltre strumenti per la gestione dei set di dati, l'esecuzione di esperimenti e la convalida dell'accuratezza dei modelli, rendendo più semplice ed efficiente l'adozione della Vision AI nel settore sanitario.
Come funziona l'integrazione con JupyterLab
La formazione personalizzata dei modelli di YOLO11 su JupyterLab è semplice. La piattaforma è simile al suo predecessore, Jupyter Notebook o Google Colab, e fornisce un ambiente preconfigurato che rende facile iniziare.
Per configurare JupyterLab per il tuo progetto YOLO11 , inizia scaricando il file `tutorial.ipynb` dal repository GitHub di Ultralytics e salvalo nella tua directory preferita. Quindi, apri un qualsiasi editor di codice o un terminale ed esegui il comando `pip install jupyterlab` per installare JupyterLab. La piattaforma si aprirà automaticamente e visualizzerà la finestra mostrata di seguito.
Figura 2. Pagina iniziale di avvio di JupyterLab.
Una volta completata l'installazione, naviga nella directory in cui hai salvato il file del notebook ed esegui il comando `jupyter lab` per lanciare la piattaforma. Si aprirà JupyterLab nel tuo browser web predefinito, dove potrai caricare il file `tutorial.ipynb` e iniziare a esplorare YOLO11. In questo ambiente interattivo, puoi eseguire il codice del notebook cella per cella, regolare le impostazioni e vedere i risultati all'istante. JupyterLab ti permette di visualizzare facilmente i risultati, prendere appunti e provare diverse configurazioni in un unico posto.
Figura 3. Apertura del notebook YOLO11 tutorial.ipynb nell'interfaccia di JupyterLab.
Per comprendere meglio il processo di formazione dei modelli Ultralytics YOLO e le migliori pratiche, puoi consultare la documentazione ufficiale di Ultralytics .
Scegliere l'integrazione con Jupyterlab: perché si distingue
Esplorando la documentazione sulle integrazioni diUltralytics , noterai che c'è un'ampia varietà di integrazioni tra cui scegliere. Alcune di esse offrono addirittura caratteristiche simili. Ad esempio, l'integrazione Google Colab offre un ambiente in stile taccuino che supporta l'addestramento di YOLO11, compreso l'addestramento personalizzato di un modello pre-addestrato per compiti specifici. Con così tante integrazioni, è importante tenere a mente cosa rende unica l'integrazione con JupyterLab.
Uno dei vantaggi principali dell'utilizzo dell'integrazione con JupyterLab è il suo supporto per le estensioni. Queste estensioni possono fare la differenza nel tuo progetto di computer vision e semplificare il processo di sviluppo del modello. Ad esempio, puoi usare le estensioni Git per tenere traccia dei tuoi progressi, condividere il tuo lavoro con altri e assicurarti che il tuo codice sia sempre ben mantenuto, il tutto senza lasciare l'interfaccia di JupyterLab.
Ecco altri motivi per cui le integrazioni di JupyterLab potrebbero essere un'ottima scelta per il tuo progetto:
Gestione facile delle celle: Gestire le diverse celle in JupyterLab è facile. Invece del noioso metodo del taglia-e-incolla, puoi trascinare e rilasciare le celle per riorganizzarle.
Copia di celle da un quaderno all'altro: Puoi copiare facilmente le celle tra diversi quaderni trascinando e rilasciando le celle da un quaderno all'altro.
Viste multiple: JupyterLab supporta viste multiple dello stesso quaderno, il che è particolarmente utile per i quaderni lunghi. Puoi aprire sezioni diverse una accanto all'altra per confrontarle o esplorarle e tutte le modifiche apportate in una vista appariranno anche nell'altra.
Facile passaggio alla visualizzazione classica del notebook: Per coloro che hanno più familiarità con l'interfaccia classica di Jupyter Notebook, JupyterLab offre un facile ritorno. Puoi semplicemente sostituire "/lab" nel link del browser con "/tree" per tornare alla visualizzazione classica del notebook.
Applicazioni dell'integrazione di JupyterLab e di YOLO11
Esploriamo quindi alcune applicazioni pratiche del lavoro su YOLO11 utilizzando l'integrazione con JupyterLab.
Ad esempio, uno sviluppatore che lavora sulle tecnologie di monitoraggio della fauna selvatica può utilizzare l'integrazione di JupyterLab per addestrare un modello YOLO11 . Addestrando in modo personalizzato YOLO11, può creare applicazioni di computer vision che identificano le specie in pericolo dalle riprese dei droni. JupyterLab facilita questo processo fornendo un unico spazio di lavoro per l'esplorazione dei dati, la pre-elaborazione e l'addestramento dei modelli. Gli sviluppatori possono eseguire il codice, testare i modelli e visualizzare i risultati in un unico luogo, mantenendo il flusso di lavoro semplice e organizzato.
Figura 4. Un esempio di utilizzo dei modelli di Ultralytics YOLO per individuare le specie di animali selvatici.
Oltre alla conservazione della fauna selvatica, l'affidabile combinazione di YOLO11 e JupyterLab può essere utilizzata in diverse applicazioni reali, come ad esempio:
Visione artificiale in agricolturaIl supporto di YOLO11a diverse attività di computer vision può aiutare a rilevare le malattie delle colture, a monitorare la crescita delle piante o a identificare le erbacce dalle immagini dei droni o del satellite, mentre JupyterLab semplifica l'analisi dei dati e l'ottimizzazione dei modelli.
Controllo qualità nella produzione: Analizzando le immagini in tempo reale, YOLO11 può identificare i difetti dei prodotti nelle catene di montaggio, mentre JupyterLab fornisce un ambiente centralizzato per perfezionare i modelli e valutare i risultati.
L'intelligenza artificiale nella logistica: Compiti come il monitoraggio dell'inventario e la scansione dei pacchi possono essere automatizzati utilizzando YOLO11, che rileva gli oggetti nelle immagini e inserisce dei riquadri di delimitazione intorno ad essi per indicarne la posizione, mentre JupyterLab fornisce strumenti per addestrare, convalidare e testare in modo efficiente i modelli utilizzando i dati della logistica.
Vantaggi dell'integrazione con Jupyterlab
Ecco un rapido sguardo ad alcuni dei modi unici in cui l'integrazione con JupyterLab porta benefici alla vision AI in generale:
Accesso remoto e scalabilità: Può essere eseguito sia su piattaforme cloud che su server remoti, consentendo l'accesso a potenti risorse di calcolo e alla ricerca collaborativa.
Supporto per più linguaggi di programmazione: Sebbene Python sia il linguaggio più utilizzato, JupyterLab supporta altri linguaggi come R, Julia e Scala, rendendolo versatile per diversi flussi di lavoro.
Integrazione dei dati: JupyterLab si integra perfettamente con i database, il cloud storage e gli strumenti di elaborazione dei dati, facilitando la gestione di grandi serie di dati necessari per l'addestramento dell'intelligenza artificiale.
Punti di forza
L'integrazione con JupyterLab è un utile strumento che facilita il lavoro con i modelli di computer vision come YOLO11 . Ti offre un unico spazio di lavoro dove puoi organizzare i tuoi dati, addestrare e testare modelli personalizzati e collaborare con altri sviluppatori. Grazie alle sue utili estensioni e ai suoi componenti aggiuntivi, puoi concentrarti sulla creazione e sul miglioramento dei tuoi modelli invece di preoccuparti di configurare l'ambiente di lavoro.
Che si tratti di proteggere la fauna selvatica, migliorare le scansioni mediche o controllare la qualità dei prodotti nelle fabbriche, l'integrazione di JupyterLab supportata da Ultralytics rende il processo più semplice ed efficiente.
.png)
