ابدأ

دليل استخدام JupyterLab لتدريب نماذج YOLO26

يصبح بناء نماذج التعلم العميق أسهل في بيئة تفاعلية تتجاور فيها الشيفرة والبيانات والنتائج. JupyterLab منصة قائمة على الويب تجعل البرمجة مرنة وتفاعلية. يمكنك استخدامها للتعامل مع مجموعات بيانات كبيرة، وبناء نماذج معقدة، والتعاون مع الآخرين، كل ذلك في مكان واحد.

يمكنك استخدام JupyterLab للعمل على مشاريع مرتبطة بـنماذج Ultralytics YOLO26. وتتيح لك بدء تجربة نماذج YOLO26 وتدريبها مباشرة من حاسوبك. يتناول هذا الدليل JupyterLab وميزاته الرئيسية وكيفية استخدامه لتدريب نماذج YOLO26.

ما هو JupyterLab؟#

JupyterLab منصة مفتوحة المصدر قائمة على الويب، مصممة للعمل مع دفاتر Jupyter والشيفرة والبيانات. وهي واجهة الجيل التالي من Project Jupyter، وتوسّع Jupyter Notebook التقليدي لتوفر مساحة عمل أكثر مرونة.

يتيح لك JupyterLab العمل مع دفاتر الملاحظات ومحررات النصوص والطرفيات وأدوات أخرى في مكان واحد. ويتيح تصميمه المرن تنظيم مساحة العمل بما يلائم احتياجاتك، ويسهّل تنفيذ مهام مثل تحليل البيانات وتصورها والتعلم الآلي. كما يدعم JupyterLab التعاون الفوري، وهو أمر مفيد للمشاريع الجماعية في البحث وعلوم البيانات.

الميزات الرئيسية لـ JupyterLab#

إليك بعض الميزات الرئيسية التي تجعل JupyterLab مفيدًا لتطوير النماذج وتجربتها:

  • مساحة عمل متكاملة: على خلاف Jupyter Notebook التقليدي، الذي كان يوفّر واجهات منفصلة لتحرير النصوص والوصول إلى الطرفية ودفاتر الملاحظات، يدمج JupyterLab هذه الميزات كلها في بيئة واحدة متماسكة. ويمكنك عرض تنسيقات ملفات متنوعة وتحريرها، بما فيها JPEG وPDF وCSV، مباشرةً ضمن JupyterLab، لتبقى جميع الأدوات التي تحتاج إليها في مساحة عمل واحدة.
  • تخطيطات مرنة: يمكنك سحب علامات التبويب وإفلاتها وتغيير حجمها لإنشاء تخطيط مخصص يساعدك على العمل بكفاءة أكبر. ويُبقي الشريط الجانبي الأيسر القابل للطي علامات التبويب الأساسية، مثل مستعرض الملفات والنوى قيد التشغيل ولوحة الأوامر، في متناولك. كما يمكنك فتح نوافذ متعددة في الوقت نفسه، ما يتيح لك تنفيذ مهام متعددة وإدارة مشاريعك بفعالية أكبر.
  • وحدات تحكم تفاعلية للرموز البرمجية: توفر وحدات التحكم في JupyterLab مساحة تفاعلية لاختبار مقتطفات الرموز البرمجية أو الدوال. كما أنها تسجل العمليات الحسابية المنفذة داخل دفتر الملاحظات. ومن السهل إنشاء وحدة تحكم جديدة لدفتر ملاحظات وعرض جميع أنشطة النواة. وتفيد هذه الميزة خصوصًا عند تجربة أفكار جديدة أو استكشاف المشكلات في الرمز البرمجي وإصلاحها.
  • معاينة Markdown: يصبح العمل مع ملفات Markdown أكثر كفاءة في JupyterLab بفضل ميزة المعاينة المتزامنة. أثناء كتابة ملف Markdown أو تحريره، يمكنك رؤية الناتج المنسق في الوقت الفعلي. ويسهّل ذلك التحقق من عرض وثائقك على النحو الصحيح دون التبديل بين وضعَي التحرير والمعاينة.
  • تشغيل الشيفرة من الملفات النصية: إذا كنت تشارك ملفًا نصيًا يتضمن شيفرة، يسهّل JupyterLab تشغيلها مباشرةً ضمن المنصة. يمكنك تحديد الشيفرة والضغط على Shift + Enter لتنفيذها. وهذا مفيد للتحقق سريعًا من مقتطفات الشيفرة والتأكد من أن الشيفرة التي تشاركها تعمل كما هو متوقع.

لماذا ينبغي أن تستخدم JupyterLab لمشاريع YOLO26؟#

توجد منصات متعددة لتطوير نماذج التعلم الآلي وتقييمها. إليك بعض جوانب JupyterLab التي تساعد في مشاريع التعلم الآلي:

  • سهولة إدارة الخلايا: بدلًا من قص الخلايا ولصقها، يمكنك سحبها وإفلاتها لإعادة ترتيب دفتر الملاحظات.
  • نسخ الخلايا بين دفاتر الملاحظات: يسهّل JupyterLab نسخ الخلايا بين دفاتر الملاحظات المختلفة. يمكنك سحب الخلايا وإفلاتها من دفتر ملاحظات إلى آخر.
  • العودة بسهولة إلى عرض دفتر الملاحظات الكلاسيكي: إذا كنت تفتقد واجهة Jupyter Notebook الكلاسيكية، يتيح لك JupyterLab العودة إليها بسهولة. ما عليك سوى استبدال /lab في عنوان URL بـ/tree للعودة إلى عرض دفتر الملاحظات المألوف.
  • طرق عرض متعددة: يدعم JupyterLab عرض دفتر الملاحظات نفسه بطرق متعددة، وهو أمر مفيد خصوصًا لدفاتر الملاحظات الطويلة. يمكنك فتح أقسام مختلفة جنبًا إلى جنب للمقارنة أو الاستكشاف، وتنعكس أي تغييرات تُجرى في أحد العروض على العرض الآخر.
  • سمات قابلة للتخصيص: يتضمن JupyterLab سمة داكنة مدمجة لدفتر الملاحظات. كما تتوفر سمات لمحرر النصوص والطرفية، ما يتيح لك تخصيص مظهر مساحة العمل بأكملها.

المشكلات الشائعة أثناء العمل مع JupyterLab#

قد تواجه بعض المشكلات الشائعة أثناء العمل مع JupyterLab. إليك بعض النصائح لمساعدتك على استخدام المنصة بسلاسة:

  • إدارة النوى: تُعد النوى أساسية لأنها تدير الاتصال بين التعليمات البرمجية التي تكتبها في JupyterLab والبيئة التي تُنفّذ فيها. عند إغلاق دفتر Jupyter، تظل النواة قيد التشغيل على الخادم، لتتمكن من العودة لاحقًا إلى العمل الذي يستغرق وقتًا طويلًا. إذا أردت إيقاف النواة تمامًا، فحددها، وانقر بزر الماوس الأيمن، واختر "إيقاف تشغيل النواة" من القائمة المنبثقة.
  • تثبيت حزم Python: قد تحتاج أحيانًا إلى حزم Python إضافية غير مثبّتة مسبقًا على الخادم. يمكنك تثبيت هذه الحزم في الدليل الرئيسي أو في بيئة افتراضية باستخدام الأمر python -m pip install package-name. ولمعرفة جميع الحزم المثبّتة، استخدم python -m pip list.
  • نشر واجهة API لـ Flask/FastAPI على Posit Connect: يمكنك نشر واجهات API الخاصة بـ Flask وFastAPI على Posit Connect باستخدام الحزمة rsconnect-python من الطرفية. ويسهّل ذلك دمج تطبيقات الويب مع JupyterLab ومشاركتها مع الآخرين.
  • تثبيت إضافات JupyterLab: يدعم JupyterLab إضافات متنوعة لتوسيع الوظائف. ويمكنك تثبيت هذه الإضافات وتخصيصها لتناسب احتياجاتك.
  • استخدام إصدارات متعددة من Python: إذا كنت بحاجة إلى العمل بإصدارات مختلفة من Python، فيمكنك استخدام نوى Jupyter التي أُعدّت بإصدارات مختلفة من Python.

كيفية استخدام JupyterLab لتجربة YOLO26#

يسهّل JupyterLab تجربة YOLO26. ابدأ باتباع هذه الخطوات.

الخطوة 1: تثبيت JupyterLab#

أولًا، عليك تثبيت JupyterLab. افتح الطرفية وشغّل الأمر:

التثبيت
# Install the required package for JupyterLab
pip install jupyterlab

الخطوة 2: تنزيل دفتر البرنامج التعليمي لـ YOLO26#

بعد ذلك، نزّل الملف tutorial.ipynb من مستودع Ultralytics على GitHub. واحفظ هذا الملف في أي دليل على جهازك المحلي.

الخطوة 3: تشغيل JupyterLab#

انتقل باستخدام الطرفية إلى الدليل الذي حفظت فيه ملف دفتر الملاحظات. ثم شغّل الأمر التالي لبدء JupyterLab:

الاستخدام
jupyter lab

بعد تشغيل هذا الأمر، سيفتح JupyterLab في متصفح الويب الافتراضي، كما هو موضح أدناه.

واجهة JupyterLab مفتوحة في متصفح ويب

الخطوة 4: ابدأ التجربة#

في JupyterLab، افتح دفتر الملاحظات tutorial.ipynb. يمكنك الآن بدء تشغيل الخلايا لاستكشاف YOLO26 وتجربته.

دفتر البرنامج التعليمي لـ Ultralytics YOLO26 مفتوح في JupyterLab

تتيح لك بيئة JupyterLab التفاعلية تعديل التعليمات البرمجية، وعرض المخرجات بصريًا، وتوثيق النتائج في مكان واحد. يمكنك تجربة إعدادات مختلفة وفهم آلية عمل YOLO26.

للاطلاع على فهم مفصّل لعملية تدريب النموذج وأفضل الممارسات، راجع دليل تدريب نموذج YOLO26. سيساعدك هذا الدليل على تحقيق أقصى استفادة من تجاربك وضمان استخدام YOLO26 بفاعلية.

واصل التعلّم عن JupyterLab#

إذا كنت ترغب في معرفة المزيد عن JupyterLab، فإليك موارد تساعدك على البدء:

  • وثائق JupyterLab: استكشف ميزات JupyterLab وإمكاناته في وثائقه الرسمية.
  • جرّبه باستخدام Binder: جرّب JupyterLab دون تثبيت أي شيء باستخدام Binder، الذي يتيح لك تشغيل نسخة مباشرة من JupyterLab في متصفحك.
  • دليل التثبيت: للحصول على دليل خطوة بخطوة لتثبيت JupyterLab على جهازك المحلي، اطّلع على دليل التثبيت.
  • تدريب Ultralytics YOLO11 باستخدام JupyterLab: تعرّف على المزيد عن التطبيقات العملية لاستخدام JupyterLab مع نماذج Ultralytics YOLO في منشور المدونة هذا.

الملخص#

يوضح هذا الدليل كيفية استخدام JupyterLab لتجربة نماذج Ultralytics YOLO26. يمكنك إعداد JupyterLab على جهازك المحلي والبدء بالعمل مع YOLO26 في غضون دقائق. ويسهّل JupyterLab تدريب نماذجك وتقييمها، وتصور المخرجات، وتوثيق النتائج كلها في مكان واحد.

على خلاف المنصات السحابية مثل Google Colab، يعمل JupyterLab محليًا على جهازك، ما يمنحك تحكمًا أكبر في بيئة الحوسبة مع توفير تجربة دفتر ملاحظات تفاعلية. وهذا يجعله مفيدًا على نحو خاص للمطورين الذين يحتاجون إلى وصول ثابت إلى بيئة التطوير دون الاعتماد على الموارد السحابية.

لمزيد من التفاصيل، تفضّل بزيارة صفحة الأسئلة الشائعة حول JupyterLab.

الأسئلة الشائعة#

  • لتدريب نموذج YOLO26 باستخدام JupyterLab:

    1. ثبّت JupyterLab وحزمة Ultralytics:

      pip install jupyterlab ultralytics
    2. شغّل JupyterLab وافتح دفتر ملاحظات جديدًا.

    3. استورد فئة YOLO وحمّل نموذج YOLO26n مدرّبًا مسبقًا:

      from ultralytics import YOLO
      
      model = YOLO("yolo26n.pt")
    4. درّب النموذج على مجموعة بياناتك المخصصة:

      results = model.train(data="path/to/your/data.yaml", epochs=100, imgsz=640)
    5. اعرض نتائج التدريب بصريًا باستخدام إمكانات الرسم المضمّنة في JupyterLab:

      from ultralytics.utils.plotting import plot_results
      
      plot_results("runs/detect/train/results.csv")  # ⁨يحفظ results.png بجوار results.csv⁩

    تتيح لك البيئة التفاعلية في JupyterLab تعديل المعلمات وتصور النتائج وتكرار عملية تدريب النموذج.

  • يوفر JupyterLab عدة ميزات تناسب مشاريع YOLO26:

    1. تنفيذ التعليمات البرمجية تفاعليًا: اختبر مقاطع التعليمات البرمجية الخاصة بـ YOLO26 وصحّح أخطاءها في الوقت الفعلي.
    2. متصفح ملفات مدمج: أدر مجموعات البيانات وأوزان النماذج وملفات الإعداد بسهولة.
    3. تخطيط مرن: رتّب عدة دفاتر ملاحظات وطرفيات ونوافذ مخرجات جنبًا إلى جنب لسير عمل فعّال.
    4. عرض غني للمخرجات: اعرض نتائج اكتشاف YOLO26 ومنحنيات التدريب ومقاييس أداء النموذج ضمن السياق.
    5. دعم Markdown: وثّق تجارب YOLO26 ونتائجها باستخدام نص منسق وصور.
    6. منظومة الإضافات: عزّز الوظائف باستخدام إضافات للتحكم في الإصدارات والحوسبة عن بُعد وغير ذلك.

    تدعم هذه الميزات سير عمل سلسًا عند العمل مع نماذج YOLO26، بدءًا من إعداد البيانات وصولًا إلى نشر النموذج.

  • لتحسين أداء نموذج YOLO26 في JupyterLab:

    1. استخدم AutoBatch لاختيار أكبر حجم دفعة يتسع له GPU:

      results = model.train(data="path/to/data.yaml", batch=-1)
    2. نفّذ ضبط المعلمات الفائقة باستخدام مكتبات مثل Ray Tune:

      result_grid = model.tune(data="path/to/data.yaml", use_ray=True)
    3. اعرض مقاييس النموذج وحلّلها باستخدام إمكانات الرسم في JupyterLab:

      from ultralytics.utils.plotting import plot_results
      
      plot_results("runs/detect/train/results.csv")  # ⁨يحفظ results.png بجوار results.csv⁩
    4. جرّب بُنى نماذج مختلفة وتنسيقات التصدير للعثور على أفضل توازن بين السرعة والدقة لحالة الاستخدام الخاصة بك.

    تتيح البيئة التفاعلية في JupyterLab إجراء تكرارات سريعة والحصول على ملاحظات فورية، ما يسهّل تحسين نماذج YOLO26.

  • قد تواجه بعض المشكلات الشائعة عند العمل باستخدام JupyterLab وYOLO26. إليك كيفية التعامل معها:

    1. مشكلات ذاكرة GPU:

      • استخدم torch.cuda.empty_cache() لمسح ذاكرة GPU بين مرات التشغيل.
      • عدّل حجم الدفعة أو حجم الصورة ليتناسب مع ذاكرة GPU.
    2. تعارض الحزم:

      • أنشئ بيئة conda منفصلة لمشروعات YOLO26 لتجنب التعارضات.
      • استخدم !pip install package_name في خلية دفتر الملاحظات لتثبيت الحزم الناقصة.
    3. تعطّل النواة:

      • أعِد تشغيل النواة وشغّل الخلايا واحدة تلو الأخرى لتحديد التعليمات البرمجية المسببة للمشكلة.
      • تحقّق من وجود تسرب للذاكرة في التعليمات البرمجية، لا سيما عند معالجة مجموعات بيانات كبيرة.

التعليقات2

اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.

  1. new-phpGitHub

    "This guide seems helpful, but there are a few things that could be improved. The steps for training YOLO11 models in JupyterLab are unclear in some parts, and it would be great to see more detailed explanations, especially for beginners. I also noticed that some important configurations for training weren’t mentioned, which could cause confusion for users trying to set up the environment correctly.

    It would be really helpful to include sample images or screenshots to clarify key steps. Otherwise, new users might struggle with understanding the exact flow.

    For more details, check out:
    JupyterLab Installation Guide

    This version should come across as more critical and focused on the potential issues. Feel free to adjust further!

    1. Glenn JocherUltralytics

      @new-php thank you for your feedback! We'll review the guide to improve clarity in training steps and configurations. For detailed YOLO11 training examples in JupyterLab, see our FAQ section with code snippets and best practices. Visual enhancements are planned for future updates.