¿Cómo uso JupyterLab para entrenar un modelo YOLO26?

Para entrenar un modelo YOLO26 con JupyterLab: Instala JupyterLab y el paquete de Ultralytics: Inicia JupyterLab y abre un cuaderno nuevo. Importa el modelo YOLO y carga un modelo preentrenado: Entrena el modelo con tu conjunto de datos personalizado: Visualiza los resultados del entrenamiento con las funciones de trazado integradas de JupyterLab: El entorno interactivo de JupyterLab te permite modificar fácilmente los parámetros, visualizar los resultados e iterar sobre el proceso de entrenamiento de tu modelo.

¿Cuáles son las principales funciones de JupyterLab que lo hacen adecuado para proyectos con YOLO26?

JupyterLab ofrece varias funciones que lo hacen ideal para proyectos con YOLO26: Ejecución interactiva de código: prueba y depura fragmentos de código de YOLO26 en tiempo real. Explorador de archivos integrado: gestiona fácilmente conjuntos de datos, pesos de modelos y archivos de configuración. Diseño flexible: coloca varios cuadernos, terminales y ventanas de salida en paralelo para trabajar de forma eficiente. Visualización enriquecida de resultados: visualiza en línea los resultados de detección de YOLO26, las curvas de entrenamiento y las métricas de rendimiento del modelo. Compatibilidad con Markdown: documenta tus experimentos y conclusiones con YOLO26 mediante texto enriquecido e imágenes. Ecosistema de extensiones: amplía las funciones con extensiones para el control de versiones, la computación remota y mucho más. Estas funciones permiten disfrutar de una experiencia de desarrollo fluida al trabajar con modelos YOLO26, desde la preparación de los datos hasta el despliegue del modelo.

¿Cómo puedo optimizar el rendimiento de un modelo YOLO26 con JupyterLab?

Para optimizar el rendimiento de un modelo YOLO26 en JupyterLab: Usa AutoBatch para elegir el tamaño de lote más grande que quepa en la memoria de la GPU: Implementa el ajuste de hiperparámetros con bibliotecas como Ray Tune: Visualiza y analiza las métricas del modelo con las funciones de trazado de JupyterLab: Experimenta con distintas arquitecturas de modelos y formatos de exportación para encontrar el mejor equilibrio entre velocidad y precisión para tu caso de uso concreto. El entorno interactivo de JupyterLab permite iterar rápidamente y recibir comentarios en tiempo real, lo que facilita la optimización eficiente de tus modelos YOLO26.

¿Cómo puedo resolver los problemas habituales al trabajar con JupyterLab y YOLO26?

Al trabajar con JupyterLab y YOLO26, puede que te encuentres con algunos problemas habituales. Así puedes resolverlos: Problemas de memoria de la GPU: Usa torch.cuda.empty_cache() para liberar memoria de la GPU entre ejecuciones. Ajusta el tamaño de lote o el tamaño de la imagen para que se adapte a la memoria de la GPU. Conflictos entre paquetes: Crea un entorno de conda independiente para tus proyectos de YOLO26 y evita así los conflictos. Usa !pip install package_name en una celda del cuaderno para instalar los paquetes que falten. Bloqueos del kernel: Reinicia el kernel y ejecuta las celdas de una en una para identificar el código problemático. Comprueba si hay fugas de memoria en tu código, sobre todo al procesar conjuntos de datos grandes.

Guía para usar JupyterLab para entrenar tus modelos YOLO26#

Crear modelos de aprendizaje profundo puede ser complicado, sobre todo si no tienes las herramientas o el entorno adecuados. Si te encuentras en esta situación, JupyterLab podría ser la solución que buscas. JupyterLab es una plataforma web intuitiva que permite programar de forma más flexible e interactiva. Puedes usarla para gestionar grandes conjuntos de datos, crear modelos complejos e incluso colaborar con otras personas, todo en un mismo lugar.

Puedes usar JupyterLab para trabajar en proyectos relacionados con modelos Ultralytics YOLO26. JupyterLab es una opción excelente para desarrollar modelos y experimentar con ellos de forma eficiente. Te permite empezar a experimentar y entrenar modelos YOLO26 fácilmente desde tu ordenador. Descubramos más sobre JupyterLab, sus funciones principales y cómo puedes usarlo para entrenar modelos YOLO26.

¿Qué es JupyterLab?#

JupyterLab es una plataforma web de código abierto diseñada para trabajar con cuadernos Jupyter, código y datos. Es una versión mejorada de la interfaz tradicional de Jupyter Notebook que ofrece una experiencia de usuario más versátil y potente.

JupyterLab te permite trabajar con cuadernos, editores de texto, terminales y otras herramientas desde un mismo lugar. Su diseño flexible te permite organizar el espacio de trabajo según tus necesidades y facilita tareas como el análisis de datos, la visualización y el aprendizaje automático. JupyterLab también admite la colaboración en tiempo real, por lo que es ideal para proyectos de equipo en investigación y ciencia de datos.

Funciones principales de JupyterLab#

Estas son algunas de las funciones principales que hacen de JupyterLab una opción excelente para desarrollar modelos y experimentar con ellos:

Espacio de trabajo todo en uno: JupyterLab es una solución integral para todas tus necesidades de ciencia de datos. A diferencia del Jupyter Notebook clásico, que tenía interfaces separadas para editar texto, acceder al terminal y trabajar con cuadernos, JupyterLab integra todas estas funciones en un entorno único y coherente. Puedes ver y editar distintos formatos de archivo, como JPEG, PDF y CSV, directamente en JupyterLab. Un espacio de trabajo todo en uno te permite tener todo lo que necesitas al alcance de la mano, agilizar tu flujo de trabajo y ahorrar tiempo.
Diseños flexibles: Una de las características más destacadas de JupyterLab es su diseño flexible. Puedes arrastrar, soltar y cambiar el tamaño de las pestañas para crear un diseño personalizado que te ayude a trabajar de forma más eficiente. La barra lateral izquierda plegable mantiene a mano pestañas esenciales como el explorador de archivos, los kernels en ejecución y la paleta de comandos. Puedes tener varias ventanas abiertas a la vez para realizar varias tareas y gestionar tus proyectos de forma más eficaz.
Consolas de código interactivas: Las consolas de código de JupyterLab ofrecen un espacio interactivo para probar fragmentos de código o funciones. También sirven como registro de los cálculos realizados en un cuaderno. Es muy fácil crear una consola para un cuaderno y ver toda la actividad del kernel. Esta función resulta especialmente útil cuando experimentas con ideas nuevas o solucionas problemas de código.
Vista previa de Markdown: Trabajar con archivos Markdown es más eficiente en JupyterLab gracias a la función de vista previa simultánea. Mientras escribes o editas un archivo Markdown, puedes ver el resultado con formato en tiempo real. Así puedes comprobar fácilmente que la documentación tiene el aspecto esperado, sin tener que alternar entre los modos de edición y vista previa.
Ejecutar código desde archivos de texto: Si compartes un archivo de texto con código, JupyterLab te permite ejecutarlo fácilmente desde la propia plataforma. Puedes seleccionar el código y pulsar Mayús + Intro para ejecutarlo. Esto resulta muy útil para verificar rápidamente fragmentos de código y ayuda a garantizar que el código que compartes funciona y no contiene errores.

¿Por qué deberías usar JupyterLab para tus proyectos YOLO26?#

Hay varias plataformas para desarrollar y evaluar modelos de aprendizaje automático, así que ¿qué hace que JupyterLab destaque? Veamos algunas de las características únicas que ofrece JupyterLab para tus proyectos de aprendizaje automático:

Gestión sencilla de celdas: Gestionar celdas en JupyterLab es muy fácil. En lugar del engorroso método de cortar y pegar, solo tienes que arrastrar y soltar las celdas para reorganizarlas.
Copiar celdas entre cuadernos: JupyterLab facilita la copia de celdas entre distintos cuadernos. Puedes arrastrar y soltar celdas de un cuaderno a otro.
Volver fácilmente a la vista clásica de Notebook: Si echas de menos la interfaz clásica de Jupyter Notebook, JupyterLab te permite volver a ella fácilmente. Solo tienes que sustituir /lab por /tree en la URL para volver a la vista de cuaderno habitual.
Varias vistas: JupyterLab admite varias vistas de un mismo cuaderno, algo especialmente útil para los cuadernos largos. Puedes abrir distintas secciones una al lado de la otra para compararlas o explorarlas, y los cambios que hagas en una vista se reflejarán en la otra.
Temas personalizables: JupyterLab incluye un tema oscuro integrado para el cuaderno, ideal para programar hasta altas horas de la noche. También hay temas para el editor de texto y el terminal, que te permiten personalizar el aspecto de todo el espacio de trabajo.

Problemas habituales al trabajar con JupyterLab#

Al trabajar con JupyterLab, puedes encontrarte con algunos problemas habituales. Aquí tienes algunos consejos para desenvolverte sin dificultades en la plataforma:

Gestión de kernels: Los kernels son esenciales porque gestionan la conexión entre el código que escribes en JupyterLab y el entorno en el que se ejecuta. También pueden acceder a los datos y compartirlos entre cuadernos. Al cerrar un Jupyter Notebook, es posible que el kernel siga en ejecución porque otros cuadernos podrían estar usándolo. Si quieres apagar un kernel por completo, selecciónalo, haz clic con el botón derecho y elige «Shut Down Kernel» en el menú emergente.
Instalar paquetes de Python: A veces, puede que necesites paquetes de Python adicionales que no estén preinstalados en el servidor. Puedes instalarlos fácilmente en tu directorio personal o en un entorno virtual con el comando python -m pip install package-name. Para ver todos los paquetes instalados, usa python -m pip list.
Implementar API de Flask/FastAPI en Posit Connect: Puedes implementar tus API de Flask y FastAPI en Posit Connect desde el terminal con el paquete rsconnect-python. Así te resultará más fácil integrar tus aplicaciones web con JupyterLab y compartirlas con otras personas.
Instalar extensiones de JupyterLab: JupyterLab admite diversas extensiones para ampliar sus funciones. Puedes instalar y personalizar estas extensiones según tus necesidades. Consulta la guía de extensiones de JupyterLab para obtener instrucciones detalladas.
Usar varias versiones de Python: Si necesitas trabajar con distintas versiones de Python, puedes usar kernels de Jupyter configurados con diferentes versiones de Python.

Cómo usar JupyterLab para probar YOLO26#

JupyterLab facilita la experimentación con YOLO26. Para empezar, sigue estos sencillos pasos.

Paso 1: Instalar JupyterLab#

Primero, tienes que instalar JupyterLab. Abre el terminal y ejecuta el comando:

Instalación

# Install the required package for JupyterLab
pip install jupyterlab

Paso 2: Descargar el cuaderno del tutorial de YOLO26#

A continuación, descarga el archivo tutorial.ipynb desde el repositorio de GitHub de Ultralytics. Guarda este archivo en cualquier directorio de tu equipo local.

Paso 3: Iniciar JupyterLab#

Ve al directorio donde guardaste el archivo del cuaderno desde el terminal. A continuación, ejecuta el siguiente comando para iniciar JupyterLab:

Uso

jupyter lab

Cuando ejecutes este comando, se abrirá JupyterLab en el navegador web predeterminado, como se muestra a continuación.

Imagen que muestra cómo se abre JupyterLab en el navegador

Paso 4: Empieza a experimentar#

En JupyterLab, abre el cuaderno tutorial.ipynb. Ya puedes empezar a ejecutar las celdas para explorar y experimentar con YOLO26.

Imagen que muestra el cuaderno de YOLO26 abierto en JupyterLab

El entorno interactivo de JupyterLab te permite modificar código, visualizar resultados y documentar tus conclusiones, todo en un mismo lugar. Puedes probar distintas configuraciones y entender cómo funciona YOLO26.

Para comprender en detalle el proceso de entrenamiento del modelo y las prácticas recomendadas, consulta la guía de entrenamiento del modelo YOLO26. Esta guía te ayudará a sacar el máximo partido a tus experimentos y a asegurarte de que utilizas YOLO26 de forma eficaz.

Sigue aprendiendo sobre JupyterLab#

Si quieres aprender más sobre JupyterLab, aquí tienes algunos recursos para empezar:

Documentación de JupyterLab: Explora la documentación oficial de JupyterLab para descubrir sus funciones y capacidades. Es una forma estupenda de entender cómo sacar el máximo partido a esta potente herramienta.
Pruébalo con Binder: Experimenta con JupyterLab sin instalar nada usando Binder, que te permite iniciar una instancia activa de JupyterLab directamente en el navegador. Es una forma estupenda de empezar a experimentar de inmediato.
Guía de instalación: Si quieres una guía paso a paso para instalar JupyterLab en tu equipo local, consulta la guía de instalación.
Entrena Ultralytics YOLO26 con JupyterLab: Descubre más sobre las aplicaciones prácticas de JupyterLab con modelos YOLO26 en esta entrada detallada del blog.

Resumen#

Hemos visto cómo JupyterLab puede ser una herramienta potente para experimentar con modelos Ultralytics YOLO26. Gracias a su entorno flexible e interactivo, puedes configurar fácilmente JupyterLab en tu equipo local y empezar a trabajar con YOLO26. JupyterLab facilita entrenar y evaluar tus modelos, visualizar resultados y documentar tus conclusiones, todo en un mismo lugar.

A diferencia de otras plataformas, como Google Colab, JupyterLab se ejecuta localmente en tu equipo, lo que te da más control sobre tu entorno informático y, a la vez, ofrece una experiencia interactiva con cuadernos. Esto resulta especialmente útil para quienes desarrollan y necesitan acceder de forma constante a su entorno de desarrollo sin depender de recursos en la nube.

Para obtener más información, visita la página de preguntas frecuentes de JupyterLab.

¿Te interesan más integraciones de YOLO26? Consulta la guía de integración de Ultralytics para descubrir más herramientas y capacidades para tus proyectos de aprendizaje automático.

Preguntas frecuentes#

Para entrenar un modelo YOLO26 con JupyterLab:
1. Instala JupyterLab y el paquete de Ultralytics:
  
  pip install jupyterlab ultralytics
2. Inicia JupyterLab y abre un cuaderno nuevo.
3. Importa el modelo YOLO y carga un modelo preentrenado:
  
  from ultralytics import YOLO model = YOLO("yolo26n.pt")
4. Entrena el modelo con tu conjunto de datos personalizado:
  
  results = model.train(data="path/to/your/data.yaml", epochs=100, imgsz=640)
5. Visualiza los resultados del entrenamiento con las funciones de trazado integradas de JupyterLab:
  
  from ultralytics.utils.plotting import plot_results plot_results("runs/detect/train/results.csv") # guarda results.png junto a results.csv
El entorno interactivo de JupyterLab te permite modificar fácilmente los parámetros, visualizar los resultados e iterar sobre el proceso de entrenamiento de tu modelo.
JupyterLab ofrece varias funciones que lo hacen ideal para proyectos con YOLO26:
1. Ejecución interactiva de código: prueba y depura fragmentos de código de YOLO26 en tiempo real.
2. Explorador de archivos integrado: gestiona fácilmente conjuntos de datos, pesos de modelos y archivos de configuración.
3. Diseño flexible: coloca varios cuadernos, terminales y ventanas de salida en paralelo para trabajar de forma eficiente.
4. Visualización enriquecida de resultados: visualiza en línea los resultados de detección de YOLO26, las curvas de entrenamiento y las métricas de rendimiento del modelo.
5. Compatibilidad con Markdown: documenta tus experimentos y conclusiones con YOLO26 mediante texto enriquecido e imágenes.
6. Ecosistema de extensiones: amplía las funciones con extensiones para el control de versiones, la computación remota y mucho más.
Estas funciones permiten disfrutar de una experiencia de desarrollo fluida al trabajar con modelos YOLO26, desde la preparación de los datos hasta el despliegue del modelo.
Para optimizar el rendimiento de un modelo YOLO26 en JupyterLab:
1. Usa AutoBatch para elegir el tamaño de lote más grande que quepa en la memoria de la GPU:
  
  results = model.train(data="path/to/data.yaml", batch=-1)
2. Implementa el ajuste de hiperparámetros con bibliotecas como Ray Tune:
  
  result_grid = model.tune(data="path/to/data.yaml", use_ray=True)
3. Visualiza y analiza las métricas del modelo con las funciones de trazado de JupyterLab:
  
  from ultralytics.utils.plotting import plot_results plot_results("runs/detect/train/results.csv") # guarda results.png junto a results.csv
4. Experimenta con distintas arquitecturas de modelos y formatos de exportación para encontrar el mejor equilibrio entre velocidad y precisión para tu caso de uso concreto.
El entorno interactivo de JupyterLab permite iterar rápidamente y recibir comentarios en tiempo real, lo que facilita la optimización eficiente de tus modelos YOLO26.
Al trabajar con JupyterLab y YOLO26, puede que te encuentres con algunos problemas habituales. Así puedes resolverlos:
1. Problemas de memoria de la GPU:
  
  Usa torch.cuda.empty_cache() para liberar memoria de la GPU entre ejecuciones.
  
  Ajusta el tamaño de lote o el tamaño de la imagen para que se adapte a la memoria de la GPU.
2. Conflictos entre paquetes:
  
  Crea un entorno de conda independiente para tus proyectos de YOLO26 y evita así los conflictos.
  
  Usa !pip install package_name en una celda del cuaderno para instalar los paquetes que falten.
3. Bloqueos del kernel:
  
  Reinicia el kernel y ejecuta las celdas de una en una para identificar el código problemático.
  
  Comprueba si hay fugas de memoria en tu código, sobre todo al procesar conjuntos de datos grandes.

Colaboradores

GLglenn-jocher¹² RAraimbekovm² RIRizwanMunawar² LALaughing-q² Y-Y-T-G¹ WIWillieMaddox¹ MAMatthewNoyce¹ AMambitious-octopus¹ ABabirami-vina¹

Creado 29 jul 2024Actualizado la semana pasada

Get Started