YOLO Vision 2026:

Guía sobre cómo utilizar JupyterLab para entrenar tus modelos YOLO26#

Crear modelos de deep learning puede ser difícil, especialmente cuando no tienes las herramientas o el entorno adecuados para trabajar. Si te enfrentas a este problema, JupyterLab puede ser la solución ideal para ti. JupyterLab es una plataforma intuitiva basada en la web que hace que la programación sea más flexible y dinámica. 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 los modelos Ultralytics YOLO26. JupyterLab es una gran opción para el desarrollo eficiente de modelos y la experimentación. Facilita el inicio de pruebas y el entrenamiento de modelos YOLO26 directamente desde tu ordenador. Profundicemos en JupyterLab, sus características principales y cómo puedes usarlo para entrenar modelos YOLO26.

¿Qué es JupyterLab?#

JupyterLab es una plataforma de código abierto basada en web, diseñada para trabajar con notebooks de Jupyter, código y datos. Es una actualización de la interfaz tradicional de Jupyter Notebook que proporciona una experiencia de usuario más versátil y potente.

JupyterLab te permite trabajar con notebooks, editores de texto, terminales y otras herramientas en un solo lugar. Su diseño flexible te permite organizar tu espacio de trabajo según tus necesidades y facilita tareas como el análisis de datos, la visualización y el machine learning. Además, JupyterLab admite la colaboración en tiempo real, lo que lo hace ideal para proyectos en equipo en investigación y ciencia de datos.

Características clave de JupyterLab#

Aquí tienes algunas de las características clave que hacen de JupyterLab una gran opción para el desarrollo y la experimentación de modelos:

  • 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 edición de texto, acceso a terminal y notebooks, JupyterLab integra todas estas características en un entorno único y cohesivo. Puedes ver y editar varios formatos de archivo, incluidos JPEG, PDF y CSV, directamente dentro de JupyterLab. Un espacio de trabajo todo en uno te permite acceder a todo lo que necesitas al alcance de tu mano, optimizando tu flujo de trabajo y ahorrándote tiempo.
  • Diseños flexibles: Una de las características 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 manera más eficiente. La barra lateral izquierda, que puede contraerse, mantiene pestañas esenciales como el explorador de archivos, los kernels en ejecución y la paleta de comandos al alcance de la mano. Puedes tener varias ventanas abiertas a la vez, lo que te permite realizar múltiples tareas y gestionar tus proyectos de manera más efectiva.
  • Consolas de código interactivas: Las consolas de código en JupyterLab proporcionan un espacio interactivo para probar fragmentos de código o funciones. También sirven como registro de los cálculos realizados dentro de un notebook. Crear una nueva consola para un notebook y ver toda la actividad del kernel es sencillo. Esta característica es especialmente útil cuando estás experimentando con nuevas ideas o solucionando problemas en tu código.
  • Vista previa de Markdown: Trabajar con archivos Markdown es más eficiente en JupyterLab, gracias a su función de vista previa simultánea. Mientras escribes o editas tu archivo Markdown, puedes ver la salida formateada en tiempo real. Esto facilita la verificación de que tu documentación se vea perfecta, evitándote 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 hace que sea fácil ejecutarlo directamente dentro de la plataforma. Puedes resaltar el código y presionar Shift + Enter para ejecutarlo. Es ideal para verificar fragmentos de código rápidamente y ayuda a garantizar que el código que compartes sea funcional y no contenga errores.

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

Existen múltiples plataformas para desarrollar y evaluar modelos de machine learning, así que ¿qué hace que JupyterLab destaque? Exploremos algunos de los aspectos únicos que JupyterLab ofrece para tus proyectos de machine learning:

  • Gestión sencilla de celdas: Gestionar celdas en JupyterLab es muy fácil. En lugar del engorroso método de cortar y pegar, simplemente puedes arrastrar y soltar las celdas para reorganizarlas.
  • Copia de celdas entre notebooks: JupyterLab hace que sea sencillo copiar celdas entre diferentes notebooks. Puedes arrastrar y soltar celdas de un notebook a otro.
  • Cambio fácil a la vista clásica de Notebook: Para quienes echan de menos la interfaz clásica de Jupyter Notebook, JupyterLab ofrece un cambio sencillo. Solo tienes que reemplazar /lab en la URL por /tree para volver a la vista de notebook conocida.
  • Vistas múltiples: JupyterLab admite múltiples vistas del mismo notebook, lo cual es particularmente útil para notebooks extensos. Puedes abrir diferentes secciones una al lado de la otra para comparar o explorar, y cualquier cambio realizado en una vista se refleja en la otra.
  • Temas personalizables: JupyterLab incluye un tema oscuro integrado para el notebook, que es perfecto para sesiones de programación nocturnas. También hay temas disponibles para el editor de texto y la terminal, lo que te permite personalizar la apariencia de todo tu espacio de trabajo.

Problemas comunes al trabajar con JupyterLab#

Al trabajar con JupyterLab, podrías encontrarte con algunos problemas comunes. Aquí tienes algunos consejos para ayudarte a navegar por la plataforma sin problemas:

  • Gestión de kernels: Los kernels son cruciales porque gestionan la conexión entre el código que escribes en JupyterLab y el entorno donde se ejecuta. También pueden acceder y compartir datos entre notebooks. Cuando cierras un Jupyter Notebook, el kernel podría seguir ejecutándose porque otros notebooks podrían estar usándolo. Si deseas apagar completamente un kernel, puedes seleccionarlo, hacer clic derecho y elegir "Shut Down Kernel" en el menú emergente.
  • Instalación de paquetes de Python: A veces, es posible que necesites paquetes adicionales de Python que no estén preinstalados en el servidor. Puedes instalarlos fácilmente en tu directorio principal o en un entorno virtual utilizando el comando python -m pip install package-name. Para ver todos los paquetes instalados, usa python -m pip list.
  • Despliegue de API de Flask/FastAPI en Posit Connect: Puedes desplegar tus API de Flask y FastAPI en Posit Connect utilizando el paquete rsconnect-python desde la terminal. Hacer esto facilita la integración de tus aplicaciones web con JupyterLab y su compartición con otros.
  • Instalación de extensiones de JupyterLab: JupyterLab admite varias extensiones para mejorar su funcionalidad. Puedes instalarlas y personalizarlas según tus necesidades. Para obtener instrucciones detalladas, consulta la Guía de extensiones de JupyterLab.
  • Uso de múltiples versiones de Python: Si necesitas trabajar con diferentes versiones de Python, puedes usar kernels de Jupyter configurados con diferentes versiones de Python.

Cómo usar JupyterLab para probar YOLO26#

JupyterLab facilita experimentar con YOLO26. Para comenzar, sigue estos sencillos pasos.

Paso 1: Instalar JupyterLab#

Primero, necesitas instalar JupyterLab. Abre tu terminal y ejecuta el comando:

Instalación
# Install the required package for JupyterLab
pip install jupyterlab

Paso 2: Descargar el notebook del tutorial de YOLO26#

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

Paso 3: Iniciar JupyterLab#

Navega al directorio donde guardaste el archivo del notebook usando tu terminal. Luego, ejecuta el siguiente comando para iniciar JupyterLab:

Uso
jupyter lab

Una vez que hayas ejecutado este comando, se abrirá JupyterLab en tu 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 notebook tutorial.ipynb. Ya puedes empezar a ejecutar las celdas para explorar y experimentar con YOLO26.

Imagen que muestra un notebook de YOLO26 abierto en JupyterLab

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

Para comprender en detalle el proceso de entrenamiento del modelo y las mejores prácticas, consulta la YOLO26 Model Training guide. Esta guía te ayudará a aprovechar al máximo tus experimentos y a garantizar que utilices YOLO26 de manera eficaz.

Sigue aprendiendo sobre JupyterLab#

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

  • Documentación de JupyterLab: Explora la documentación oficial de JupyterLab para descubrir sus funciones y capacidades. Es una excelente manera de comprender cómo aprovechar al máximo esta potente herramienta.
  • Pruébalo con Binder: Experimenta con JupyterLab sin instalar nada utilizando Binder, que te permite iniciar una instancia de JupyterLab en directo directamente en tu navegador. Es una forma estupenda de empezar a experimentar de inmediato.
  • Guía de instalación: Consulta la guía de instalación para obtener instrucciones paso a paso sobre cómo instalar JupyterLab en tu equipo local.
  • Entrena Ultralytics YOLO26 usando JupyterLab: Obtén más información sobre las aplicaciones prácticas de usar JupyterLab con modelos YOLO26 en esta detallada entrada de blog.

Resumen#

Hemos explorado cómo JupyterLab puede ser una herramienta potente para experimentar con los modelos Ultralytics YOLO26. Usando su entorno flexible e interactivo, puedes configurar fácilmente JupyterLab en tu equipo local y empezar a trabajar con YOLO26. JupyterLab facilita el entrenamiento y la evaluación de tus modelos, la visualización de resultados y la documentación de tus hallazgos, todo en un único lugar.

A diferencia de otras plataformas como Google Colab, JupyterLab se ejecuta localmente en tu equipo, lo que te ofrece un mayor control sobre tu entorno informático sin dejar de ofrecer una experiencia de notebook interactiva. Esto lo hace especialmente valioso para los desarrolladores que necesitan un acceso constante a su entorno de desarrollo sin depender de recursos en la nube.

Para más detalles, visita la página de preguntas frecuentes de JupyterLab.

¿Te interesan más integraciones de YOLO26? Consulta la guía de integración de Ultralytics para explorar herramientas y capacidades adicionales para tus proyectos de machine learning.

FAQ#

  • Para entrenar un modelo YOLO26 usando JupyterLab:

    1. Instala JupyterLab y el paquete Ultralytics:

      pip install jupyterlab ultralytics

    2. Inicia JupyterLab y abre un nuevo notebook.

    3. Importa el modelo YOLO y carga un modelo preentrenado:

      from ultralytics import YOLO

model = YOLO("yolo26n.pt")

    4. Entrena el modelo en tu conjunto de datos personalizado:

      results = model.train(data="path/to/your/data.yaml", epochs=100, imgsz=640)

    5. Visualiza los resultados del entrenamiento usando las capacidades de trazado integradas de JupyterLab:

      import matplotlib

from ultralytics.utils.plotting import plot_results

matplotlib.use("inline")  # or 'notebook' for interactive
plot_results("runs/detect/train/results.csv")

    El entorno interactivo de JupyterLab te permite modificar parámetros, visualizar resultados e iterar fácilmente en tu proceso de entrenamiento de modelos.

  • JupyterLab ofrece varias características que lo hacen ideal para proyectos YOLO26:

    1. Ejecución de código interactiva: Prueba y depura fragmentos de código YOLO26 en tiempo real.
    2. Explorador de archivos integrado: Gestiona fácilmente conjuntos de datos, pesos de modelos y archivos de configuración.
    3. Diseño flexible: Organiza múltiples notebooks, terminales y ventanas de salida uno al lado del otro para un flujo de trabajo eficiente.
    4. Visualización de salida enriquecida: Visualiza resultados de detección de YOLO26, curvas de entrenamiento y métricas de rendimiento del modelo de forma integrada.
    5. Compatibilidad con Markdown: Documenta tus experimentos y hallazgos con YOLO26 usando texto enriquecido e imágenes.
    6. Ecosistema de extensiones: mejora la funcionalidad con extensiones para control de versiones, computación remota y mucho más.

    Estas características permiten una experiencia de desarrollo fluida al trabajar con modelos YOLO26, desde la preparación de datos hasta el despliegue del modelo.

  • Para optimizar el rendimiento del modelo YOLO26 en JupyterLab:

    1. Usa la función de autobatch para determinar el tamaño de lote óptimo:

      from ultralytics.utils.autobatch import autobatch

optimal_batch_size = autobatch(model)

    2. Implementa la optimización de hiperparámetros utilizando bibliotecas como Ray Tune:

      from ultralytics.utils.tuner import run_ray_tune

best_results = run_ray_tune(model, data="path/to/data.yaml")

    3. Visualiza y analiza las métricas del modelo usando las capacidades de trazado de JupyterLab:

      from ultralytics.utils.plotting import plot_results

plot_results("runs/detect/train/results.csv")

    4. Experimenta con diferentes arquitecturas de modelos y formatos de exportación para encontrar el mejor equilibrio entre velocidad y precisión para tu caso de uso específico.

    El entorno interactivo de JupyterLab permite iteraciones rápidas y retroalimentación en tiempo real, lo que facilita optimizar tus modelos YOLO26 de manera eficiente.

  • Al trabajar con JupyterLab y YOLO26, podrías encontrar algunos problemas comunes. Aquí te explico cómo manejarlos:

    1. Problemas de memoria de la GPU:

      • Usa torch.cuda.empty_cache() para liberar memoria de la GPU entre ejecuciones.
      • Ajusta el tamaño del lote o el tamaño de la imagen para que se adapte a la memoria de tu GPU.

    2. Conflictos de paquetes:

      • Crea un entorno de conda separado para tus proyectos YOLO26 para evitar conflictos.
      • Usa !pip install package_name en una celda del notebook para instalar los paquetes que falten.

    3. Bloqueos del kernel:

      • Reinicia el kernel y ejecuta las celdas una por una para identificar el código problemático.
      • Comprueba si hay fugas de memoria en tu código, especialmente al procesar grandes conjuntos de datos.
Colaboradores
GLglenn-jocher10RAraimbekovm2RIRizwanMunawar2LALaughing-q2Y-Y-T-G1WIWillieMaddox1MAMatthewNoyce1AMambitious-octopus1ABabirami-vina1

Comentarios