Ultralytics YOLO27 :
Get Started

Guide d'utilisation de JupyterLab pour entraîner tes modèles YOLO26#

La création de modèles de deep learning peut être difficile, surtout si tu ne disposes pas des bons outils ou de l'environnement adapté. Si tu rencontres ce problème, JupyterLab pourrait être la solution qu'il te faut. JupyterLab est une plateforme web conviviale qui rend la programmation plus flexible et interactive. Tu peux l'utiliser pour gérer de grands jeux de données, créer des modèles complexes et même collaborer avec d'autres personnes, le tout au même endroit.

Tu peux utiliser JupyterLab pour travailler sur des projets liés aux modèles Ultralytics YOLO26. JupyterLab est une excellente solution pour développer des modèles et mener des expériences efficacement. Il te permet de commencer facilement à expérimenter et à entraîner des modèles YOLO26 directement depuis ton ordinateur. Découvrons plus en détail JupyterLab, ses principales fonctionnalités et son utilisation pour entraîner des modèles YOLO26.

Qu'est-ce que JupyterLab ?#

JupyterLab est une plateforme web open source conçue pour travailler avec des notebooks, du code et des données dans Jupyter. Il s'agit d'une évolution de l'interface classique Jupyter Notebook, qui offre une expérience utilisateur plus polyvalente et plus puissante.

JupyterLab te permet de travailler au même endroit avec des notebooks, des éditeurs de texte, des terminaux et d'autres outils. Sa conception flexible te permet d'organiser ton espace de travail selon tes besoins et facilite les tâches comme l'analyse des données, la visualisation et le machine learning. JupyterLab prend également en charge la collaboration en temps réel, ce qui en fait une solution idéale pour les projets d'équipe en recherche et en science des données.

Principales fonctionnalités de JupyterLab#

Voici quelques-unes des principales fonctionnalités qui font de JupyterLab une excellente solution pour le développement de modèles et l'expérimentation :

  • Un espace de travail tout-en-un : JupyterLab regroupe tout ce dont tu as besoin pour la science des données. Contrairement à Jupyter Notebook classique, qui disposait d'interfaces distinctes pour l'édition de texte, l'accès au terminal et les notebooks, JupyterLab réunit toutes ces fonctionnalités dans un environnement unique et cohérent. Tu peux afficher et modifier différents formats de fichiers, notamment JPEG, PDF et CSV, directement dans JupyterLab. Cet espace de travail tout-en-un te donne accès à tous les outils dont tu as besoin en quelques clics, simplifie ton workflow et te fait gagner du temps.
  • Agencements flexibles : L'un des principaux atouts de JupyterLab est la flexibilité de son agencement. Tu peux faire glisser, déposer et redimensionner les onglets pour créer un agencement personnalisé qui t'aide à travailler plus efficacement. La barre latérale gauche rétractable te permet d'accéder facilement aux onglets essentiels, comme l'explorateur de fichiers, les noyaux en cours d'exécution et la palette de commandes. Tu peux ouvrir plusieurs fenêtres à la fois pour effectuer plusieurs tâches et gérer tes projets plus efficacement.
  • Consoles de code interactives : Les consoles de code de JupyterLab offrent un espace interactif pour tester des extraits de code ou des fonctions. Elles servent également de journal des calculs effectués dans un notebook. Créer une nouvelle console pour un notebook et afficher l'activité de tous les noyaux est simple. Cette fonctionnalité est particulièrement utile lorsque tu testes de nouvelles idées ou que tu résous des problèmes dans ton code.
  • Aperçu Markdown : Dans JupyterLab, travailler avec des fichiers Markdown est plus efficace grâce à la fonction d'aperçu simultané. Pendant que tu rédiges ou modifies ton fichier Markdown, tu peux voir le résultat formaté en temps réel. Tu peux ainsi vérifier plus facilement que ta documentation s'affiche correctement, sans avoir à passer constamment du mode édition au mode aperçu.
  • Exécuter du code à partir de fichiers texte : Si tu partages un fichier texte contenant du code, JupyterLab te permet de l'exécuter facilement directement dans la plateforme. Il te suffit de sélectionner le code et d'appuyer sur Maj + Entrée pour l'exécuter. Cette fonctionnalité est idéale pour vérifier rapidement des extraits de code et t'aide à t'assurer que le code partagé fonctionne et ne contient pas d'erreurs.

Pourquoi utiliser JupyterLab pour tes projets YOLO26 ?#

Il existe de nombreuses plateformes pour développer et évaluer des modèles de machine learning. Alors, qu'est-ce qui distingue JupyterLab ? Découvrons quelques-unes des fonctionnalités uniques que JupyterLab propose pour tes projets de machine learning :

  • Gestion simple des cellules : Gérer les cellules dans JupyterLab est un jeu d'enfant. Au lieu d'utiliser la méthode fastidieuse du couper-coller, tu peux simplement faire glisser et déposer les cellules pour les réorganiser.
  • Copie de cellules entre notebooks : JupyterLab facilite la copie de cellules entre différents notebooks. Tu peux faire glisser et déposer des cellules d'un notebook à un autre.
  • Retour facile à l'affichage classique des notebooks : Si l'interface classique de Jupyter Notebook te manque, JupyterLab te permet facilement d'y revenir. Remplace simplement /lab dans l'URL par /tree pour retrouver l'affichage familier des notebooks.
  • Vues multiples : JupyterLab permet d'afficher un même notebook de plusieurs façons, ce qui est particulièrement utile pour les notebooks volumineux. Tu peux ouvrir différentes sections côte à côte pour les comparer ou les explorer, et les modifications apportées dans une vue apparaissent aussi dans l'autre.
  • Thèmes personnalisables : JupyterLab inclut un thème sombre pour les notebooks, idéal pour les séances de programmation nocturnes. Des thèmes sont également disponibles pour l'éditeur de texte et le terminal, afin que tu puisses personnaliser l'apparence de tout ton espace de travail.

Problèmes courants lors de l'utilisation de JupyterLab#

Lorsque tu utilises JupyterLab, tu peux rencontrer certains problèmes courants. Voici quelques conseils pour utiliser la plateforme sans difficulté :

  • Gérer les noyaux : Les noyaux sont essentiels, car ils gèrent la connexion entre le code que tu écris dans JupyterLab et l'environnement dans lequel il s'exécute. Ils peuvent également accéder aux données et les partager entre les notebooks. Lorsque tu fermes un Jupyter Notebook, le noyau peut continuer à fonctionner, car d'autres notebooks l'utilisent peut-être. Pour arrêter complètement un noyau, sélectionne-le, clique dessus avec le bouton droit, puis choisis « Arrêter le noyau » dans le menu contextuel.
  • Installer des paquets Python : Tu auras parfois besoin de paquets Python supplémentaires qui ne sont pas préinstallés sur le serveur. Tu peux facilement les installer dans ton répertoire personnel ou dans un environnement virtuel à l'aide de la commande python -m pip install package-name. Pour afficher tous les paquets installés, utilise python -m pip list.
  • Déployer une API Flask/FastAPI sur Posit Connect : Tu peux déployer tes API Flask et FastAPI sur Posit Connect depuis le terminal à l'aide du paquet rsconnect-python. Cela facilite l'intégration de tes applications web à JupyterLab et leur partage avec d'autres personnes.
  • Installer des extensions JupyterLab : JupyterLab prend en charge diverses extensions qui améliorent ses fonctionnalités. Tu peux installer et personnaliser ces extensions selon tes besoins. Pour obtenir des instructions détaillées, consulte le guide des extensions JupyterLab.
  • Utiliser plusieurs versions de Python : Si tu dois travailler avec différentes versions de Python, tu peux utiliser des noyaux Jupyter configurés avec des versions différentes de Python.

Comment utiliser JupyterLab pour essayer YOLO26#

JupyterLab facilite l'expérimentation avec YOLO26. Pour commencer, suis ces quelques étapes.

Étape 1 : installer JupyterLab#

Tu dois d'abord installer JupyterLab. Ouvre ton terminal et exécute la commande suivante :

Installation
# Install the required package for JupyterLab
pip install jupyterlab

Étape 2 : télécharger le notebook du tutoriel YOLO26#

Ensuite, télécharge le fichier tutorial.ipynb depuis le dépôt GitHub d'Ultralytics. Enregistre ce fichier dans le répertoire de ton choix sur ta machine locale.

Étape 3 : lancer JupyterLab#

Dans ton terminal, accède au répertoire où tu as enregistré le fichier notebook. Exécute ensuite la commande suivante pour lancer JupyterLab :

Utilisation
jupyter lab

Une fois cette commande exécutée, JupyterLab s'ouvrira dans ton navigateur web par défaut, comme illustré ci-dessous.

Capture d'écran montrant l'ouverture de JupyterLab dans le navigateur

Étape 4 : commencer à expérimenter#

Dans JupyterLab, ouvre le notebook tutorial.ipynb. Tu peux maintenant exécuter les cellules pour découvrir YOLO26 et expérimenter avec ce modèle.

Image montrant le notebook YOLO26 ouvert dans JupyterLab

L’environnement interactif de JupyterLab te permet de modifier le code, de visualiser les résultats et de consigner tes observations au même endroit. Tu peux essayer différentes configurations et comprendre le fonctionnement de YOLO26.

Pour comprendre en détail le processus d'entraînement du modèle et découvrir les bonnes pratiques, consulte le guide d'entraînement du modèle YOLO26. Ce guide t'aidera à tirer le meilleur parti de tes expériences et à utiliser YOLO26 efficacement.

Pour approfondir tes connaissances sur JupyterLab#

Si tu veux en savoir plus sur JupyterLab, voici quelques ressources pour commencer :

  • Documentation de JupyterLab : consulte la documentation officielle de JupyterLab pour découvrir ses fonctionnalités et ses capacités. C’est un excellent moyen de comprendre comment utiliser pleinement cet outil puissant.
  • Essayer avec Binder : expérimente avec JupyterLab sans rien installer grâce à Binder, qui te permet de lancer une instance JupyterLab en direct directement dans ton navigateur. C’est un excellent moyen de commencer à expérimenter immédiatement.
  • Guide d’installation : pour suivre les étapes d’installation de JupyterLab sur ta machine, consulte le guide d’installation.
  • Entraîner Ultralytics YOLO26 avec JupyterLab : découvre les applications pratiques de JupyterLab avec les modèles YOLO26 dans cet article détaillé.

Résumé#

Nous avons vu comment JupyterLab peut être un outil puissant pour expérimenter avec les modèles Ultralytics YOLO26. Grâce à son environnement flexible et interactif, tu peux facilement configurer JupyterLab sur ta machine et commencer à utiliser YOLO26. JupyterLab simplifie l’entraînement et l’évaluation de tes modèles, la visualisation des résultats et la documentation de tes observations, au même endroit.

Contrairement à d’autres plateformes comme Google Colab, JupyterLab s’exécute localement sur ta machine. Tu gardes ainsi davantage de contrôle sur ton environnement informatique tout en bénéficiant d’une expérience interactive avec des notebooks. JupyterLab est particulièrement utile aux développeurs qui ont besoin d’accéder régulièrement à leur environnement de développement sans dépendre des ressources cloud.

Pour en savoir plus, consulte la page FAQ de JupyterLab.

Tu souhaites découvrir d’autres intégrations YOLO26 ? Consulte le guide d’intégration d’Ultralytics pour découvrir d’autres outils et fonctionnalités pour tes projets de machine learning.

FAQ#

  • Pour entraîner un modèle YOLO26 avec JupyterLab :

    1. Installe JupyterLab et le package Ultralytics :

      pip install jupyterlab ultralytics

    2. Lance JupyterLab et ouvre un nouveau notebook.

    3. Importe le modèle YOLO et charge un modèle préentraîné :

      from ultralytics import YOLO

model = YOLO("yolo26n.pt")

    4. Entraîne le modèle sur ton jeu de données personnalisé :

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

    5. Visualise les résultats de l’entraînement avec les fonctionnalités de traçage intégrées de JupyterLab :

      from ultralytics.utils.plotting import plot_results

plot_results("runs/detect/train/results.csv")  # enregistre results.png à côté de results.csv

    L’environnement interactif de JupyterLab te permet de modifier facilement les paramètres, de visualiser les résultats et de faire évoluer ton processus d’entraînement.

  • JupyterLab offre plusieurs fonctionnalités qui le rendent idéal pour les projets YOLO26 :

    1. Exécution interactive du code : teste et débogue des extraits de code YOLO26 en temps réel.
    2. Explorateur de fichiers intégré : gère facilement les jeux de données, les poids des modèles et les fichiers de configuration.
    3. Disposition flexible : organise plusieurs notebooks, terminaux et fenêtres de sortie côte à côte pour optimiser ton flux de travail.
    4. Affichage des résultats détaillés : visualise directement les résultats de détection YOLO26, les courbes d’entraînement et les métriques de performance du modèle.
    5. Prise en charge de Markdown : documente tes expériences et observations YOLO26 avec du texte enrichi et des images.
    6. Écosystème d’extensions : enrichis les fonctionnalités grâce à des extensions pour le contrôle de version, le calcul à distance et bien plus.

    Ces fonctionnalités offrent une expérience de développement fluide avec les modèles YOLO26, de la préparation des données au déploiement du modèle.

  • Pour optimiser les performances d’un modèle YOLO26 dans JupyterLab :

    1. Utilise AutoBatch pour choisir la taille de lot la plus grande compatible avec la mémoire du GPU :

      results = model.train(data="path/to/data.yaml", batch=-1)

    2. Mets en œuvre le réglage des hyperparamètres avec des bibliothèques comme Ray Tune :

      result_grid = model.tune(data="path/to/data.yaml", use_ray=True)

    3. Visualise et analyse les métriques du modèle avec les fonctionnalités de traçage de JupyterLab :

      from ultralytics.utils.plotting import plot_results

plot_results("runs/detect/train/results.csv")  # enregistre results.png à côté de results.csv

    4. Teste différentes architectures de modèles et différents formats d’exportation pour trouver le meilleur équilibre entre vitesse et précision pour ton cas d’utilisation.

    L’environnement interactif de JupyterLab permet d’itérer rapidement et d’obtenir des retours en temps réel, ce qui facilite l’optimisation efficace de tes modèles YOLO26.

  • Lorsque tu utilises JupyterLab et YOLO26, tu peux rencontrer certains problèmes courants. Voici comment les résoudre :

    1. Problèmes de mémoire GPU :

      • Utilise torch.cuda.empty_cache() pour libérer la mémoire GPU entre les exécutions.
      • Ajuste la taille de lot ou la taille de l’image en fonction de la mémoire de ton GPU.

    2. Conflits entre les packages :

      • Crée un environnement conda distinct pour tes projets YOLO26 afin d’éviter les conflits.
      • Utilise !pip install package_name dans une cellule du notebook pour installer les packages manquants.

    3. Plantages du noyau :

      • Redémarre le noyau et exécute les cellules une par une pour repérer le code problématique.
      • Recherche les fuites de mémoire dans ton code, en particulier lors du traitement de grands jeux de données.
Contributeurs
GLglenn-jocher12RAraimbekovm2RIRizwanMunawar2LALaughing-q2Y-Y-T-G1WIWillieMaddox1MAMatthewNoyce1AMambitious-octopus1ABabirami-vina1

Commentaires