Ultralytics YOLO27:
Get Started

Guida all'uso di JupyterLab per addestrare i tuoi modelli YOLO26#

Creare modelli di deep learning può essere difficile, soprattutto se non hai gli strumenti o l'ambiente adatti. Se ti trovi in questa situazione, JupyterLab potrebbe essere la soluzione giusta per te. JupyterLab è una piattaforma web intuitiva che rende la programmazione più flessibile e interattiva. Puoi usarla per gestire set di dati di grandi dimensioni, creare modelli complessi e persino collaborare con altre persone, tutto in un unico ambiente.

Puoi usare JupyterLab per lavorare a progetti relativi ai modelli Ultralytics YOLO26. JupyterLab è un'ottima scelta per sviluppare modelli e sperimentare in modo efficiente. Ti permette di iniziare facilmente a sperimentare e ad addestrare modelli YOLO26 direttamente dal tuo computer. Approfondiamo JupyterLab, le sue funzionalità principali e come puoi usarlo per addestrare modelli YOLO26.

Che cos'è JupyterLab?#

JupyterLab è una piattaforma web open source progettata per lavorare con notebook Jupyter, codice e dati. È un'evoluzione dell'interfaccia tradizionale di Jupyter Notebook, che offre un'esperienza utente più versatile e potente.

JupyterLab ti permette di lavorare con notebook, editor di testo, terminali e altri strumenti, tutto in un unico ambiente. Il suo design flessibile ti consente di organizzare l'area di lavoro in base alle tue esigenze e semplifica attività come l'analisi dei dati, la visualizzazione e il machine learning. JupyterLab supporta anche la collaborazione in tempo reale, caratteristica che lo rende ideale per i progetti di gruppo nell'ambito della ricerca e della data science.

Funzionalità principali di JupyterLab#

Ecco alcune delle funzionalità principali che rendono JupyterLab un'ottima scelta per lo sviluppo e la sperimentazione dei modelli:

  • Ambiente di lavoro tutto in uno: JupyterLab è una soluzione completa per tutte le tue esigenze di data science. A differenza del classico Jupyter Notebook, che aveva interfacce separate per la modifica del testo, l'accesso al terminale e i notebook, JupyterLab integra tutte queste funzionalità in un ambiente unico e coerente. Puoi visualizzare e modificare diversi formati di file, tra cui JPEG, PDF e CSV, direttamente in JupyterLab. Un ambiente di lavoro tutto in uno ti consente di avere ogni risorsa a portata di mano, semplificando il flusso di lavoro e facendoti risparmiare tempo.
  • Layout flessibili: una delle caratteristiche distintive di JupyterLab è il suo layout flessibile. Puoi trascinare, rilasciare e ridimensionare le schede per creare un layout personalizzato che ti aiuti a lavorare in modo più efficiente. La barra laterale sinistra comprimibile mantiene a portata di mano schede essenziali come il browser dei file, i kernel in esecuzione e la palette dei comandi. Puoi tenere aperte più finestre contemporaneamente, così da lavorare su più attività e gestire i progetti in modo più efficace.
  • Console di codice interattive: le console di codice di JupyterLab offrono uno spazio interattivo per provare frammenti di codice o funzioni. Fungono anche da registro dei calcoli eseguiti all'interno di un notebook. Creare una nuova console per un notebook e visualizzare tutte le attività del kernel è semplice. Questa funzionalità è particolarmente utile quando sperimenti nuove idee o risolvi problemi nel codice.
  • Anteprima Markdown: grazie alla funzione di anteprima simultanea, lavorare con i file Markdown è più efficiente in JupyterLab. Mentre scrivi o modifichi un file Markdown, puoi vedere in tempo reale il risultato formattato. In questo modo è più facile verificare che la documentazione sia visualizzata correttamente, senza dover passare continuamente dalla modalità di modifica a quella di anteprima.
  • Esegui il codice dai file di testo: se condividi un file di testo contenente codice, JupyterLab ti permette di eseguirlo facilmente e direttamente nella piattaforma. Puoi selezionare il codice e premere Shift + Enter per eseguirlo. Questa funzionalità è ottima per verificare rapidamente frammenti di codice e aiuta a garantire che il codice che condividi sia funzionante e privo di errori.

Perché usare JupyterLab per i tuoi progetti YOLO26?#

Esistono diverse piattaforme per sviluppare e valutare modelli di machine learning: cosa distingue JupyterLab? Scopriamo alcune delle caratteristiche uniche che JupyterLab offre per i tuoi progetti di machine learning:

  • Gestione semplice delle celle: gestire le celle in JupyterLab è facilissimo. Invece di usare il macchinoso metodo del taglia e incolla, puoi semplicemente trascinare e rilasciare le celle per riordinarle.
  • Copia delle celle tra notebook: JupyterLab semplifica la copia delle celle tra notebook diversi. Puoi trascinare e rilasciare le celle da un notebook all'altro.
  • Passaggio semplice alla visualizzazione classica dei notebook: se ti manca l'interfaccia classica di Jupyter Notebook, JupyterLab ti permette di tornare facilmente a quella visualizzazione. Per ripristinare la familiare vista del notebook, sostituisci /lab nell'URL con /tree.
  • Visualizzazioni multiple: JupyterLab supporta più visualizzazioni dello stesso notebook, una funzionalità particolarmente utile per i notebook lunghi. Puoi aprire diverse sezioni affiancate per confrontarle o esplorarle; le modifiche apportate in una visualizzazione si riflettono anche nell'altra.
  • Temi personalizzabili: JupyterLab include un tema scuro integrato per il notebook, ideale per programmare fino a tarda notte. Sono disponibili anche temi per l'editor di testo e il terminale, che ti consentono di personalizzare l'aspetto dell'intero ambiente di lavoro.

Problemi comuni durante l'utilizzo di JupyterLab#

Quando lavori con JupyterLab, potresti incontrare alcuni problemi comuni. Ecco alcuni suggerimenti per aiutarti a usare la piattaforma senza intoppi:

  • Gestione dei kernel: i kernel sono fondamentali perché gestiscono la connessione tra il codice che scrivi in JupyterLab e l'ambiente in cui viene eseguito. Possono anche accedere ai dati e condividerli tra notebook. Quando chiudi un Jupyter Notebook, il kernel potrebbe continuare a essere in esecuzione perché altri notebook potrebbero utilizzarlo. Per arrestare completamente un kernel, selezionalo, fai clic con il tasto destro e scegli "Arresta kernel" dal menu a comparsa.
  • Installazione dei pacchetti Python: a volte potresti aver bisogno di pacchetti Python aggiuntivi che non sono preinstallati sul server. Puoi installarli facilmente nella tua directory home o in un ambiente virtuale usando il comando python -m pip install package-name. Per visualizzare tutti i pacchetti installati, usa python -m pip list.
  • Distribuzione di un'API Flask/FastAPI su Posit Connect: puoi distribuire le tue API Flask e FastAPI su Posit Connect usando il pacchetto rsconnect-python dal terminale. In questo modo è più semplice integrare le tue applicazioni web con JupyterLab e condividerle con altre persone.
  • Installazione delle estensioni di JupyterLab: JupyterLab supporta diverse estensioni per ampliarne le funzionalità. Puoi installarle e personalizzarle in base alle tue esigenze. Per istruzioni dettagliate, consulta la guida alle estensioni di JupyterLab.
  • Uso di più versioni di Python: se devi lavorare con versioni diverse di Python, puoi usare kernel Jupyter configurati con versioni differenti di Python.

Come usare JupyterLab per provare YOLO26#

JupyterLab semplifica la sperimentazione con YOLO26. Per iniziare, segui questi semplici passaggi.

Passaggio 1: installare JupyterLab#

Per prima cosa, devi installare JupyterLab. Apri il terminale ed esegui il comando:

Installazione
# Install the required package for JupyterLab
pip install jupyterlab

Passaggio 2: scaricare il notebook tutorial di YOLO26#

Poi, scarica il file tutorial.ipynb dal repository GitHub di Ultralytics. Salva il file in una directory qualsiasi del tuo computer.

Passaggio 3: avviare JupyterLab#

Nel terminale, raggiungi la directory in cui hai salvato il file del notebook. Poi, esegui il comando seguente per avviare JupyterLab:

Utilizzo
jupyter lab

Dopo aver eseguito questo comando, JupyterLab si aprirà nel browser web predefinito, come mostrato di seguito.

Immagine che mostra l'apertura di JupyterLab nel browser

Passaggio 4: inizia a sperimentare#

In JupyterLab, apri il notebook tutorial.ipynb. Ora puoi iniziare a eseguire le celle per esplorare e sperimentare con YOLO26.

Immagine del notebook YOLO26 aperto in JupyterLab

L'ambiente interattivo di JupyterLab ti consente di modificare il codice, visualizzare i risultati e documentare le tue scoperte in un unico posto. Puoi provare diverse configurazioni e capire come funziona YOLO26.

Per comprendere nel dettaglio il processo di training del modello e le best practice, consulta la guida al training del modello YOLO26. Questa guida ti aiuterà a ottenere il massimo dai tuoi esperimenti e ad assicurarti di usare YOLO26 in modo efficace.

Continua a imparare a usare JupyterLab#

Se vuoi saperne di più su JupyterLab, ecco alcune risorse per iniziare:

  • Documentazione di JupyterLab: consulta la documentazione ufficiale di JupyterLab per esplorarne le funzionalità e le potenzialità. È un ottimo modo per capire come sfruttare al meglio questo potente strumento.
  • Provalo con Binder: sperimenta con JupyterLab senza installare nulla usando Binder, che ti consente di avviare un'istanza JupyterLab attiva direttamente nel browser. È un ottimo modo per iniziare subito a sperimentare.
  • Guida all'installazione: per una guida passo passo all'installazione di JupyterLab sul tuo computer, consulta la guida all'installazione.
  • Addestra Ultralytics YOLO26 con JupyterLab: scopri di più sulle applicazioni pratiche di JupyterLab con i modelli YOLO26 in questo articolo dettagliato.

Riepilogo#

Abbiamo visto come JupyterLab possa essere un potente strumento per sperimentare con i modelli Ultralytics YOLO26. Grazie al suo ambiente flessibile e interattivo, puoi configurare facilmente JupyterLab sul tuo computer e iniziare a lavorare con YOLO26. JupyterLab semplifica le operazioni di addestramento e valutazione dei tuoi modelli, la visualizzazione dei risultati e la documentazione delle tue scoperte, tutto in un unico posto.

A differenza di altre piattaforme come Google Colab, JupyterLab viene eseguito localmente sul tuo computer, offrendoti un maggiore controllo sull'ambiente di calcolo e, al contempo, un'esperienza interattiva con i notebook. Questo lo rende particolarmente utile per gli sviluppatori che hanno bisogno di accedere in modo costante al proprio ambiente di sviluppo senza dipendere dalle risorse cloud.

Per ulteriori dettagli, visita la pagina delle FAQ di JupyterLab.

Ti interessano altre integrazioni di YOLO26? Consulta la guida alle integrazioni di Ultralytics per esplorare altri strumenti e funzionalità per i tuoi progetti di machine learning.

Domande frequenti#

  • Per addestrare un modello YOLO26 con JupyterLab:

    1. Installa JupyterLab e il pacchetto Ultralytics:

      pip install jupyterlab ultralytics

    2. Avvia JupyterLab e apri un nuovo notebook.

    3. Importa il modello YOLO e carica un modello preaddestrato:

      from ultralytics import YOLO

model = YOLO("yolo26n.pt")

    4. Addestra il modello sul tuo dataset personalizzato:

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

    5. Visualizza i risultati dell'addestramento usando le funzionalità di grafici integrate in JupyterLab:

      from ultralytics.utils.plotting import plot_results

plot_results("runs/detect/train/results.csv")  # salva results.png accanto a results.csv

    L'ambiente interattivo di JupyterLab ti consente di modificare facilmente i parametri, visualizzare i risultati e ripetere il processo di addestramento del modello.

  • JupyterLab offre diverse funzionalità che lo rendono ideale per i progetti YOLO26:

    1. Esecuzione interattiva del codice: prova ed esegui il debug degli snippet di codice YOLO26 in tempo reale.
    2. Esplora file integrato: gestisci facilmente dataset, pesi dei modelli e file di configurazione.
    3. Layout flessibile: disponi affiancati più notebook, terminali e finestre dei risultati per un flusso di lavoro efficiente.
    4. Visualizzazione avanzata dei risultati: visualizza direttamente i risultati di rilevamento di YOLO26, le curve di addestramento e le metriche delle prestazioni del modello.
    5. Supporto Markdown: documenta gli esperimenti e le scoperte su YOLO26 con testo formattato e immagini.
    6. Ecosistema di estensioni: amplia le funzionalità con estensioni per il controllo delle versioni, il calcolo remoto e altro ancora.

    Queste funzionalità offrono un'esperienza di sviluppo fluida con i modelli YOLO26, dalla preparazione dei dati alla distribuzione del modello.

  • Per ottimizzare le prestazioni di un modello YOLO26 in JupyterLab:

    1. Usa AutoBatch per scegliere la dimensione del batch più grande compatibile con la memoria della GPU:

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

    2. Implementa l'ottimizzazione degli iperparametri usando librerie come Ray Tune:

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

    3. Visualizza e analizza le metriche del modello usando le funzionalità di grafici di JupyterLab:

      from ultralytics.utils.plotting import plot_results

plot_results("runs/detect/train/results.csv")  # salva results.png accanto a results.csv

    4. Sperimenta con diverse architetture di modello e formati di esportazione per trovare il miglior equilibrio tra velocità e accuratezza per il tuo caso d'uso specifico.

    L'ambiente interattivo di JupyterLab consente iterazioni rapide e feedback in tempo reale, semplificando l'ottimizzazione efficiente dei tuoi modelli YOLO26.

  • Lavorando con JupyterLab e YOLO26, potresti incontrare alcuni problemi comuni. Ecco come risolverli:

    1. Problemi di memoria della GPU:

      • Usa torch.cuda.empty_cache() per liberare la memoria della GPU tra un'esecuzione e l'altra.
      • Modifica la dimensione del batch o le dimensioni dell'immagine per adattarle alla memoria della GPU.

    2. Conflitti tra pacchetti:

      • Crea un ambiente conda separato per i tuoi progetti YOLO26, così da evitare conflitti.
      • Usa !pip install package_name in una cella del notebook per installare i pacchetti mancanti.

    3. Arresti anomali del kernel:

      • Riavvia il kernel ed esegui le celle una alla volta per individuare il codice problematico.
      • Controlla la presenza di perdite di memoria nel codice, soprattutto quando elabori dataset di grandi dimensioni.
Collaboratori
GLglenn-jocher12RAraimbekovm2RIRizwanMunawar2LALaughing-q2Y-Y-T-G1WIWillieMaddox1MAMatthewNoyce1AMambitious-octopus1ABabirami-vina1

Commenti