Ultralytics YOLO27:

Una guida su come usare JupyterLab per addestrare i tuoi modelli YOLO26#

Creare modelli di deep learning può essere difficile, soprattutto quando non hai gli strumenti o l'ambiente adatti. Se stai affrontando questo problema, 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 grandi dataset, creare modelli complessi e persino collaborare con altri, tutto in un unico posto.

Puoi usare JupyterLab per lavorare a progetti relativi ai modelli Ultralytics YOLO26. JupyterLab è un'ottima scelta per sviluppare e sperimentare con i modelli in modo efficiente. Ti permette di iniziare facilmente a sperimentare e 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 in un unico posto. 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, rendendolo ideale per i progetti di gruppo nella ricerca e nella data science.

Funzionalità principali di JupyterLab#

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

  • Area di lavoro tutto-in-uno: JupyterLab è un punto di riferimento unico per tutte le tue esigenze di data science. A differenza del Jupyter Notebook classico, 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 direttamente in JupyterLab diversi formati di file, tra cui JPEG, PDF e CSV. Un'area di lavoro tutto-in-uno ti permette di accedere rapidamente a tutto ciò che ti serve, ottimizzando il flusso di lavoro e facendoti risparmiare tempo.
  • Layout flessibili: una delle funzionalità distintive di JupyterLab è il 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 avere più finestre aperte contemporaneamente, così da svolgere più attività e gestire i tuoi progetti in modo più efficace.
  • Console di codice interattive: le console di codice in JupyterLab offrono uno spazio interattivo per testare 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 tutta l'attività del kernel è semplice. Questa funzionalità è particolarmente utile quando sperimenti nuove idee o risolvi problemi nel codice.
  • Anteprima Markdown: lavorare con i file Markdown è più efficiente in JupyterLab grazie alla funzionalità di anteprima simultanea. Mentre scrivi o modifichi il file Markdown, puoi vedere l'output formattato in tempo reale. Questo semplifica il controllo della documentazione e ti evita di passare continuamente dalla modalità di modifica a quella di anteprima.
  • Eseguire codice dai file di testo: se condividi un file di testo contenente codice, JupyterLab semplifica l'esecuzione diretta del codice nella piattaforma. Puoi evidenziare il codice e premere Shift + Invio per eseguirlo. È un'ottima soluzione per verificare rapidamente i frammenti di codice e aiuta a garantire che il codice condiviso sia funzionante e privo di errori.

Perché dovresti usare JupyterLab per i tuoi progetti YOLO26?#

Esistono diverse piattaforme per sviluppare e valutare modelli di machine learning, quindi cosa distingue JupyterLab? Esploriamo alcuni degli aspetti esclusivi che JupyterLab offre per i tuoi progetti di machine learning:

  • Gestione semplice delle celle: gestire le celle in JupyterLab è facilissimo. Invece del 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 del notebook classico: se ti manca l'interfaccia classica di Jupyter Notebook, JupyterLab ti permette di tornare facilmente indietro. Sostituisci semplicemente /lab nell'URL con /tree per tornare alla familiare visualizzazione del notebook.
  • 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; ogni modifica apportata in una visualizzazione viene riflessa nell'altra.
  • Temi personalizzabili: JupyterLab include un tema scuro integrato per il notebook, perfetto per le sessioni di programmazione notturne. Sono disponibili anche temi per l'editor di testo e il terminale, che ti permettono di personalizzare l'aspetto dell'intera area di lavoro.

Problemi comuni durante l'utilizzo di JupyterLab#

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

  • 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 i notebook. Quando chiudi un Jupyter Notebook, il kernel potrebbe essere ancora in esecuzione perché altri notebook potrebbero utilizzarlo. Se vuoi arrestare completamente un kernel, selezionalo, fai clic con il pulsante destro del mouse e scegli "Arresta kernel" dal menu a comparsa.
  • Installazione dei pacchetti Python: a volte potresti aver bisogno di pacchetti Python aggiuntivi non preinstallati sul server. Puoi installare facilmente questi pacchetti 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 dell'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 altri.
  • Installazione delle estensioni di JupyterLab: JupyterLab supporta diverse estensioni per ampliare le funzionalità. Puoi installare e personalizzare queste estensioni in base alle tue esigenze. Per istruzioni dettagliate, consulta la guida alle estensioni di JupyterLab.
  • Utilizzo 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: installa 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: scarica il notebook tutorial di YOLO26#

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

Passaggio 3: avvia JupyterLab#

Nel terminale, accedi alla directory in cui hai salvato il file del notebook. Quindi, 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 che mostra il notebook YOLO26 aperto in JupyterLab

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

Per una comprensione dettagliata del processo di addestramento dei modelli e delle best practice, consulta la guida all'addestramento dei modelli YOLO26. Questa guida ti aiuterà a ottenere il massimo dai tuoi esperimenti e a utilizzare YOLO26 in modo efficace.

Continua a imparare su JupyterLab#

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

  • Documentazione di JupyterLab: approfondisci la documentazione ufficiale di JupyterLab per esplorarne funzionalità e capacità. 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 permette di avviare un'istanza live di JupyterLab 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 locale, consulta la guida all'installazione.
  • Addestra Ultralytics YOLO26 usando JupyterLab: scopri di più sulle applicazioni pratiche dell'utilizzo di JupyterLab con i modelli YOLO26 in questo articolo dettagliato del blog.

Abbiamo esplorato come JupyterLab possa essere uno strumento potente per sperimentare con i modelli Ultralytics YOLO26. Grazie al suo ambiente flessibile e interattivo, puoi configurare facilmente JupyterLab sul tuo computer locale e iniziare a lavorare con YOLO26. JupyterLab semplifica le operazioni di addestramento e valutazione dei tuoi modelli, la visualizzazione degli output e la documentazione dei risultati, 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 mantenendo al contempo un'esperienza interattiva con i notebook. Questo lo rende particolarmente utile per gli sviluppatori che hanno bisogno di un accesso costante al proprio ambiente di sviluppo senza affidarsi alle risorse cloud.

Per ulteriori dettagli, visita la pagina delle domande frequenti su 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.

FAQ#

  • Per addestrare un modello YOLO26 usando 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 di JupyterLab:

      from ultralytics.utils.plotting import plot_results

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

    L'ambiente interattivo di JupyterLab ti permette di modificare facilmente i parametri, visualizzare i risultati e iterare sul processo di addestramento del modello.

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

    1. Esecuzione interattiva del codice: testa ed esegui il debug dei frammenti di codice YOLO26 in tempo reale.
    2. Browser dei file integrato: gestisci facilmente dataset, pesi del modello e file di configurazione.
    3. Layout flessibile: disponi più notebook, terminali e finestre di output affiancati per un flusso di lavoro efficiente.
    4. Visualizzazione avanzata dell'output: visualizza in linea i risultati del rilevamento YOLO26, le curve di addestramento e le metriche delle prestazioni del modello.
    5. Supporto Markdown: documenta i tuoi esperimenti e risultati con YOLO26 usando testo formattato e immagini.
    6. Ecosistema di estensioni: amplia le funzionalità con estensioni per il controllo versione, il calcolo remoto e altro.

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

  • Per ottimizzare le prestazioni del modello YOLO26 in JupyterLab:

    1. Usa AutoBatch per scegliere la dimensione del batch più grande che rientra nella 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")

    4. Sperimenta con architetture di modelli e formati di esportazione diversi 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.

  • Quando lavori con JupyterLab e YOLO26, potresti riscontrare alcuni problemi comuni. Ecco come gestirli:

    1. Problemi di memoria GPU:

      • Usa torch.cuda.empty_cache() per liberare la memoria GPU tra un'esecuzione e l'altra.
      • Riduci la dimensione del batch o quella delle immagini per adattarle alla memoria della tua GPU.

    2. Conflitti tra pacchetti:

      • Crea un ambiente conda separato per i tuoi progetti YOLO26 per 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 identificare il codice problematico.
      • Verifica la presenza di perdite di memoria nel codice, soprattutto quando elabori dataset di grandi dimensioni.
Contributori
GLglenn-jocher11RAraimbekovm2RIRizwanMunawar2LALaughing-q2Y-Y-T-G1WIWillieMaddox1MAMatthewNoyce1AMambitious-octopus1ABabirami-vina1

Commenti