Guida all'uso di JupyterLab per addestrare i modelli di YOLO11

Q: How do I use JupyterLab to train a YOLO11 model?

Per addestrare un modello YOLO11 utilizzando JupyterLab: L'ambiente interattivo di JupyterLab consente di modificare facilmente i parametri, visualizzare i risultati e iterare il processo di addestramento del modello.

Costruire modelli di deep learning può essere difficile, soprattutto quando non si dispone degli strumenti o dell'ambiente giusto con cui lavorare. Se vi trovate di fronte a questo problema, JupyterLab potrebbe essere la soluzione giusta per voi. JupyterLab è una piattaforma web di facile utilizzo che rende la codifica più flessibile e interattiva. È possibile utilizzarla per gestire grandi insiemi di dati, creare modelli complessi e persino collaborare con altri, tutto in un unico luogo.

È possibile utilizzare JupyterLab per lavorare su progetti relativi ai modelli diUltralytics YOLO11 . JupyterLab è un'ottima opzione per lo sviluppo e la sperimentazione efficiente dei modelli. Consente di iniziare facilmente a sperimentare e addestrare i modelli YOLO11 direttamente dal proprio computer. Approfondiamo la conoscenza di JupyterLab, delle sue caratteristiche principali e di come è possibile utilizzarlo per addestrare i modelli YOLO11 .

Che cos'è JupyterLab?

JupyterLab è una piattaforma web open-source progettata per lavorare con i taccuini Jupyter, il codice e i dati. Si tratta di un aggiornamento della tradizionale interfaccia dei taccuini Jupyter che offre un'esperienza utente più versatile e potente.

JupyterLab consente di lavorare con notebook, editor di testo, terminali e altri strumenti in un unico luogo. Il suo design flessibile consente di organizzare l'area di lavoro in base alle proprie esigenze e facilita l'esecuzione di attività come l'analisi dei dati, la visualizzazione e l'apprendimento automatico. JupyterLab supporta anche la collaborazione in tempo reale, rendendolo ideale per i progetti di gruppo nella ricerca e nella scienza dei dati.

Caratteristiche principali di JupyterLab

Ecco alcune delle caratteristiche principali che rendono JupyterLab un'ottima opzione per lo sviluppo e la sperimentazione di modelli:

Spazio di lavoro all-in-one: JupyterLab è uno sportello unico per tutte le esigenze di data science. A differenza del classico Jupyter Notebook, che aveva interfacce separate per l'editing del testo, l'accesso al terminale e i notebook, JupyterLab integra tutte queste funzionalità in un unico ambiente coeso. È possibile visualizzare e modificare vari formati di file, tra cui JPEG, PDF e CSV, direttamente all'interno di JupyterLab. Uno spazio di lavoro all-in-one consente di accedere a tutto ciò che serve a portata di mano, semplificando il flusso di lavoro e risparmiando tempo.
Layout flessibili: Una delle caratteristiche principali di JupyterLab è il suo layout flessibile. È possibile trascinare, rilasciare e ridimensionare le schede per creare un layout personalizzato che aiuti a lavorare in modo più efficiente. La barra laterale sinistra collassabile consente di tenere a portata di mano schede essenziali come il browser dei file, i kernel in esecuzione e la tavolozza dei comandi. È possibile avere più finestre aperte contemporaneamente, il che consente di lavorare in multitasking e di gestire i progetti in modo più efficace.
Console di codice interattive: Le console del codice in JupyterLab forniscono uno spazio interattivo per testare frammenti di codice o funzioni. Servono anche come registro dei calcoli effettuati all'interno di un notebook. La creazione di una nuova console per un blocco note e la visualizzazione di tutte le attività del kernel sono semplici. Questa funzione è particolarmente utile quando si sperimentano nuove idee o si risolvono problemi nel codice.
Markdown Anteprima: Lavorare con i file Markdown è più efficiente in JupyterLab, grazie alla funzione di anteprima simultanea. Mentre si scrive o si modifica il file Markdown , è possibile vedere l'output formattato in tempo reale. In questo modo è più facile ricontrollare che la documentazione sia perfetta, evitando di dover passare dalla modalità di modifica a quella di anteprima.
Esecuzione di codice da file di testo: Se si condivide un file di testo con del codice, JupyterLab ne facilita l'esecuzione direttamente all'interno della piattaforma. È possibile evidenziare il codice e premere Shift + Invio per eseguirlo. È un'ottima soluzione per verificare rapidamente i frammenti di codice e per garantire che il codice condiviso sia funzionale e privo di errori.

Perché dovreste usare JupyterLab per i vostri progetti YOLO11 ?

Esistono diverse piattaforme per lo sviluppo e la valutazione di modelli di apprendimento automatico, ma cosa distingue JupyterLab? Esploriamo alcuni degli aspetti unici che JupyterLab offre per i vostri progetti di apprendimento automatico:

Gestione semplice delle celle: La gestione delle celle in JupyterLab è un gioco da ragazzi. Invece del macchinoso metodo taglia-e-incolla, potete semplicemente trascinare e rilasciare le celle per riorganizzarle.
Copia di celle tra notebook: JupyterLab semplifica la copia delle celle tra diversi quaderni. È possibile trascinare e rilasciare le celle da un quaderno all'altro.
Facile passaggio alla visualizzazione classica del notebook: Per coloro che sentono la mancanza della classica interfaccia di Jupyter Notebook, JupyterLab offre un facile ritorno. È sufficiente sostituire /lab nell'URL con /tree per tornare alla visualizzazione familiare del blocco note.
Viste multiple: JupyterLab supporta più viste dello stesso blocco note, il che è particolarmente utile per i blocchi note lunghi. È possibile aprire sezioni diverse una accanto all'altra per confrontarle o esplorarle e qualsiasi modifica apportata in una vista si riflette nell'altra.
Temi personalizzabili: JupyterLab include un tema scuro integrato per il notebook, perfetto per le sessioni di codifica notturne. Sono disponibili anche temi per l'editor di testo e il terminale, che consentono di personalizzare l'aspetto dell'intero spazio di lavoro.

Problemi comuni durante il lavoro con JupyterLab

Quando si lavora con Kaggle, ci si può imbattere in alcuni problemi comuni. Ecco alcuni suggerimenti per aiutarvi a navigare senza problemi nella piattaforma:

Gestione dei kernel: I kernel sono fondamentali perché gestiscono la connessione tra il codice scritto in JupyterLab e l'ambiente in cui viene eseguito. Possono anche accedere ai dati e condividerli tra i notebook. Quando si chiude un blocco note di Jupyter, il kernel potrebbe essere ancora in esecuzione perché altri blocchi note potrebbero utilizzarlo. Se si desidera chiudere completamente un kernel, è possibile selezionarlo, fare clic con il pulsante destro del mouse e scegliere "Shut Down Kernel" dal menu a comparsa.
Installazione dei pacchetti Python: A volte possono essere necessari pacchetti aggiuntivi di Python che non sono preinstallati sul server. È possibile installare facilmente questi pacchetti nella propria directory principale o in un ambiente virtuale utilizzando il comando python -m pip install package-name. Per vedere tutti i pacchetti installati, utilizzare python -m pip list.
Distribuzione delle API Flask/FastAPI a Posit Connect: È possibile distribuire le API Flask e FastAPI su Posit Connect usando il pacchetto rsconnect-python dal terminale. In questo modo è più facile integrare le applicazioni web con JupyterLab e condividerle con altri.
Installazione delle estensioni di JupyterLab: JupyterLab supporta varie estensioni per migliorare le funzionalità. È possibile installare e personalizzare queste estensioni in base alle proprie esigenze. Per istruzioni dettagliate, consultare la Guida alle estensioni di JupyterLab.
Utilizzo di più versioni di Python: Se è necessario lavorare con diverse versioni di Python, si possono usare kernel Jupyter configurati con diverse versioni di Python .

Come utilizzare JupyterLab per fare delle prove YOLO11

JupyterLab semplifica la sperimentazione con YOLO11. Per iniziare, seguite questi semplici passi.

Passo 1: installare JupyterLab

Per prima cosa, è necessario installare JupyterLab. Aprite il vostro terminale ed eseguite il comando:

Installazione

CLI

# Install the required package for JupyterLab
pip install jupyterlab

Passo 2: Scaricare il Quaderno di esercitazione YOLO11

Successivamente, scaricare il file tutorial.ipynb dal repository GitHub Ultralytics . Salvare il file in una cartella qualsiasi del computer locale.

Passo 3: lanciare JupyterLab

Navigare nella directory in cui è stato salvato il file del notebook utilizzando il terminale. Eseguite quindi il seguente comando per lanciare JupyterLab:

Utilizzo

CLI

jupyter lab

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

Immagine che mostra come si apre JupyterLab sul browser

Fase 4: iniziare a sperimentare

In JupyterLab, aprire il blocco note tutorial.ipynb. È ora possibile iniziare a eseguire le celle per esplorare e sperimentare con YOLO11.

Immagine che mostra il blocco note aperto YOLO11 in JupyterLab

L'ambiente interattivo di JupyterLab consente di modificare il codice, visualizzare i risultati e documentare le proprie scoperte in un unico luogo. È possibile provare diverse configurazioni e capire come funziona YOLO11 .

Per una comprensione dettagliata del processo di formazione del modello e delle migliori pratiche, consultare la guidaYOLO11 Model Training. Questa guida vi aiuterà a ottenere il massimo dai vostri esperimenti e a garantire un uso efficace di YOLO11 .

Continuate a imparare su Jupyterlab

Se non vedete l'ora di saperne di più su JupyterLab, ecco alcune ottime risorse per iniziare:

Documentazione JupyterLab: Immergetevi nella documentazione ufficiale di JupyterLab per esplorarne le caratteristiche e le capacità. È un ottimo modo per capire come utilizzare questo potente strumento al massimo delle sue potenzialità.
Prova con Binder: Sperimentate JupyterLab senza installare nulla utilizzando Binder, che vi permette di lanciare un'istanza di JupyterLab dal vivo direttamente nel vostro browser. È un ottimo modo per iniziare a sperimentare immediatamente.
Guida all'installazione: Per una guida passo passo all'installazione di JupyterLab sul vostro computer locale, consultate la guida all'installazione.

Sintesi

Abbiamo esplorato come JupyterLab possa essere un potente strumento per sperimentare con i modelli Ultralytics YOLO11 . Grazie al suo ambiente flessibile e interattivo, è possibile configurare facilmente JupyterLab sulla propria macchina locale e iniziare a lavorare con YOLO11. JupyterLab semplifica l'addestramento e la valutazione dei modelli, la visualizzazione dei risultati e la documentazione dei risultati in un unico luogo.

Per maggiori dettagli, visitate la pagina delle FAQ di JupyterLab.

Siete interessati ad altre integrazioni di YOLO11 ? Consultate la guida alle integrazioni diUltralytics per esplorare ulteriori strumenti e funzionalità per i vostri progetti di apprendimento automatico.

FAQ

Come si usa JupyterLab per addestrare un modello YOLO11 ?

Per addestrare un modello YOLO11 usando JupyterLab:

Installare JupyterLab e il pacchetto Ultralytics :
```
pip install jupyterlab ultralytics
```
Avviare JupyterLab e aprire un nuovo blocco note.

Importare il modello YOLO e caricare un modello preaddestrato:

from ultralytics import YOLO

model = YOLO("yolo11n.pt")

Addestrare il modello sul set di dati personalizzato:

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

Visualizzate i risultati dell'addestramento utilizzando le funzionalità di plottaggio integrate in JupyterLab:
```
%matplotlib inline
from ultralytics.utils.plotting import plot_results
plot_results(results)
```

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

Quali sono le caratteristiche principali di JupyterLab che lo rendono adatto ai progetti di YOLO11 ?

JupyterLab offre diverse caratteristiche che lo rendono ideale per i progetti di YOLO11 :

Esecuzione interattiva del codice: Test e debug di frammenti di codice YOLO11 in tempo reale.
Browser di file integrato: Gestione semplice di set di dati, pesi del modello e file di configurazione.
Layout flessibile: Disponete più notebook, terminali e finestre di output uno accanto all'altro per un flusso di lavoro efficiente.
Ricca visualizzazione dei risultati: Visualizzate i risultati del rilevamento di YOLO11 , le curve di addestramento e le metriche delle prestazioni del modello in linea.
Markdown supporto: Documentate gli esperimenti e le scoperte di YOLO11 con testo e immagini.
Ecosistema di estensioni: Migliorate le funzionalità con le estensioni per il controllo delle versioni, il remote computing e altro ancora.

Queste caratteristiche consentono un'esperienza di sviluppo senza soluzione di continuità quando si lavora con i modelli di YOLO11 , dalla preparazione dei dati alla distribuzione del modello.

Come si possono ottimizzare le prestazioni del modello YOLO11 utilizzando JupyterLab?

Ottimizzare le prestazioni del modello YOLO11 in JupyterLab:

Utilizzare la funzione di autobatch per determinare la dimensione ottimale del batch:

from ultralytics.utils.autobatch import autobatch

optimal_batch_size = autobatch(model)

Implementare la regolazione degli iperparametri utilizzando librerie come Ray Tune:

from ultralytics.utils.tuner import run_ray_tune

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

Visualizzare e analizzare le metriche del modello utilizzando le funzionalità di plottaggio di JupyterLab:
```
from ultralytics.utils.plotting import plot_results

plot_results(results.results_dict)
```
Sperimentate diverse architetture di modelli e formati di esportazione per trovare il miglior equilibrio tra velocità e precisione per il vostro caso d'uso specifico.

L'ambiente interattivo di JupyterLab consente iterazioni rapide e feedback in tempo reale, facilitando l'ottimizzazione dei modelli YOLO11 .

Come si gestiscono i problemi più comuni quando si lavora con JupyterLab e YOLO11?

Quando si lavora con JupyterLab e YOLO11, si possono incontrare alcuni problemi comuni. Ecco come gestirli:

GPU problemi di memoria:
- Utilizzo torch.cuda.empty_cache() per cancellare la memoria di GPU tra un'esecuzione e l'altra.
- Regolare le dimensioni del batch o dell'immagine per adattarle alla memoria di GPU .
Conflitti tra pacchetti:
- Creare un ambiente conda separato per i progetti YOLO11 per evitare conflitti.
- Utilizzo !pip install package_name in una cella del notebook per installare i pacchetti mancanti.
Arresto anomalo del kernel:
- Riavviare il kernel ed eseguire le celle una per una per identificare il codice problematico.