Link to this sectionUna guida sull'utilizzo di Kaggle per addestrare i tuoi modelli YOLO26#

Se stai imparando l'AI e lavorando a piccoli progetti, potresti non avere ancora accesso a potenti risorse di calcolo, e l'hardware di fascia alta può essere costoso. Fortunatamente, Kaggle, una piattaforma di proprietà di Google, offre un'ottima soluzione. Kaggle fornisce un ambiente cloud gratuito dove puoi accedere a risorse GPU, gestire dataset di grandi dimensioni e collaborare con una comunità eterogenea di data scientist e appassionati di machine learning.

Kaggle è un'ottima scelta per addestrare e sperimentare con i modelli Ultralytics YOLO26. I Notebook di Kaggle semplificano l'utilizzo di librerie e framework di machine learning popolari nei tuoi progetti. Questa guida esplora le funzionalità principali di Kaggle e mostra come addestrare i modelli YOLO26 sulla piattaforma.

Link to this sectionCos'è Kaggle?#

Kaggle è una piattaforma che riunisce data scientist da tutto il mondo per collaborare, imparare e competere nella risoluzione di problemi di data science del mondo reale. Lanciata nel 2010 da Anthony Goldbloom e Jeremy Howard e acquisita da Google nel 2017, Kaggle consente agli utenti di connettersi, scoprire e condividere dataset, utilizzare notebook basati su GPU e partecipare a competizioni di data science. La piattaforma è progettata per aiutare sia i professionisti esperti che gli studenti desiderosi di raggiungere i propri obiettivi offrendo strumenti e risorse robuste.

Con oltre 10 milioni di utenti nel 2022, Kaggle fornisce un ambiente ricco per sviluppare e sperimentare con i modelli di machine learning. Non devi preoccuparti delle specifiche o della configurazione della tua macchina locale; puoi iniziare subito con un semplice account Kaggle e un browser web.

Link to this sectionInstallazione#

Prima di poter iniziare ad addestrare i modelli YOLO26 su Kaggle, devi assicurarti che il tuo ambiente notebook sia configurato correttamente. Segui questi passaggi essenziali:

Link to this sectionAbilita l'accesso a Internet#

I notebook di Kaggle richiedono l'accesso a Internet per scaricare pacchetti e dipendenze. Per abilitare internet nel tuo notebook Kaggle:

1. Apri il tuo notebook Kaggle
2. Fai clic sul pannello Settings sul lato destro dell'interfaccia del notebook
3. Scorri verso il basso fino alla sezione Internet
4. Porta l'interruttore su ON per abilitare la connettività internet

Nota: L'accesso a Internet è necessario per installare il pacchetto Ultralytics e scaricare modelli pre-addestrati o dataset. Senza internet abilitato, le installazioni dei pacchetti falliranno.

Link to this sectionInstallazione di Ultralytics#

Una volta abilitato l'accesso a Internet, installa il pacchetto Ultralytics eseguendo il seguente comando in una cella del notebook:

!pip install ultralytics

Per l'ultima versione di sviluppo, puoi installare direttamente da GitHub:

!pip install git+https://github.com/ultralytics/ultralytics.git

Link to this sectionRisoluzione dei conflitti di dipendenza#

Durante l'installazione, potresti riscontrare conflitti di dipendenza, specialmente con pacchetti come opencv-python, numpy o torch. Ecco alcune soluzioni comuni:

Link to this sectionMetodo 1: Forza la reinstallazione con --upgrade#

Se riscontri conflitti con i pacchetti esistenti, forza un aggiornamento:

!pip install --upgrade --force-reinstall ultralytics

Link to this sectionMetodo 2: Usa --no-deps e installa le dipendenze separatamente#

Se i conflitti persistono, installa prima senza dipendenze, quindi installa manualmente i pacchetti richiesti:

!pip install --no-deps ultralytics
!pip install torch torchvision opencv-python matplotlib pillow pyyaml requests

Link to this sectionMetodo 3: Riavvia il kernel dopo l'installazione#

A volte, è necessario riavviare il kernel dopo l'installazione per risolvere problemi di importazione:

!pip install ultralytics
# Then click "Restart Kernel" from the notebook menu

Link to this sectionMetodo 4: Usa versioni specifiche dei pacchetti#

Se incontri specifici conflitti di versione, puoi bloccare le versioni compatibili:

!pip install ultralytics opencv-python==4.8.1.78 numpy==1.24.3

Link to this sectionSoluzioni a errori comuni#

Errore: "No module named 'ultralytics'"

• Soluzione: Assicurati che internet sia abilitato ed esegui di nuovo il comando di installazione
• Riavvia il kernel dopo l'installazione

Errore: "ERROR: pip's dependency resolver does not currently take into account..."

• Soluzione: Di solito si tratta di un avviso e può essere ignorato in sicurezza. L'installazione solitamente riesce nonostante il messaggio
• In alternativa, usa il Metodo 2 sopra per installare senza la risoluzione delle dipendenze

Errore: "ModuleNotFoundError" dopo l'installazione

• Soluzione: Riavvia il kernel utilizzando il pulsante di riavvio nell'interfaccia del notebook
• Esegui nuovamente le istruzioni di importazione in una nuova cella

Link to this sectionVerifica dell'installazione#

Dopo l'installazione, verifica che Ultralytics sia correttamente installato eseguendo:

import ultralytics

ultralytics.checks()

Questo visualizzerà le informazioni di sistema e verificherà che tutte le dipendenze siano installate correttamente.

Link to this sectionAddestrare YOLO26 usando Kaggle#

Addestrare modelli YOLO26 su Kaggle è semplice ed efficiente, grazie all'accesso della piattaforma a potenti GPU.

Per iniziare, accedi al Kaggle YOLO26 Notebook. L'ambiente di Kaggle viene fornito con librerie preinstallate come TensorFlow e PyTorch, rendendo il processo di configurazione privo di problemi.

Una volta effettuato l'accesso al tuo account Kaggle, puoi fare clic sull'opzione per copiare e modificare il codice, selezionare una GPU nelle impostazioni dell'acceleratore ed eseguire le celle del notebook per iniziare l'addestramento del tuo modello. Per una comprensione dettagliata del processo di addestramento del modello e delle migliori pratiche, consulta la nostra guida all'addestramento del modello YOLO26.

Nella pagina ufficiale del notebook Kaggle per YOLO26, facendo clic sui tre punti nell'angolo in alto a destra si rivelano opzioni aggiuntive.

Queste opzioni includono:

• View Versions: Sfoglia diverse versioni del notebook per vedere i cambiamenti nel tempo e ripristinare versioni precedenti se necessario.
• Copy API Command: Ottieni un comando API per interagire programmaticamente con il notebook, il che è utile per l'automazione e l'integrazione nei flussi di lavoro.
• Open in Google Notebooks: Apri il notebook nell'ambiente notebook ospitato da Google.
• Open in Colab: Avvia il notebook in Google Colab per ulteriori modifiche ed esecuzione.
• Follow Comments: Iscriviti alla sezione dei commenti per ricevere aggiornamenti e interagire con la comunità.
• Download Code: Scarica l'intero notebook come file Jupyter (.ipynb) per l'uso offline o il controllo della versione nel tuo ambiente locale.
• Add to Collection: Salva il notebook in una raccolta all'interno del tuo account Kaggle per un facile accesso e organizzazione.
• Bookmark: Aggiungi il notebook ai preferiti per un rapido accesso in futuro.
• Embed Notebook: Ottieni un link da incorporare per includere il notebook in blog, siti web o documentazione.

Link to this sectionProblemi comuni durante il lavoro con Kaggle#

Quando lavori con Kaggle, potresti riscontrare alcuni problemi comuni. Ecco i punti chiave per aiutarti a navigare nella piattaforma:

• Accesso alle GPU: Nei tuoi notebook Kaggle, puoi attivare una GPU in qualsiasi momento, con un utilizzo consentito fino a 30 ore a settimana. Kaggle fornisce la GPU NVIDIA Tesla P100 con 16GB di memoria e offre anche l'opzione di utilizzare una NVIDIA GPU T4 x2. L'hardware potente accelera le tue attività di machine learning, rendendo l'addestramento e l'inferenza del modello molto più rapidi.
• Kaggle Kernels: I Kaggle Kernels sono server di notebook Jupyter gratuiti che possono integrare GPU, consentendoti di eseguire operazioni di machine learning su computer in cloud. Non devi fare affidamento sulla CPU del tuo computer, evitando il sovraccarico e liberando le tue risorse locali.
• Kaggle Datasets: I dataset di Kaggle sono scaricabili gratuitamente. Tuttavia, è importante controllare la licenza per ogni dataset per comprendere eventuali restrizioni di utilizzo. Alcuni dataset potrebbero avere limitazioni per pubblicazioni accademiche o uso commerciale. Puoi scaricare i dataset direttamente sul tuo notebook Kaggle o ovunque tramite la Kaggle API.
• Salvataggio e commit dei Notebook: Per salvare ed eseguire il commit di un notebook su Kaggle, fai clic su "Save Version". Questo salva lo stato attuale del tuo notebook. Una volta che il kernel in background termina di generare i file di output, puoi accedervi dalla scheda Output nella pagina principale del notebook.
• Collaborazione: Kaggle supporta la collaborazione, ma più utenti non possono modificare un notebook simultaneamente. La collaborazione su Kaggle è asincrona, il che significa che gli utenti possono condividere e lavorare sullo stesso notebook in momenti diversi.
• Ripristino a una versione precedente: Se devi ripristinare una versione precedente del tuo notebook, apri il notebook e fai clic sui tre punti verticali nell'angolo in alto a destra per selezionare "View Versions". Trova la versione a cui vuoi tornare, fai clic sul menu "..." accanto ad essa e seleziona "Revert to Version". Dopo che il notebook è stato ripristinato, fai clic su "Save Version" per eseguire il commit delle modifiche.

Link to this sectionCaratteristiche principali di Kaggle#

Successivamente, capiamo le funzionalità che Kaggle offre e che lo rendono una piattaforma eccellente per gli appassionati di data science e machine learning. Ecco alcuni dei punti salienti:

• Dataset: Kaggle ospita una vasta raccolta di dataset su svariati argomenti. Puoi cercare e utilizzare facilmente questi dataset nei tuoi progetti, il che è particolarmente utile per addestrare e testare i tuoi modelli YOLO26.
• Competizioni: Conosciuto per le sue entusiasmanti competizioni, Kaggle consente ai data scientist e agli appassionati di machine learning di risolvere problemi del mondo reale. Gareggiare ti aiuta a migliorare le tue abilità, imparare nuove tecniche e ottenere riconoscimento nella comunità.
• Accesso gratuito alle TPU: Kaggle fornisce accesso gratuito a potenti TPU, che sono vantaggiose per l'addestramento di modelli di machine learning complessi. Questo ti consente di accelerare l'elaborazione e aumentare le prestazioni dei tuoi progetti YOLO26 senza incorrere in costi aggiuntivi.
• Integrazione con GitHub: Kaggle ti consente di connettere facilmente il tuo repository GitHub per caricare notebook e salvare il tuo lavoro. Questa integrazione rende conveniente gestire e accedere ai tuoi file.
• Comunità e discussioni: Kaggle vanta una forte comunità di data scientist e professionisti del machine learning. I forum di discussione e i notebook condivisi sono risorse fantastiche per imparare e risolvere problemi. Puoi facilmente trovare aiuto, condividere le tue conoscenze e collaborare con gli altri.

Link to this sectionPerché dovresti usare Kaggle per i tuoi progetti YOLO26?#

Ci sono molteplici piattaforme per addestrare e valutare modelli di machine learning, quindi cosa rende Kaggle speciale? Approfondiamo i vantaggi dell'utilizzo di Kaggle per i tuoi progetti di machine learning:

• Notebook pubblici: Puoi rendere pubblici i tuoi notebook Kaggle, consentendo ad altri utenti di visualizzare, votare, clonare e discutere il tuo lavoro. Kaggle promuove la collaborazione, il feedback e la condivisione di idee, aiutandoti a migliorare i tuoi modelli YOLO26.
• Cronologia completa dei commit dei Notebook: Kaggle crea una cronologia dettagliata dei commit del tuo notebook. Questo ti consente di rivedere e tracciare i cambiamenti nel tempo, rendendo più facile comprendere l'evoluzione del tuo progetto e ripristinare versioni precedenti se necessario.
• Accesso alla console: Kaggle fornisce una console, dandoti maggiore controllo sul tuo ambiente. Questa funzionalità ti consente di eseguire varie attività direttamente dalla riga di comando, migliorando il tuo flusso di lavoro e la produttività.
• Disponibilità di risorse: Ogni sessione di modifica dei notebook su Kaggle è dotata di risorse significative: 12 ore di tempo di esecuzione per sessioni CPU e GPU, 9 ore di tempo di esecuzione per sessioni TPU e 20 gigabyte di spazio su disco salvato automaticamente.
• Pianificazione dei notebook: Kaggle ti consente di pianificare l'esecuzione dei tuoi notebook in momenti specifici. Puoi automatizzare attività ripetitive senza intervento manuale, come l'addestramento del tuo modello a intervalli regolari.

Link to this sectionContinua a imparare su Kaggle#

Se vuoi saperne di più su Kaggle, ecco alcune risorse utili per guidarti:

• Kaggle Learn: Scopri una varietà di tutorial interattivi e gratuiti su Kaggle Learn. Questi corsi coprono argomenti essenziali di data science e forniscono esperienza pratica per aiutarti a padroneggiare nuove competenze.
• Getting Started with Kaggle: Questa guida completa ti accompagna attraverso le basi dell'utilizzo di Kaggle, dalla partecipazione alle competizioni alla creazione del tuo primo notebook. È un ottimo punto di partenza per i nuovi arrivati.
• Kaggle Medium Page: Esplora tutorial, aggiornamenti e contributi della comunità sulla pagina Medium di Kaggle. È un'ottima fonte per rimanere aggiornati sulle ultime tendenze e ottenere approfondimenti sulla data science.
• Addestra modelli Ultralytics YOLO usando l'integrazione Kaggle: Questo post sul blog fornisce ulteriori approfondimenti su come sfruttare Kaggle specificamente per i modelli Ultralytics YOLO.

Link to this sectionRiepilogo#

Abbiamo visto come Kaggle possa potenziare i tuoi progetti YOLO26 fornendo accesso gratuito a potenti GPU, rendendo l'addestramento e la valutazione del modello efficienti. La piattaforma di Kaggle è facile da usare, con librerie preinstallate per una configurazione rapida. L'integrazione tra Ultralytics YOLO26 e Kaggle crea un ambiente fluido per sviluppare, addestrare e distribuire modelli di computer vision all'avanguardia senza la necessità di hardware costoso.

Per ulteriori dettagli, visita la documentazione di Kaggle.

Ti interessano altre integrazioni con YOLO26? Dai un'occhiata alla guida all'integrazione di Ultralytics per esplorare ulteriori strumenti e funzionalità per i tuoi progetti di machine learning.

Link to this sectionFAQ#

Link to this sectionCome installo Ultralytics YOLO26 su Kaggle?#

Per installare Ultralytics YOLO26 su Kaggle:

1. Abilita Internet: Vai al pannello Settings e attiva l'interruttore Internet
2. Installa pacchetto: Esegui !pip install ultralytics in una cella del notebook
3. Verifica installazione: Esegui import ultralytics; ultralytics.checks() per confermare

Se riscontri conflitti di dipendenza, prova !pip install --upgrade --force-reinstall ultralytics o riavvia il kernel dopo l'installazione. Per la risoluzione dei problemi dettagliata, consulta la sezione Installazione qui sopra.

Link to this sectionCome addestro un modello YOLO26 su Kaggle?#

Addestrare un modello YOLO26 su Kaggle è semplice. Innanzitutto, accedi al Kaggle YOLO26 Notebook. Accedi al tuo account Kaggle, copia e modifica il notebook, e seleziona una GPU nelle impostazioni dell'acceleratore. Esegui le celle del notebook per iniziare l'addestramento. Per passaggi più dettagliati, consulta la nostra guida all'addestramento del modello YOLO26.

Link to this sectionQuali sono i vantaggi dell'utilizzo di Kaggle per l'addestramento del modello YOLO26?#

Kaggle offre diversi vantaggi per l'addestramento dei modelli YOLO26:

• Accesso gratuito alle GPU: Utilizza potenti GPU come NVIDIA Tesla P100 o T4 x2 fino a 30 ore a settimana.
• Librerie preinstallate: Librerie come TensorFlow e PyTorch sono preinstallate, semplificando la configurazione.
• Collaborazione della community: interagisci con una vasta community di data scientist e appassionati di machine learning.
• Controllo versione: gestisci facilmente le diverse versioni dei tuoi notebook e torna alle versioni precedenti se necessario.

Per ulteriori dettagli, visita la nostra guida all'integrazione di Ultralytics.

Link to this sectionQuali problemi comuni potrei incontrare usando Kaggle per YOLO26 e come posso risolverli?#

I problemi comuni includono:

• Accesso alle GPU: assicurati di attivare una GPU nelle impostazioni del tuo notebook. Kaggle consente fino a 30 ore di utilizzo GPU a settimana.
• Internet non abilitato: assicurati di abilitare internet nel pannello Impostazioni prima di installare i pacchetti.
• Conflitti di dipendenze: usa !pip install --upgrade --force-reinstall ultralytics o installa senza dipendenze usando !pip install --no-deps ultralytics.
• Licenze dei dataset: controlla la licenza di ogni dataset per comprendere le restrizioni di utilizzo.
• Salvataggio e commit dei notebook: fai clic su "Save Version" per salvare lo stato del tuo notebook e accedere ai file di output dalla scheda Output.
• Collaborazione: Kaggle supporta la collaborazione asincrona; più utenti non possono modificare un notebook contemporaneamente.

Per altri suggerimenti sulla risoluzione dei problemi, consulta la sezione Installazione e la nostra guida ai problemi comuni.

Link to this sectionPerché dovrei scegliere Kaggle rispetto ad altre piattaforme come Google Colab per addestrare modelli YOLO26?#

Kaggle offre caratteristiche uniche che lo rendono una scelta eccellente:

• Notebook pubblici: condividi il tuo lavoro con la community per ricevere feedback e collaborare.
• Accesso gratuito alle TPU: accelera l'addestramento con potenti TPU senza costi aggiuntivi.
• Cronologia completa: tieni traccia dei cambiamenti nel tempo con una cronologia dettagliata dei commit del notebook.
• Disponibilità delle risorse: vengono fornite risorse significative per ogni sessione di notebook, inclusi 12 ore di tempo di esecuzione per sessioni CPU e GPU.

Per un confronto con Google Colab, fai riferimento alla nostra guida a Google Colab.

Link to this sectionCome posso tornare a una versione precedente del mio notebook Kaggle?#

Per tornare a una versione precedente:

1. Apri il notebook e fai clic sui tre punti verticali nell'angolo in alto a destra.
2. Seleziona "View Versions."
3. Trova la versione a cui vuoi tornare, fai clic sul menu "..." accanto ad essa e seleziona "Revert to Version."
4. Fai clic su "Save Version" per confermare le modifiche.