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

Se stai imparando l'IA e lavorando a progetti di piccole dimensioni, potresti non avere ancora accesso a risorse di calcolo potenti, mentre l'hardware di fascia alta può essere costoso. Per fortuna, Kaggle, una piattaforma di proprietà di Google, offre un'ottima soluzione. Kaggle mette a disposizione un ambiente cloud gratuito che ti consente di accedere alle 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 Kaggle Notebooks semplificano l'uso nei tuoi progetti delle librerie e dei framework di machine learning più diffusi. Questa guida illustra le principali funzionalità di Kaggle e mostra come addestrare i modelli YOLO26 sulla piattaforma.

Che cos'è Kaggle?#

Kaggle è una piattaforma che riunisce data scientist di tutto il mondo per collaborare, imparare e competere nella risoluzione di problemi reali di data science. Lanciata nel 2010 da Anthony Goldbloom e Jeremy Howard e acquisita da Google nel 2017, Kaggle consente agli utenti di connettersi, trovare e condividere dataset, usare notebook con GPU e partecipare a competizioni di data science. La piattaforma è progettata per aiutare sia i professionisti esperti sia chi desidera imparare a raggiungere i propri obiettivi, offrendo strumenti e risorse efficaci.

Con oltre 10 milioni di utenti nel 2022, Kaggle offre un ambiente ricco di risorse per sviluppare e sperimentare con modelli di machine learning. Non devi preoccuparti delle specifiche o della configurazione del tuo computer: puoi iniziare subito con un account Kaggle e un browser web.

Installazione#

Prima di iniziare ad addestrare i modelli YOLO26 su Kaggle, devi configurare correttamente l'ambiente del notebook. Segui questi passaggi essenziali:

Abilita 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 Impostazioni sul lato destro dell'interfaccia del notebook
3. Scorri fino alla sezione Internet
4. Imposta l'interruttore su ON per abilitare la connessione a Internet

Nota: l'accesso a Internet è necessario per installare il pacchetto Ultralytics e scaricare modelli o dataset preaddestrati. Se Internet non è abilitato, l'installazione dei pacchetti non andrà a buon fine.

Installazione di Ultralytics#

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

!pip install ultralytics

Per installare la versione di sviluppo più recente, puoi installarla direttamente da GitHub:

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

Risoluzione dei conflitti tra dipendenze#

Durante l'installazione potresti incontrare conflitti tra dipendenze, soprattutto con pacchetti come opencv-python, numpy o torch. Ecco alcune soluzioni comuni:

Metodo 1: reinstallazione forzata con --upgrade#

Se riscontri conflitti con i pacchetti esistenti, forza l'aggiornamento:

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

Metodo 2: usa --no-deps e installa le dipendenze separatamente#

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

!pip install --no-deps ultralytics
!pip install torch torchvision numpy opencv-python matplotlib pillow pyyaml requests psutil polars ultralytics-thop

Metodo 3: riavvia il kernel dopo l'installazione#

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

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

Metodo 4: usa versioni specifiche dei pacchetti#

Se riscontri conflitti tra versioni specifiche, puoi fissare versioni compatibili:

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

Soluzioni agli errori comuni#

Errore: "No module named 'ultralytics'"

• Soluzione: assicurati che Internet sia abilitato e riesegui 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 che puoi ignorare senza rischi. L'installazione in genere va a buon fine nonostante il messaggio
• In alternativa, usa il Metodo 2 qui sopra per installare senza risolvere le dipendenze

Errore: "ModuleNotFoundError" dopo l'installazione

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

Verifica dell'installazione#

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

import ultralytics

ultralytics.checks()

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

Addestrare YOLO26 con Kaggle#

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

Per iniziare, accedi al notebook Kaggle per YOLO26. L'ambiente Kaggle include librerie preinstallate come TensorFlow e PyTorch, rendendo la configurazione semplice e immediata.

Dopo aver 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 ad addestrare il tuo modello. Per comprendere nel dettaglio il processo di addestramento del modello e le migliori pratiche, consulta la nostra guida all'addestramento dei modelli YOLO26.

Nella pagina ufficiale del notebook YOLO26 su Kaggle, facendo clic sui tre puntini nell'angolo in alto a destra vengono visualizzate altre opzioni.

Queste opzioni includono:

• Visualizza versioni: sfoglia le diverse versioni del notebook per vedere le modifiche apportate nel tempo e, se necessario, ripristinare versioni precedenti.
• Copia comando API: ottieni un comando API per interagire con il notebook a livello di codice, utile per automatizzare e integrare i flussi di lavoro.
• Apri in Google Notebooks: apri il notebook nell'ambiente di notebook ospitato da Google.
• Apri in Colab: apri il notebook in Google Colab per modificarlo ed eseguirlo.
• Segui i commenti: iscriviti alla sezione dei commenti per ricevere aggiornamenti e partecipare alla community.
• Scarica codice: scarica l'intero notebook come file Jupyter (.ipynb) per usarlo offline o gestirne le versioni nel tuo ambiente locale.
• Aggiungi alla raccolta: salva il notebook in una raccolta del tuo account Kaggle per trovarlo e organizzarlo facilmente.
• Aggiungi ai segnalibri: aggiungi il notebook ai segnalibri per accedervi rapidamente in futuro.
• Incorpora notebook: ottieni un link di incorporamento per inserire il notebook in blog, siti web o documentazione.

Problemi comuni durante l'utilizzo di Kaggle#

Quando usi Kaggle, potresti riscontrare alcuni problemi comuni. Ecco alcuni punti importanti per aiutarti a usare la piattaforma:

• Accesso alle GPU: nei notebook Kaggle puoi attivare una GPU in qualsiasi momento, con un utilizzo consentito fino a 30 ore alla settimana. Kaggle mette a disposizione la GPU NVIDIA Tesla P100 con 16 GB di memoria e offre anche la possibilità di usare una GPU NVIDIA T4 x2. L'hardware potente accelera le attività di machine learning, rendendo molto più veloci l'addestramento e l'inferenza dei modelli.
• Kaggle Kernels: Kaggle Kernels sono server gratuiti per notebook Jupyter che possono integrare GPU, consentendoti di eseguire operazioni di machine learning su computer cloud. Non devi affidarti alla CPU del tuo computer, evitando di sovraccaricarla e liberando le risorse locali.
• Dataset Kaggle: i dataset Kaggle sono scaricabili gratuitamente. Tuttavia, è importante controllare la licenza di ogni dataset per comprenderne le eventuali restrizioni d'uso. Alcuni dataset potrebbero prevedere limitazioni per le pubblicazioni accademiche o l'uso commerciale. Puoi scaricare i dataset direttamente nel tuo notebook Kaggle o in qualsiasi altra posizione tramite la Kaggle API.
• Salvataggio e commit dei notebook: per salvare e fare il commit di un notebook su Kaggle, fai clic su "Save Version". In questo modo salvi lo stato corrente del notebook. Quando il kernel in background ha terminato 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 contemporaneamente. La collaborazione su Kaggle è asincrona: gli utenti possono condividere e usare lo stesso notebook in momenti diversi.
• Ripristino di una versione precedente: se devi ripristinare una versione precedente del notebook, aprilo e fai clic sui tre puntini verticali nell'angolo in alto a destra, quindi seleziona "View Versions". Individua la versione da ripristinare, fai clic sul menu "..." accanto ad essa e seleziona "Revert to Version". Dopo il ripristino del notebook, fai clic su "Save Version" per registrare le modifiche.

Funzionalità principali di Kaggle#

Vediamo ora quali funzionalità offre Kaggle e perché è un'ottima piattaforma per gli appassionati di data science e machine learning. Ecco alcuni dei punti salienti:

• Dataset: Kaggle ospita una vasta raccolta di dataset su vari argomenti. Puoi cercare facilmente questi dataset e usarli nei tuoi progetti, il che è particolarmente utile per addestrare e testare i tuoi modelli YOLO26.
• Competizioni: noto per le sue entusiasmanti competizioni, Kaggle permette a data scientist e appassionati di machine learning di risolvere problemi reali. Partecipare alle competizioni ti aiuta a migliorare le tue competenze, imparare nuove tecniche e ottenere riconoscimento nella community.
• Accesso gratuito alle TPU: Kaggle offre accesso gratuito a potenti TPU, utili per addestrare modelli di machine learning complessi. In questo modo puoi accelerare l'elaborazione e migliorare le prestazioni dei tuoi progetti YOLO26 senza costi aggiuntivi.
• Integrazione con GitHub: Kaggle ti permette di collegare facilmente il tuo repository GitHub per caricare notebook e salvare il tuo lavoro. Questa integrazione semplifica la gestione e l'accesso ai tuoi file.
• Community e discussioni: Kaggle vanta una solida community di data scientist e professionisti del machine learning. I forum di discussione e i notebook condivisi sono ottime risorse per imparare e risolvere problemi. Puoi trovare facilmente aiuto, condividere le tue conoscenze e collaborare con gli altri.

Perché usare Kaggle per i tuoi progetti YOLO26?#

Esistono diverse piattaforme per addestrare e valutare modelli di machine learning: cosa distingue Kaggle? Scopriamo i vantaggi di usare Kaggle per i tuoi progetti di machine learning:

• Notebook pubblici: puoi rendere pubblici i tuoi notebook Kaggle, consentendo ad altri utenti di visualizzare, votare, creare fork 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 del notebook: Kaggle crea una cronologia dettagliata dei commit del tuo notebook. Puoi così esaminare e monitorare le modifiche nel tempo, comprendere più facilmente l'evoluzione del progetto e ripristinare versioni precedenti, se necessario.
• Accesso alla console: Kaggle mette a disposizione una console che ti offre un maggiore controllo sull'ambiente. Questa funzionalità ti consente di eseguire varie attività direttamente dalla riga di comando, migliorando il flusso di lavoro e la produttività.
• Risorse disponibili: ogni sessione di modifica dei notebook su Kaggle offre risorse significative: 12 ore di esecuzione per le sessioni CPU e GPU, 9 ore per le sessioni TPU e 20 gigabyte di spazio su disco con salvataggio automatico.
• Pianificazione dei notebook: Kaggle ti consente di pianificare l'esecuzione dei notebook a orari specifici. Puoi automatizzare le attività ripetitive senza intervento manuale, ad esempio addestrando il modello a intervalli regolari.

Continua a imparare su Kaggle#

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

• Kaggle Learn: scopri i numerosi tutorial interattivi gratuiti disponibili su Kaggle Learn. Questi corsi trattano argomenti fondamentali di data science e offrono esperienza pratica per aiutarti a padroneggiare nuove competenze.
• Introduzione a Kaggle: questa guida completa ti illustra le nozioni di base per usare Kaggle, dalla partecipazione alle competizioni alla creazione del tuo primo notebook. È un ottimo punto di partenza per chi è alle prime armi.
• Pagina Medium di Kaggle: esplora i tutorial, gli aggiornamenti e i contributi della community sulla pagina Medium di Kaggle. È un'ottima risorsa per restare al passo con le ultime tendenze e approfondire la data science.
• Addestrare modelli Ultralytics YOLO con l'integrazione Kaggle: questo articolo del blog offre ulteriori informazioni su come sfruttare Kaggle nello specifico per i modelli Ultralytics YOLO.

Riepilogo#

Abbiamo visto come Kaggle può potenziare i tuoi progetti YOLO26 offrendo accesso gratuito a GPU potenti e rendendo efficiente l'addestramento e la valutazione dei modelli. La piattaforma Kaggle è facile da usare e include librerie preinstallate per una configurazione rapida. L'integrazione tra Ultralytics YOLO26 e Kaggle crea un ambiente ottimale per sviluppare, addestrare e distribuire modelli all'avanguardia di visione artificiale senza dover ricorrere a hardware costoso.

Per ulteriori dettagli, visita la documentazione di Kaggle.

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#