Guida all'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 risorse di calcolo potenti e l'hardware di fascia alta può essere costoso. Fortunatamente, Kaggle, una piattaforma di proprietà di Google, offre un'ottima soluzione. Kaggle mette a disposizione un ambiente gratuito basato sul cloud in cui puoi accedere a risorse GPU, gestire grandi dataset e collaborare con una comunità diversificata di data scientist e appassionati di machine learning.

Kaggle è un'ottima scelta per addestrare e sperimentare con i modelli Ultralytics YOLO26. Kaggle Notebooks semplifica l'utilizzo 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. Fondata 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 sia gli studenti motivati a raggiungere i propri obiettivi, offrendo strumenti e risorse avanzati.

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

Installazione#

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

Abilitare l'accesso a Internet#

I notebook 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. Attiva 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 comando seguente in una cella del notebook:

!pip install ultralytics

Per installare la versione di sviluppo più recente, puoi eseguire l'installazione direttamente da GitHub:

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

Risoluzione dei conflitti tra dipendenze#

Durante l'installazione potresti riscontrare 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 pacchetti esistenti, forza l'aggiornamento:

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

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

Se i conflitti persistono, esegui prima l'installazione senza dipendenze, quindi installa manualmente i pacchetti richiesti:

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

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 con 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 ed esegui nuovamente 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 può essere ignorato senza rischi. In genere l'installazione va a buon fine nonostante il messaggio
• In alternativa, usa il Metodo 2 riportato sopra per eseguire l'installazione 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

Verifica dell'installazione#

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

import ultralytics

ultralytics.checks()

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

Addestrare YOLO26 utilizzando Kaggle#

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

Per iniziare, accedi al notebook Kaggle YOLO26. L'ambiente Kaggle include librerie preinstallate come TensorFlow e PyTorch, rendendo la configurazione rapida e senza complicazioni.

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 una comprensione dettagliata del processo di addestramento del modello e delle procedure consigliate, 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 ulteriori opzioni.

Queste opzioni includono:

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

Problemi comuni durante l'utilizzo di Kaggle#

Quando utilizzi Kaggle, potresti riscontrare alcuni problemi comuni. Ecco alcuni punti chiave per aiutarti a utilizzare la piattaforma:

• Accesso alle GPU: nei tuoi 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 utilizzare una GPU NVIDIA T4 x2. L'hardware potente accelera le attività di machine learning, rendendo molto più rapide l'addestramento e l'inferenza dei modelli.
• Kaggle Kernels: i Kaggle Kernels sono server Jupyter gratuiti che possono integrare GPU, permettendoti di eseguire operazioni di machine learning su computer cloud. Non devi fare affidamento sulla CPU del tuo computer, evitando sovraccarichi e liberando le risorse locali.
• Dataset Kaggle: i dataset Kaggle possono essere scaricati gratuitamente. Tuttavia, è importante controllare la licenza di ogni dataset per comprendere eventuali limitazioni d'uso. Alcuni dataset potrebbero prevedere restrizioni sulle pubblicazioni accademiche o sull'uso commerciale. Puoi scaricare i dataset direttamente nel tuo notebook Kaggle o in qualsiasi altra posizione tramite l'API Kaggle.
• Salvataggio e conferma dei notebook: per salvare e confermare un notebook su Kaggle, fai clic su "Save Version". In questo modo salvi lo stato corrente del notebook. Al termine della generazione dei file di output da parte del kernel in background, puoi accedervi dalla scheda Output nella pagina principale del notebook.
• Collaborazione: Kaggle supporta la collaborazione, ma più utenti non possono modificare contemporaneamente un notebook. La collaborazione su Kaggle è asincrona, quindi gli utenti possono condividere e utilizzare 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 per selezionare "View Versions". Trova la versione da ripristinare, fai clic sul menu "..." accanto a essa e seleziona "Revert to Version". Dopo il ripristino del notebook, fai clic su "Save Version" per confermare le modifiche.

Funzionalità principali di Kaggle#

Ora vediamo quali funzionalità offre Kaggle, che ne fanno un'eccellente piattaforma per gli appassionati di data science e machine learning. Ecco alcuni dei punti salienti:

• Dataset: Kaggle ospita una vasta raccolta di dataset su diversi argomenti. Puoi cercare e utilizzare facilmente questi dataset nei tuoi progetti, cosa particolarmente utile per addestrare e testare i tuoi modelli YOLO26.
• Competizioni: noto per le sue competizioni stimolanti, Kaggle consente 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 consente 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 risorse eccellenti per imparare e risolvere i problemi. Puoi trovare facilmente aiuto, condividere le tue conoscenze e collaborare con altri utenti.

Perché dovresti usare Kaggle per i tuoi progetti YOLO26?#

Esistono diverse piattaforme per addestrare e valutare i modelli di machine learning: cosa distingue Kaggle? Scopriamo 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, 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 dei 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, se necessario, ripristinare versioni precedenti.
• Accesso alla console: Kaggle mette a disposizione una console, offrendoti maggiore controllo sull'ambiente. Questa funzionalità ti consente di eseguire diverse attività direttamente dalla riga di comando, migliorando il flusso di lavoro e la produttività.
• Disponibilità delle risorse: ogni sessione di modifica di un notebook su Kaggle include risorse significative: 12 ore di tempo di esecuzione per le sessioni CPU e GPU, 9 ore di tempo di esecuzione per le sessioni TPU e 20 gigabyte di spazio su disco salvato automaticamente.
• Pianificazione dei notebook: Kaggle ti consente di pianificare l'esecuzione dei notebook a orari specifici. Puoi automatizzare attività ripetitive senza intervento manuale, ad esempio addestrare il tuo modello a intervalli regolari.

Continua a imparare su Kaggle#

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

• Kaggle Learn: scopri una varietà di tutorial interattivi gratuiti su Kaggle Learn. Questi corsi trattano argomenti essenziali di data science e offrono esperienza pratica per aiutarti a padroneggiare nuove competenze.
• Iniziare a usare Kaggle: questa guida completa illustra le basi dell'utilizzo di 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 tutorial, aggiornamenti e contributi della community sulla pagina Medium di Kaggle. È un'ottima fonte per rimanere aggiornato sulle ultime tendenze e ottenere approfondimenti sulla data science.
• Addestrare i modelli YOLO di Ultralytics utilizzando l'integrazione Kaggle: questo post del blog offre ulteriori informazioni su come sfruttare Kaggle in modo specifico per i modelli YOLO di Ultralytics.

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 fluido per sviluppare, addestrare e distribuire modelli di computer vision all'avanguardia senza dover ricorrere a hardware costoso.

Per maggiori dettagli, consulta la documentazione di Kaggle.

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

FAQ#