Ultralytics YOLO27:
Get Started

JupyterLabを使ってYOLO26モデルをトレーニングする方法#

ディープラーニングモデルの構築は、適切なツールや作業環境がないと難しい場合があります。このような課題に直面しているなら、JupyterLabが解決策になるかもしれません。JupyterLabは、コーディングをより柔軟かつインタラクティブに行える、使いやすいWebベースのプラットフォームです。大規模なデータセットの処理、複雑なモデルの作成、他のユーザーとの共同作業を、すべて1か所で行えます。

JupyterLabを使って、Ultralytics YOLO26モデルに関連するプロジェクトに取り組むことができます。JupyterLabは、効率的なモデル開発や実験に最適です。コンピューター上ですぐに実験を始め、YOLO26モデルをトレーニングできます。JupyterLabの概要や主な機能、YOLO26モデルのトレーニング方法を詳しく見ていきましょう。

JupyterLabとは何ですか？#

JupyterLabは、Jupyter Notebook、コード、データを扱うために設計されたオープンソースのWebベースプラットフォームです。従来のJupyter Notebookインターフェースを進化させ、より多用途で強力なユーザーエクスペリエンスを提供します。

JupyterLabでは、ノートブック、テキストエディター、ターミナルなどのツールを1か所で利用できます。柔軟な設計により、ニーズに合わせてワークスペースを整理でき、データ分析、可視化、機械学習などの作業を簡単に行えます。また、JupyterLabはリアルタイムのコラボレーションにも対応しているため、研究やデータサイエンスのチームプロジェクトに最適です。

JupyterLabの主な機能#

ここでは、JupyterLabがモデル開発や実験に最適な選択肢となる主な機能を紹介します。

  • オールインワンのワークスペース: JupyterLabは、データサイエンスに必要なすべてを1か所で利用できる環境です。テキスト編集、ターミナルへのアクセス、ノートブックに個別のインターフェースを用意していた従来のJupyter Notebookとは異なり、JupyterLabではこれらの機能が統一された環境に統合されています。JPEG、PDF、CSVなど、さまざまな形式のファイルをJupyterLab内で直接表示・編集できます。オールインワンのワークスペースなら、必要なものすべてにすぐアクセスできるため、ワークフローを効率化し、時間を節約できます。
  • 柔軟なレイアウト: JupyterLabの際立った機能の1つは、レイアウトの柔軟性です。タブをドラッグ、ドロップ、サイズ変更して、自分に合ったレイアウトを作成し、作業効率を高められます。折りたたみ可能な左サイドバーから、ファイルブラウザー、実行中のカーネル、コマンドパレットなどの重要なタブに簡単にアクセスできます。複数のウィンドウを同時に開けるため、マルチタスクを行い、プロジェクトをより効果的に管理できます。
  • インタラクティブなコードコンソール: JupyterLabのコードコンソールは、コードのスニペットや関数を試すためのインタラクティブな作業スペースを提供します。また、ノートブック内で実行した計算のログとしても機能します。ノートブック用の新しいコンソールを作成し、カーネルのアクティビティをすべて確認するのも簡単です。この機能は、新しいアイデアを試したり、コードの問題をトラブルシューティングしたりする際に特に便利です。
  • Markdownプレビュー: JupyterLabでは、プレビューを同時に表示できるため、Markdownファイルを効率的に扱えます。Markdownファイルを作成または編集しながら、整形後の出力をリアルタイムで確認できます。編集モードとプレビューモードを何度も切り替えずにドキュメントの表示を確認できるため、仕上がりの確認が簡単になります。
  • テキストファイルからコードを実行する: コードを含むテキストファイルを共有する場合、JupyterLabではプラットフォーム内で直接簡単に実行できます。コードを選択してShift + Enterを押すだけで実行できます。コードのスニペットをすばやく検証でき、共有するコードが正常に動作し、エラーがないことを確認するのに役立ちます。

YOLO26プロジェクトでJupyterLabを使うべき理由は何ですか？#

機械学習モデルの開発や評価にはさまざまなプラットフォームがありますが、JupyterLabの強みは何でしょうか？機械学習プロジェクトでJupyterLabが提供する独自の機能をいくつか見ていきましょう。

  • セルを簡単に管理: JupyterLabではセルを簡単に管理できます。面倒な切り取りと貼り付けの代わりに、セルをドラッグアンドドロップして並べ替えられます。
  • ノートブック間でセルをコピー: JupyterLabでは、異なるノートブック間でセルを簡単にコピーできます。あるノートブックから別のノートブックへ、セルをドラッグアンドドロップできます。
  • クラシックなノートブック表示へ簡単に切り替え: 従来のJupyter Notebookインターフェースを使いたい場合、JupyterLabから簡単に戻せます。URL内の/labを/treeに置き換えるだけで、使い慣れたノートブック表示に戻ります。
  • 複数のビュー: JupyterLabでは、同じノートブックを複数のビューで表示できます。これは、長いノートブックで特に便利です。異なるセクションを並べて比較・確認でき、一方のビューで行った変更はもう一方にも反映されます。
  • テーマをカスタマイズ: JupyterLabには、夜遅くのコーディングに最適なノートブック用のダークテーマが組み込まれています。テキストエディターやターミナルにもテーマが用意されており、ワークスペース全体の外観をカスタマイズできます。

JupyterLabの使用中によくある問題#

JupyterLabを使用する際、よくある問題に遭遇することがあります。プラットフォームをスムーズに使いこなすためのヒントをいくつか紹介します。

  • カーネルの管理: カーネルは、JupyterLabで作成したコードと、そのコードを実行する環境との接続を管理するため、重要です。また、ノートブック間でデータにアクセスし、共有することもできます。Jupyter Notebookを閉じても、ほかのノートブックで使用中の場合はカーネルが実行されたままになることがあります。カーネルを完全に停止するには、カーネルを選択して右クリックし、ポップアップメニューから「カーネルをシャットダウン」を選択します。
  • Pythonパッケージのインストール: サーバーに事前インストールされていないPythonパッケージが必要になる場合があります。コマンドpython -m pip install package-nameを使用して、ホームディレクトリーまたは仮想環境に簡単にインストールできます。インストール済みのパッケージをすべて確認するには、python -m pip listを使用します。
  • Flask/FastAPI APIをPosit Connectにデプロイする: ターミナルからrsconnect-pythonパッケージを使用して、Flask APIやFastAPI APIをPosit Connectにデプロイできます。これにより、WebアプリケーションをJupyterLabと簡単に連携させ、他のユーザーと共有できます。
  • JupyterLab拡張機能をインストールする: JupyterLabは、機能を強化するさまざまな拡張機能に対応しています。ニーズに合わせて拡張機能をインストールし、カスタマイズできます。詳しい手順については、JupyterLab拡張機能ガイドを参照してください。
  • 複数のバージョンのPythonを使用する: 異なるバージョンのPythonを使う必要がある場合は、Pythonのバージョンごとに設定されたJupyterカーネルを使用できます。

JupyterLabを使ってYOLO26を試す方法#

JupyterLabを使えば、YOLO26を簡単に試せます。次の手順に従って開始してください。

ステップ1: JupyterLabをインストールする#

まず、JupyterLabをインストールします。ターミナルを開き、次のコマンドを実行してください。

インストール
# Install the required package for JupyterLab
pip install jupyterlab

ステップ2: YOLO26チュートリアルノートブックをダウンロードする#

次に、Ultralytics GitHubリポジトリーからtutorial.ipynbファイルをダウンロードします。このファイルをローカルマシン上の任意のディレクトリーに保存してください。

ステップ3: JupyterLabを起動する#

ターミナルを使って、ノートブックファイルを保存したディレクトリーに移動します。次に、以下のコマンドを実行してJupyterLabを起動します。

使用方法
jupyter lab

このコマンドを実行すると、以下に示すように、デフォルトのWebブラウザーでJupyterLabが開きます。

JupyterLabがブラウザーで開く様子を示す画像

ステップ 4: 実験を始める#

JupyterLabでtutorial.ipynbノートブックを開きます。セルを実行して、YOLO26を調べたり実験したりできるようになりました。

JupyterLabで開いたYOLO26ノートブックを示す画像

JupyterLabのインタラクティブな環境では、コードの変更、出力の可視化、調査結果の記録をすべて1か所で行えます。さまざまな設定を試し、YOLO26の動作を理解できます。

モデルのトレーニングプロセスとベストプラクティスを詳しく理解するには、YOLO26モデルのトレーニングガイドを参照してください。このガイドは、実験から最大限の成果を得て、YOLO26を効果的に活用するのに役立ちます。

JupyterLabについてさらに学ぶ#

JupyterLabについてさらに学びたい場合は、次のリソースを参考にしてください。

  • JupyterLabドキュメント: JupyterLabの公式ドキュメントを詳しく確認し、機能やできることを調べましょう。この強力なツールを最大限に活用する方法を理解するのに役立ちます。
  • Binderで試す: Binderを使うと、何もインストールせずにJupyterLabを試せます。ブラウザーからJupyterLabのライブインスタンスを直接起動できます。すぐに実験を始めるのに最適な方法です。
  • インストールガイド: ローカルマシンにJupyterLabをインストールする手順については、インストールガイドをご覧ください。
  • JupyterLabを使用したUltralytics YOLO26のトレーニング: 詳細なブログ記事で、JupyterLabとYOLO26モデルを使用する実践的な方法を学びましょう。

概要#

JupyterLabがUltralytics YOLO26モデルの実験に役立つ強力なツールであることを見てきました。柔軟でインタラクティブな環境を利用すれば、ローカルマシンにJupyterLabを簡単にセットアップし、YOLO26を使い始めることができます。JupyterLabを使うと、モデルのトレーニングと評価、出力の可視化、調査結果の記録をすべて1か所で簡単に行えます。

Google Colabなどの他のプラットフォームとは異なり、JupyterLabはローカルマシン上で実行されるため、インタラクティブなノートブック環境を利用しながら、コンピューティング環境をより細かく制御できます。そのため、クラウドリソースに依存せず、開発環境に常時アクセスする必要がある開発者に特に役立ちます。

詳しくは、JupyterLab FAQページをご覧ください。

YOLO26との連携機能に関心がありますか？Ultralyticsの連携ガイドを確認して、機械学習プロジェクトで利用できる追加のツールや機能をご覧ください。

よくある質問#

  • JupyterLabを使ってYOLO26モデルをトレーニングする手順は次のとおりです。

    1. JupyterLabとUltralyticsパッケージをインストールします。

      pip install jupyterlab ultralytics

    2. JupyterLabを起動し、新しいノートブックを開きます。

    3. YOLOモデルをインポートし、事前トレーニング済みモデルを読み込みます。

      from ultralytics import YOLO

model = YOLO("yolo26n.pt")

    4. カスタムデータセットでモデルをトレーニングします。

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

    5. JupyterLabに組み込まれたプロット機能を使って、トレーニング結果を可視化します。

      from ultralytics.utils.plotting import plot_results

plot_results("runs/detect/train/results.csv")  # results.csvの隣にresults.pngを保存します

    JupyterLabのインタラクティブな環境では、パラメーターの変更、結果の可視化、モデルのトレーニングプロセスの反復を簡単に行えます。

  • JupyterLabには、YOLO26プロジェクトに最適な次のような機能があります。

    1. インタラクティブなコード実行: YOLO26のコードスニペットをリアルタイムでテストし、デバッグできます。
    2. 統合ファイルブラウザー: データセット、モデルの重み、設定ファイルを簡単に管理できます。
    3. 柔軟なレイアウト: 複数のノートブック、ターミナル、出力ウィンドウを横に並べて、効率的なワークフローを構築できます。
    4. 豊富な出力表示: YOLO26の検出結果、トレーニング曲線、モデルのパフォーマンス指標をインラインで可視化できます。
    5. Markdownのサポート: リッチテキストや画像を使って、YOLO26の実験や調査結果を記録できます。
    6. 拡張機能のエコシステム: バージョン管理、リモートコンピューティングなどの拡張機能で機能を強化できます。

    これらの機能により、データの準備からモデルのデプロイまで、YOLO26モデルを扱う際のシームレスな開発体験が実現します。

  • JupyterLabでYOLO26モデルのパフォーマンスを最適化する手順は次のとおりです。

    1. GPUメモリに収まる最大のバッチサイズをAutoBatchで選択します。

      results = model.train(data="path/to/data.yaml", batch=-1)

    2. Ray Tuneなどのライブラリを使ってハイパーパラメーターのチューニングを実施します。

      result_grid = model.tune(data="path/to/data.yaml", use_ray=True)

    3. JupyterLabのプロット機能を使って、モデルの指標を可視化および分析します。

      from ultralytics.utils.plotting import plot_results

plot_results("runs/detect/train/results.csv")  # results.csvの隣にresults.pngを保存します

    4. さまざまなモデルアーキテクチャとエクスポート形式を試し、特定のユースケースにおける速度と精度の最適なバランスを見つけます。

    JupyterLabのインタラクティブな環境では、素早く反復し、リアルタイムでフィードバックを得られるため、YOLO26モデルを効率的に最適化しやすくなります。

  • JupyterLabとYOLO26を使用する際、よくある問題が発生することがあります。対処方法は次のとおりです。

    1. GPUメモリの問題:

      • 実行の合間にtorch.cuda.empty_cache()を使ってGPUメモリをクリアします。
      • バッチサイズまたは画像サイズを調整し、GPUメモリに収まるようにします。

    2. パッケージの競合:

      • 競合を避けるため、YOLO26プロジェクト用に個別のconda環境を作成します。
      • ノートブックのセルで!pip install package_nameを使い、不足しているパッケージをインストールします。

    3. カーネルのクラッシュ:

      • カーネルを再起動し、問題のあるコードを特定するためにセルを1つずつ実行します。
      • 特に大規模なデータセットを処理する場合は、コードにメモリリークがないか確認します。
コントリビューター
GLglenn-jocher12RAraimbekovm2RIRizwanMunawar2LALaughing-q2Y-Y-T-G1WIWillieMaddox1MAMatthewNoyce1AMambitious-octopus1ABabirami-vina1

コメント