Meet YOLO26: next-gen vision AI.

Link to this sectionJupyterLabを使用してYOLO26モデルをトレーニングするためのガイド#

深層学習モデルの構築は、適切なツールや環境が整っていない場合、困難になることがあります。このような課題に直面しているなら、JupyterLabが最適な解決策かもしれません。JupyterLabは、コーディングをより柔軟かつインタラクティブにする、ユーザーフレンドリーなウェブベースのプラットフォームです。これを使用することで、大規模なデータセットの処理、複雑なモデルの作成、さらには他者との共同作業まで、すべてを一箇所で行うことができます。

You can use JupyterLab to work on projects related to Ultralytics YOLO26 models. JupyterLab is a great option for efficient model development and experimentation. It makes it easy to start experimenting with and training YOLO26 models right from your computer. Let's dive deeper into JupyterLab, its key features, and how you can use it to train YOLO26 models.

Link to this sectionJupyterLabとは何ですか？#

JupyterLabは、Jupyterノートブック、コード、データを操作するために設計されたオープンソースのウェブベースプラットフォームです。従来のJupyter Notebookインターフェースからアップグレードされており、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、ターミナル、その他のツールをすべて一箇所で操作できます。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、機械学習といったタスクを容易に実行できます。また、JupyterLabはリアルタイムの共同作業もサポートしており、研究やデータサイエンスにおけるチームプロジェクトに理想的です。

Link to this sectionJupyterLabの主な機能#

モデル開発と実験においてJupyterLabが優れた選択肢となる主な機能をいくつか紹介します。

  • オールインワンワークスペース: JupyterLabは、データサイエンスのニーズすべてに対応するワンストップショップです。テキスト編集、ターミナルアクセス、ノートブック用のインターフェースが別々だった従来のJupyter Notebookとは異なり、JupyterLabはこれらの機能を単一の統合環境にまとめています。JPEG、PDF、CSVなど、さまざまなファイル形式をJupyterLab内で直接表示および編集できます。オールインワンワークスペースにより、必要なものすべてに指先一つでアクセスでき、ワークフローの効率化と時間の節約が可能になります。
  • 柔軟なレイアウト: JupyterLabの傑出した機能の一つに、柔軟なレイアウトがあります。タブをドラッグ＆ドロップしてサイズを変更することで、より効率的に作業できるようにパーソナライズされたレイアウトを作成できます。折りたたみ可能な左サイドバーにより、ファイルブラウザ、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くことができるため、マルチタスクを行い、プロジェクトをより効率的に管理できます。
  • 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テストするためのインタラクティブなスペースを提供します。また、ノートブック内で行われ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、すべてのカーネルアクティビティを表示するのは簡単です。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役立ちます。
  • Markdownプレビュー: JupyterLabでは、同時プレビュー機能のおかげで、Markdownファイルの操作がより効率的です。Markdownファイルを記述または編集すると、フォーマットされた出力をリアルタイムで確認できます。これにより、編集モードとプレビューモードを交互に切り替える必要がなくなり、ドキュメントの見た目が完璧であることを容易に確認できます。
  • テキストファイルからのコード実行: コードを含むテキストファイルを共有している場合、JupyterLabを使用すればプラットフォーム内で直接簡単に実行できます。コードをハイライトしてShift + Enterを押すだけです。コードスニペットを素早く検証するのに非常に便利であり、共有するコードが機能し、エラーがないことを保証するのに役立ちます。

Link to this sectionなぜYOLO26プロジェクトにJupyterLabを使用すべきなのですか？#

機械学習モデルの開発や評価を行うプラットフォームは複数存在しますが、なぜJupyterLabが際立っているのでしょうか？JupyterLabが機械学習プロジェクトにもたらすユニークな側面をいくつか探ってみましょう。

  • 簡単なセル管理: JupyterLabでのセル管理は非常に簡単です。面倒なカット＆ペーストの手法ではなく、ドラッグ＆ドロップするだけでセルの順序を入れ替えることができます。
  • ノートブック間でのセルコピー: 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。ドラッグ＆ドロップでセルをあるノートブックから別のノートブックへ移動可能です。
  • クラシックノートブックビューへの簡単な切り替え: 従来のJupyter Notebookインターフェースが懐かしいという方のために、JupyterLabでは簡単に元に戻すことができます。URLの /lab を /tree に置き換えるだけで、おなじみのノートブックビューに戻れます。
  • 複数のビュー: JupyterLabは同一ノートブックの複数ビューをサポートしており、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開き、比較や探索を行うことができ、一方のビューで行った変更はもう一方のビューにも反映されます。
  • カスタマイズ可能なテーマ: JupyterLabには、深夜のコーディングセッション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。また、テキストエディタやターミナル用のテーマも利用可能で、ワークスペース全体の見た目をカスタマイズできます。

Link to this sectionJupyterLabでの作業時によくある問題#

JupyterLabでの作業時に、いくつかの一般的な問題が発生する場合があります。プラットフォームをスムーズに操作する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で記述したコードとそれが実行される環境との接続を管理するため、非常に重要です。また、ノートブック間でデータにアクセスしたり共有したりすることもできます。Jupyter Notebookを閉じても、他のノートブックが使用している可能性があるため、カーネルが実行され続けている場合があります。カーネルを完全にシャットダウンしたい場合は、それを選択して右クリックし、ポップアップメニューから「Shut Down Kernel（カーネルのシャットダウン）」を選択してください。
  • Pythonパッケージのインストール: サーバーにプリインストールされていない追加のPythonパッケージが必要になることがあります。これらのパッケージは、python -m pip install package-name コマンドを使用して、ホームディレクトリや仮想環境に簡単にインストールできます。インストールされているすべてのパッケージを確認するには、python -m pip list を使用してください。
  • Flask/FastAPI APIをPosit Connectにデプロイ: ターミナルから rsconnect-python パッケージを使用して、FlaskやFastAPI APIをPosit Connectにデプロイできます。これにより、ウェブアプリケーションをJupyterLabと簡単に統合し、他者と共有できるようになります。
  • JupyterLab拡張機能のインストール: JupyterLabは、機能を強化するためのさまざまな拡張機能をサポートしています。ニーズに合わせてこれらの拡張機能をインストールおよびカスタマイズできます。詳細な手順については、JupyterLab Extensions Guideを参照してください。
  • 複数のPythonバージョンの使用: 異なるバージョンのPythonで作業する必要がある場合は、異なるPythonバージョンで構成されたJupyterカーネルを使用できます。

Link to this sectionJupyterLabを使ってYOLO26を試す方法#

JupyterLabを使用すると、YOLO26の実験が簡単に行えます。開始するには、以下の簡単な手順に従ってください。

Link to this sectionステップ 1: JupyterLabをインストールする#

まず、JupyterLabをインストールする必要があります。ターミナルを開き、以下のコマンドを実行します。

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

Link to this sectionステップ 2: YOLO26の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の任意のディレクトリに保存します。

Link to this sectionステップ 3: JupyterLabを起動する#

ターミナルを使用して、ノートブックファイルを保存したディレクトリに移動します。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、デフォルトのウェブブラウザでJupyterLabが開きます。

JupyterLabがブラウザでどのように開くかを示す画像

Link to this sectionステップ 4: 実験を開始する#

JupyterLabで、tutorial.ipynbノートブックを開きます。これでセルを実行して、YOLO26の探索や実験を開始できます。

JupyterLabで開かれた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、調査結果の文書化をすべて一箇所で行うことができます。さまざまな構成を試して、YOLO26がどのように機能するかを理解できます。

モデルトレーニングのプロセスとベストプラクティスについての詳細な理解には、YOLO26 Model Trainingガイドを参照してください。このガイドは、実験を最大限に活用し、YOLO26を効果的に使用するのに役立ちます。

Link to this sectionJupyterLabについてさらに学ぶ#

JupyterLabについてさらに詳しく知りたい場合は、開始するためのリソースをいくつか紹介します。

  • JupyterLab Documentation: 公式のJupyterLabドキュメントを確認して、その機能と能力を探索してください。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最適な方法です。
  • Try It With Binder: ブラウザでライブのJupyterLabインスタンスを直接起動できるBinderを使用して、何もインストールせずにJupyterLabを試してみてください。すぐに実験を開始するのに最適な方法です。
  • Installation Guide: ローカルマシンにJupyterLabをインストールするためのステップバイステップガイドについては、インストールガイドを確認してください。
  • Train Ultralytics YOLO26 using JupyterLab: この詳細なブログ投稿で、YOLO26モデルとJupyterLabを併用する実用的なアプリケーションについて詳しく学びましょう。

Link to this section要約#

JupyterLabがUltralytics YOLO26モデルで実験するための強力なツールとなり得ることを説明しました。その柔軟でインタラクティブな環境を使用することで、ローカルマシンにJupyterLabを簡単にセットアップし、YOLO26での作業を開始できます。JupyterLabを使用すると、モデルのトレーニングや評価、出力の可視化、調査結果の文書化をすべて一箇所で簡単に行うことができます。

Google Colabなどの他のプラットフォームとは異なり、JupyterLabはマシン上でローカルに実行されるため、クラウドのリソースに依存せずに一貫した開発環境へのアクセスが必要な開発者にとって特に価値のある、インタラクティブなノートブックエクスペリエンスを提供しながら、コンピューティング環境をより詳細に制御できます。

詳細については、JupyterLab FAQ Pageをご覧ください。

その他のYOLO26統合に興味がありますか？Ultralytics統合ガイドをチェックして、機械学習プロジェクトのための追加ツールや機能を確認してください。

Link to this sectionよくある質問 (FAQ)#

Link to this sectionJupyterLabを使用してYOLO26モデルをトレーニングするにはどうすればよいですか？#

JupyterLabを使用してYOLO26モデルをトレーニングするには：

  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ロードします。

    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の組み込みプロット機能を使用してトレーニング結果を可視化します。

    import matplotlib

from ultralytics.utils.plotting import plot_results

matplotlib.use("inline")  # or 'notebook' for interactive
plot_results("runs/detect/train/results.csv")

JupyterLabのインタラクティブな環境では、パラメータを簡単に変更し、結果を可視化し、モデルトレーニングのプロセスを反復できます。

Link to this sectionYOLO26プロジェクトに適したJupyterLabの主な機能は何ですか？#

JupyterLabは、YOLO26プロジェクトに理想的な以下の機能を提供します：

  1. インタラクティブなコード実行：YOLO26コードスニペットのリアルタイムでのテストとデバッグ。
  2. 統合されたファイルブラウザ：データセット、モデルのウェイト、設定ファイルを簡単に管理。
  3. 柔軟なレイアウト：効率的なワークフローのために、複数のノートブック、ターミナル、出力ウィンドウを並べて配置。
  4. リッチな出力表示：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メトリクスをインラインで可視化。
  5. Markdownサポート：リッチテキストと画像を使用して、YOLO26の実験と調査結果を記録。
  6. 拡張機能エコシステム：バージョン管理や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。

これらの機能により、データ準備からモデルデプロイまで、YOLO26モデルを扱う際にシームレスな開発体験が可能になります。

Link to this sectionJupyterLabを使用してYOLO26モデルのパフォーマンスを最適化するにはどうすればよいですか？#

JupyterLabでYOLO26モデルのパフォーマンスを最適化するには：

  1. autobatch機能を使用して最適なバッチサイズを決定します。

    from ultralytics.utils.autobatch import autobatch

optimal_batch_size = autobatch(model)

  2. Ray Tuneなどのライブラリを使用してハイパーパラメータチューニングを実装します。

    from ultralytics.utils.tuner import run_ray_tune

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

  3. JupyterLabのプロット機能を使用して、モデルのメトリクス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")

  4. さまざまなモデルアーキテクチャやエクスポート形式を実験し、特定のユースケースに最適な速度と精度のバランスを見つけます。

JupyterLabのインタラクティブな環境により、迅速な反復とリアルタイムのフィードバックが可能になり、YOLO26モデルを効率的に最適化しやすくなります。

Link to this sectionJupyterLabとYOLO26を扱う際によくある問題にはどう対処すればよいですか？#

JupyterLabとYOLO26を扱う際に、いくつかの一般的な問題が発生する場合があります。対処方法は以下の通りです。

  1. GPUメモリの問題：

    • torch.cuda.empty_cache() を使用して、実行間にGPUメモリをクリアします。
    • バッチサイズや画像サイズを調整して、GPUメモリに適合させます。

  2. パッケージの競合：

    • 競合を避けるために、YOLO26プロジェクト用に個別のconda環境を作成します。
    • ノートブックセルで !pip install package_name を使用して、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、セルを一つずつ実行して問題のあるコードを特定します。
    • 特に大規模なデータセットを処理する際に、コード内のメモリリークを確認します。
貢献者
GLglenn-jocher9RIRizwanMunawar2LALaughing-q2Y-Y-T-G1WIWillie Maddox1MAMatthewNoyce1AMambitious-octopus1ABabirami-vina1

コメント