콘텐츠로 건너뛰기

JupyterLab을 사용하여 YOLO11 모델을 훈련하는 방법 가이드

특히 적절한 도구나 작업 환경이 없을 때 딥러닝 모델을 구축하는 것은 어려울 수 있습니다. 이러한 문제에 직면하고 있다면 JupyterLab이 적합한 솔루션이 될 수 있습니다. JupyterLab은 사용자 친화적인 웹 기반 플랫폼으로 코딩을 더욱 유연하고 상호 작용적으로 만들어 줍니다. 이를 사용하여 대규모 데이터 세트를 처리하고, 복잡한 모델을 만들고, 심지어 다른 사람들과 협업할 수도 있습니다. 이 모든 것이 한 곳에서 가능합니다.

JupyterLab을 사용하여 Ultralytics YOLO11 모델과 관련된 프로젝트를 수행할 수 있습니다. JupyterLab은 효율적인 모델 개발 및 실험에 적합한 옵션입니다. 컴퓨터에서 바로 YOLO11 모델 학습 및 실험을 쉽게 시작할 수 있습니다. JupyterLab, 주요 기능 및 YOLO11 모델을 학습하는 데 사용하는 방법에 대해 자세히 살펴보겠습니다.

JupyterLab이란 무엇입니까?

JupyterLab은 Jupyter 노트북, 코드 및 데이터 작업을 위해 설계된 오픈 소스 웹 기반 플랫폼입니다. 기존 Jupyter Notebook 인터페이스에서 업그레이드되어 더욱 다재다능하고 강력한 사용자 경험을 제공합니다.

JupyterLab을 사용하면 노트북, 텍스트 편집기, 터미널 및 기타 도구를 한 곳에서 모두 사용할 수 있습니다. 유연한 설계를 통해 필요에 맞게 작업 공간을 구성하고 데이터 분석, 시각화 및 머신 러닝과 같은 작업을 더 쉽게 수행할 수 있습니다. JupyterLab은 또한 실시간 협업을 지원하므로 연구 및 데이터 과학 분야의 팀 프로젝트에 이상적입니다.

JupyterLab의 주요 기능

다음은 JupyterLab을 모델 개발 및 실험에 훌륭한 옵션으로 만드는 주요 기능 중 일부입니다.

  • 올인원 작업 공간: JupyterLab은 모든 데이터 과학 요구 사항을 충족하는 원스톱 상점입니다. 텍스트 편집, 터미널 액세스 및 노트북을 위한 별도의 인터페이스가 있는 기존 Jupyter Notebook과 달리 JupyterLab은 이러한 모든 기능을 하나의 응집력 있는 환경으로 통합합니다. JPEG, PDF 및 CSV를 포함한 다양한 파일 형식을 JupyterLab 내에서 직접 보고 편집할 수 있습니다. 올인원 작업 공간을 통해 필요한 모든 것에 손쉽게 액세스하여 워크플로를 간소화하고 시간을 절약할 수 있습니다.
  • 유연한 레이아웃: JupyterLab의 뛰어난 기능 중 하나는 유연한 레이아웃입니다. 탭을 끌어다 놓고 크기를 조정하여 보다 효율적으로 작업할 수 있도록 개인 설정된 레이아웃을 만들 수 있습니다. 접을 수 있는 왼쪽 사이드바를 통해 파일 브라우저, 실행 중인 커널, 명령 팔레트와 같은 필수 탭에 쉽게 접근할 수 있습니다. 여러 창을 동시에 열어 멀티태스킹을 수행하고 프로젝트를 보다 효과적으로 관리할 수 있습니다.
  • 대화형 코드 콘솔: JupyterLab의 코드 콘솔은 코드 스니펫 또는 함수를 테스트할 수 있는 대화형 공간을 제공합니다. 또한 노트북 내에서 수행된 계산 기록 역할을 합니다. 노트북에 대한 새 콘솔을 만들고 모든 커널 활동을 보는 것은 간단합니다. 이 기능은 새로운 아이디어를 실험하거나 코드 문제를 해결할 때 특히 유용합니다.
  • Markdown 미리보기: JupyterLab에서는 동시 미리보기 기능 덕분에 Markdown 파일을 보다 효율적으로 작업할 수 있습니다. Markdown 파일을 작성하거나 편집할 때 서식이 지정된 출력을 실시간으로 볼 수 있습니다. 따라서 문서가 완벽하게 보이는지 쉽게 다시 확인할 수 있으므로 편집 모드와 미리보기 모드 사이를 왔다 갔다 할 필요가 없습니다.
  • 텍스트 파일에서 코드 실행: 코드와 함께 텍스트 파일을 공유하는 경우, JupyterLab은 플랫폼 내에서 직접 실행하는 것을 쉽게 만들어줍니다. 코드를 강조 표시하고 Shift + Enter를 눌러 실행할 수 있습니다. 코드 스니펫을 빠르게 확인하고 공유하는 코드가 기능적이고 오류가 없는지 보장하는 데 유용합니다.

YOLO11 프로젝트에 JupyterLab을 사용해야 하는 이유는 무엇입니까?

머신러닝 모델을 개발하고 평가하기 위한 여러 플랫폼이 있는데, JupyterLab이 눈에 띄는 이유는 무엇일까요? JupyterLab이 머신러닝 프로젝트에 제공하는 몇 가지 고유한 측면을 살펴보겠습니다.

  • 쉬운 셀 관리: JupyterLab에서 셀을 관리하는 것은 매우 쉽습니다. 번거로운 잘라내기 및 붙여넣기 방법 대신 셀을 끌어서 놓기만 하면 재정렬할 수 있습니다.
  • 노트북 간 셀 복사: JupyterLab을 사용하면 서로 다른 노트북 간에 셀을 쉽게 복사할 수 있습니다. 한 노트북에서 다른 노트북으로 셀을 끌어서 놓을 수 있습니다.
  • 클래식 노트북 보기로 쉽게 전환: 클래식 Jupyter Notebook 인터페이스를 그리워하는 사용자를 위해 JupyterLab은 쉽게 다시 전환할 수 있는 기능을 제공합니다. 간단히 다음으로 대체하십시오. /lab URL에서 /tree 익숙한 노트북 보기로 돌아가려면.
  • 다중 보기: JupyterLab은 동일한 노트북에 대한 다중 보기를 지원하며, 이는 특히 긴 노트북에 유용합니다. 비교 또는 탐색을 위해 서로 다른 섹션을 나란히 열 수 있으며, 한 보기에서 변경된 내용은 다른 보기에도 반영됩니다.
  • 사용자 정의 가능한 테마: JupyterLab에는 늦은 밤 코딩 세션에 완벽한 노트북용 내장 다크 테마가 포함되어 있습니다. 텍스트 편집기 및 터미널에 사용할 수 있는 테마도 있어 전체 작업 공간의 모양을 사용자 정의할 수 있습니다.

JupyterLab 사용 시 일반적인 문제

JupyterLab을 사용할 때 몇 가지 일반적인 문제가 발생할 수 있습니다. 플랫폼을 원활하게 탐색하는 데 도움이 되는 몇 가지 팁은 다음과 같습니다.

  • 커널 관리: 커널은 JupyterLab에서 작성한 코드와 코드가 실행되는 환경 간의 연결을 관리하기 때문에 매우 중요합니다. 또한 노트북 간에 데이터에 액세스하고 공유할 수도 있습니다. Jupyter Notebook을 닫을 때 다른 노트북에서 커널을 사용 중일 수 있으므로 커널이 계속 실행될 수 있습니다. 커널을 완전히 종료하려면 커널을 선택하고 마우스 오른쪽 버튼을 클릭한 다음 팝업 메뉴에서 "커널 종료"를 선택하면 됩니다.
  • Python 패키지 설치: 때로는 서버에 사전 설치되지 않은 추가 python 패키지가 필요할 수 있습니다. 다음 명령을 사용하여 홈 디렉터리 또는 가상 환경에 이러한 패키지를 쉽게 설치할 수 있습니다. python -m pip install package-name. 설치된 모든 패키지를 보려면 다음을 사용하십시오. python -m pip list.
  • Flask/FastAPI API를 Posit Connect에 배포: 터미널에서 rsconnect-python 패키지를 사용하여 Flask 및 FastAPI API를 Posit Connect에 배포할 수 있습니다. 이렇게 하면 웹 애플리케이션을 JupyterLab과 더 쉽게 통합하고 다른 사람과 공유할 수 있습니다.
  • JupyterLab 확장 프로그램 설치: JupyterLab은 기능 향상을 위해 다양한 확장 프로그램을 지원합니다. 이러한 확장 프로그램을 설치하고 필요에 맞게 사용자 정의할 수 있습니다. 자세한 내용은 JupyterLab 확장 프로그램 가이드를 참조하십시오.
  • 여러 버전의 Python 사용: 여러 버전의 Python으로 작업해야 하는 경우, 다른 Python 버전으로 구성된 Jupyter 커널을 사용할 수 있습니다.

JupyterLab을 사용하여 YOLO11을 시험해 보는 방법

JupyterLab을 사용하면 YOLO11을 쉽게 실험할 수 있습니다. 시작하려면 다음의 간단한 단계를 따르세요.

1단계: JupyterLab 설치

먼저, JupyterLab을 설치해야 합니다. 터미널을 열고 다음 명령을 실행하세요:

설치

# Install the required package for JupyterLab
pip install jupyterlab

2단계: YOLO11 튜토리얼 노트북 다운로드

다음으로, Ultralytics GitHub 저장소에서 tutorial.ipynb 파일을 다운로드합니다. 이 파일을 로컬 시스템의 아무 디렉터리에나 저장합니다.

3단계: JupyterLab 실행

터미널을 사용하여 노트북 파일을 저장한 디렉토리로 이동합니다. 그런 다음 다음 명령을 실행하여 JupyterLab을 시작합니다:

사용법

jupyter lab

이 명령을 실행하면 아래와 같이 기본 웹 브라우저에서 JupyterLab이 열립니다.

JupyterLab이 브라우저에서 열리는 방식을 보여주는 이미지

4단계: 실험 시작

JupyterLab에서 tutorial.ipynb 노트북을 엽니다. 이제 셀을 실행하여 YOLO11을 탐색하고 실험할 수 있습니다.

JupyterLab에서 열린 YOLO11 노트북을 보여주는 이미지

JupyterLab의 대화형 환경을 통해 코드 수정, 출력 시각화, 결과 문서화를 한 곳에서 모두 할 수 있습니다. 다양한 구성을 시도해보고 YOLO11이 어떻게 작동하는지 이해할 수 있습니다.

모델 학습 과정 및 모범 사례에 대한 자세한 내용은 YOLO11 모델 학습 가이드를 참조하십시오. 이 가이드는 실험을 최대한 활용하고 YOLO11을 효과적으로 사용하는 데 도움이 될 것입니다.

Jupyterlab에 대해 계속 학습하기

JupyterLab에 대해 더 자세히 알고 싶으시다면, 시작하는 데 도움이 되는 유용한 자료가 있습니다:

  • JupyterLab 문서: 공식 JupyterLab 문서를 통해 기능과 성능을 살펴보십시오. 이 강력한 도구를 최대한 활용하는 방법을 이해하는 데 유용합니다.
  • Binder로 사용해보기: 아무것도 설치하지 않고 Binder를 사용하여 JupyterLab을 시험해 보십시오. Binder를 사용하면 브라우저에서 직접 라이브 JupyterLab 인스턴스를 시작할 수 있습니다. 즉시 실험을 시작할 수 있는 좋은 방법입니다.
  • 설치 가이드: 로컬 시스템에 JupyterLab을 설치하는 방법에 대한 단계별 가이드는 설치 가이드를 참조하십시오.
  • JupyterLab을 사용하여 Ultralytics YOLO11 학습시키기: 이 상세한 블로그 게시물에서 YOLO11 모델과 함께 JupyterLab을 사용하는 실제 적용 사례에 대해 자세히 알아보세요.

요약

JupyterLab이 Ultralytics YOLO11 모델을 실험하는 데 얼마나 강력한 도구가 될 수 있는지 살펴보았습니다. 유연하고 상호 작용적인 환경을 사용하여 로컬 시스템에 JupyterLab을 쉽게 설정하고 YOLO11 작업을 시작할 수 있습니다. JupyterLab을 사용하면 모델 훈련평가, 결과 시각화, 결과 문서화를 모두 한 곳에서 간단하게 수행할 수 있습니다.

Google Colab과 같은 다른 플랫폼과 달리 JupyterLab은 로컬 시스템에서 실행되므로 클라우드 리소스에 의존하지 않고도 대화형 노트북 환경을 제공하면서 컴퓨팅 환경을 더 효과적으로 제어할 수 있습니다. 따라서 클라우드 리소스에 의존하지 않고도 개발 환경에 일관되게 액세스해야 하는 개발자에게 특히 유용합니다.

자세한 내용은 JupyterLab FAQ 페이지를 참조하세요.

더 많은 YOLO11 통합에 관심이 있으신가요? Ultralytics 통합 가이드를 확인하여 머신 러닝 프로젝트를 위한 추가 도구 및 기능을 살펴보세요.

FAQ

JupyterLab을 사용하여 YOLO11 모델을 어떻게 학습시키나요?

JupyterLab을 사용하여 YOLO11 모델을 훈련하려면:

  1. JupyterLab 및 Ultralytics 패키지 설치:

    pip install jupyterlab ultralytics
    
  2. JupyterLab을 실행하고 새 노트북을 엽니다.

  3. YOLO 모델을 가져오고 사전 훈련된 모델을 로드합니다:

    from ultralytics import YOLO
    
    model = YOLO("yolo11n.pt")
    
  4. 사용자 정의 데이터 세트에서 모델을 학습합니다:

    results = model.train(data="path/to/your/data.yaml", epochs=100, imgsz=640)
    
  5. JupyterLab에 내장된 플로팅 기능을 사용하여 학습 결과를 시각화합니다.

    import matplotlib
    
    from ultralytics.utils.plotting import plot_results
    
    matplotlib.use("inline")  # or 'notebook' for interactive
    plot_results(results)
    

JupyterLab의 대화형 환경을 통해 파라미터를 쉽게 수정하고, 결과를 시각화하고, 모델 학습 프로세스를 반복할 수 있습니다.

YOLO11 프로젝트에 적합한 JupyterLab의 주요 기능은 무엇인가요?

JupyterLab은 YOLO11 프로젝트에 이상적인 여러 가지 기능을 제공합니다.

  1. 대화형 코드 실행: YOLO11 코드 스니펫을 실시간으로 테스트하고 디버깅합니다.
  2. 통합 파일 브라우저: 데이터 세트, 모델 가중치 및 구성 파일을 쉽게 관리할 수 있습니다.
  3. 유연한 레이아웃: 효율적인 워크플로우를 위해 여러 노트북, 터미널 및 출력 창을 나란히 정렬합니다.
  4. 풍부한 출력 표시: YOLO11 감지 결과, 훈련 곡선 및 모델 성능 지표를 인라인으로 시각화합니다.
  5. Markdown 지원: 서식이 풍부한 텍스트와 이미지를 사용하여 YOLO11 실험 및 결과를 문서화합니다.
  6. 확장 에코시스템: 버전 관리, 원격 컴퓨팅 등을 위한 확장 기능으로 기능을 향상합니다.

이러한 기능은 데이터 준비에서 모델 배포에 이르기까지 YOLO11 모델로 작업할 때 원활한 개발 경험을 제공합니다.

JupyterLab을 사용하여 YOLO11 모델 성능을 어떻게 최적화할 수 있습니까?

JupyterLab에서 YOLO11 모델 성능을 최적화하려면:

  1. 최적의 배치 크기를 결정하려면 autobatch 기능을 사용하세요.

    from ultralytics.utils.autobatch import autobatch
    
    optimal_batch_size = autobatch(model)
    
  2. Ray Tune과 같은 라이브러리를 사용하여 하이퍼파라미터 튜닝을 구현합니다:

    from ultralytics.utils.tuner import run_ray_tune
    
    best_results = run_ray_tune(model, data="path/to/data.yaml")
    
  3. JupyterLab의 플로팅 기능을 사용하여 모델 지표를 시각화하고 분석합니다.

    from ultralytics.utils.plotting import plot_results
    
    plot_results(results.results_dict)
    
  4. 특정 사용 사례에 맞는 속도와 정확도의 균형을 찾기 위해 다양한 모델 아키텍처와 내보내기 형식을 실험해 보십시오.

JupyterLab의 대화형 환경을 통해 빠른 반복과 실시간 피드백이 가능하므로 YOLO11 모델을 효율적으로 최적화하는 것이 더 쉬워집니다.

JupyterLab 및 YOLO11 작업 시 일반적인 문제를 어떻게 처리합니까?

JupyterLab 및 YOLO11을 사용할 때 몇 가지 일반적인 문제가 발생할 수 있습니다. 이러한 문제를 해결하는 방법은 다음과 같습니다.

  1. GPU 메모리 문제:

    • 다음을 사용합니다. torch.cuda.empty_cache() 실행 간에 GPU 메모리를 지우려면 사용합니다.
    • GPU 메모리에 맞게 배치 크기 또는 이미지 크기를 조정하십시오.
  2. 패키지 충돌:

    • 충돌을 피하기 위해 YOLO11 프로젝트를 위한 별도의 conda 환경을 만드십시오.
    • 다음을 사용합니다. !pip install package_name 누락된 패키지를 설치하려면 노트북 셀에서 실행하세요.
  3. 커널 충돌:

    • 커널을 재시작하고 셀을 하나씩 실행하여 문제가 있는 코드를 식별합니다.
    • 특히 대규모 데이터 세트를 처리할 때 코드에서 메모리 누수를 확인하십시오.


📅 1년 전에 생성됨 ✏️ 2개월 전에 업데이트됨

댓글