Ultralytics YOLO27:

Руководство по обучению моделей YOLO26 с помощью JupyterLab#

Создание моделей глубокого обучения может быть сложным, особенно если у тебя нет подходящих инструментов или среды для работы. Если ты столкнулся с этой проблемой, JupyterLab может стать подходящим решением. JupyterLab — удобная веб-платформа, которая делает написание кода более гибким и интерактивным. С ее помощью можно работать с большими наборами данных, создавать сложные модели и даже сотрудничать с другими — все в одном месте.

Ты можешь использовать JupyterLab для работы над проектами, связанными с моделями Ultralytics YOLO26. JupyterLab отлично подходит для эффективной разработки и экспериментов с моделями. С его помощью легко начать экспериментировать с обучением моделей YOLO26 прямо на своем компьютере. Давай подробнее рассмотрим JupyterLab, его ключевые функции и способы обучения моделей YOLO26 с его помощью.

Что такое JupyterLab?#

JupyterLab — веб-платформа с открытым исходным кодом, предназначенная для работы с записными книжками Jupyter, кодом и данными. Это развитие традиционного интерфейса Jupyter Notebook, обеспечивающее более универсальный и мощный пользовательский опыт.

JupyterLab позволяет работать с записными книжками, текстовыми редакторами, терминалами и другими инструментами в одном месте. Благодаря гибкому дизайну ты можешь организовать рабочее пространство под свои задачи, упрощая такие операции, как анализ данных, визуализация и машинное обучение. JupyterLab также поддерживает совместную работу в реальном времени, что делает его идеальным для командных проектов в области исследований и Data Science.

Ключевые функции JupyterLab#

Вот некоторые ключевые функции, благодаря которым JupyterLab отлично подходит для разработки моделей и проведения экспериментов:

  • Единое рабочее пространство: JupyterLab — универсальная среда для всех твоих задач в области Data Science. В отличие от классического Jupyter Notebook, в котором редактирование текста, доступ к терминалу и работа с записными книжками выполнялись в отдельных интерфейсах, JupyterLab объединяет все эти функции в единой целостной среде. Ты можешь просматривать и редактировать различные форматы файлов, включая JPEG, PDF и CSV, прямо в JupyterLab. Единое рабочее пространство дает быстрый доступ ко всему необходимому, упрощает рабочий процесс и экономит время.
  • Гибкие макеты: Одна из главных особенностей JupyterLab — гибкий макет. Ты можешь перетаскивать вкладки и изменять их размер, создавая персонализированный макет для более эффективной работы. Сворачиваемая левая боковая панель обеспечивает быстрый доступ к важным вкладкам, таким как обозреватель файлов, запущенные ядра и палитра команд. Можно одновременно открыть несколько окон, что позволяет эффективнее выполнять несколько задач и управлять проектами.
  • Интерактивные консоли кода: Консоли кода в JupyterLab предоставляют интерактивное пространство для проверки фрагментов кода или функций. Они также служат журналом вычислений, выполненных в записной книжке. Создать новую консоль для записной книжки и просмотреть все действия ядра очень просто. Эта функция особенно полезна при проверке новых идей или устранении проблем в коде.
  • Предварительный просмотр Markdown: Работа с файлами Markdown в JupyterLab эффективнее благодаря функции одновременного предварительного просмотра. Когда ты пишешь или редактируешь файл Markdown, отформатированный результат отображается в реальном времени. Так проще убедиться, что документация выглядит идеально, не переключаясь постоянно между режимами редактирования и предварительного просмотра.
  • Запуск кода из текстовых файлов: Если ты делишься текстовым файлом с кодом, JupyterLab позволяет легко запустить его прямо в платформе. Выдели код и нажми Shift + Enter, чтобы выполнить его. Это удобно для быстрой проверки фрагментов кода и помогает убедиться, что опубликованный код работает и не содержит ошибок.

Почему стоит использовать JupyterLab для проектов YOLO26?#

Существует множество платформ для разработки и оценки моделей машинного обучения, поэтому чем JupyterLab выделяется среди них? Давай рассмотрим некоторые уникальные возможности, которые JupyterLab предлагает для проектов машинного обучения:

  • Удобное управление ячейками: Управлять ячейками в JupyterLab очень просто. Вместо неудобного вырезания и вставки можно перетаскивать ячейки, меняя их порядок.
  • Копирование ячеек между записными книжками: JupyterLab упрощает копирование ячеек между разными записными книжками. Можно перетащить ячейки из одной записной книжки в другую.
  • Быстрое переключение на классический вид записной книжки: Если тебе не хватает классического интерфейса Jupyter Notebook, JupyterLab позволяет легко вернуться к нему. Просто замени /lab в URL на /tree, чтобы вернуться к привычному виду записной книжки.
  • Несколько представлений: JupyterLab поддерживает несколько представлений одной записной книжки, что особенно полезно для длинных записных книжек. Можно открыть разные разделы рядом для сравнения или изучения, а изменения, внесенные в одном представлении, отображаются в другом.
  • Настраиваемые темы: JupyterLab включает встроенную темную тему для записных книжек, которая идеально подходит для ночных сеансов программирования. Темы также доступны для текстового редактора и терминала, поэтому можно настроить внешний вид всего рабочего пространства.

Распространенные проблемы при работе с JupyterLab#

При работе с JupyterLab ты можешь столкнуться с некоторыми распространенными проблемами. Вот несколько советов, которые помогут без затруднений работать с платформой:

  • Управление ядрами: Ядра играют ключевую роль, поскольку управляют связью между кодом, который ты пишешь в JupyterLab, и средой, где он выполняется. Они также могут получать доступ к данным и обмениваться ими между записными книжками. После закрытия Jupyter Notebook ядро может продолжать работать, поскольку его могут использовать другие записные книжки. Чтобы полностью завершить работу ядра, выбери его, щелкни правой кнопкой мыши и в контекстном меню выбери «Завершить работу ядра».
  • Установка пакетов Python: Иногда тебе могут понадобиться дополнительные пакеты Python, которые не установлены на сервере заранее. Эти пакеты можно легко установить в домашний каталог или виртуальную среду с помощью команды python -m pip install package-name. Чтобы просмотреть все установленные пакеты, используй python -m pip list.
  • Развертывание API Flask/FastAPI в Posit Connect: Ты можешь развернуть свои API Flask и FastAPI в Posit Connect с помощью пакета rsconnect-python из терминала. Это упрощает интеграцию веб-приложений с JupyterLab и их совместное использование.
  • Установка расширений JupyterLab: JupyterLab поддерживает различные расширения для расширения функциональности. Ты можешь устанавливать и настраивать эти расширения в соответствии со своими потребностями. Подробные инструкции приведены в руководстве по расширениям JupyterLab.
  • Использование нескольких версий Python: Если тебе нужно работать с разными версиями Python, можно использовать ядра Jupyter, настроенные для разных версий Python.

Как использовать JupyterLab для экспериментов с YOLO26#

JupyterLab упрощает эксперименты с YOLO26. Чтобы начать работу, выполни следующие простые шаги.

Шаг 1. Установи JupyterLab#

Сначала установи JupyterLab. Открой терминал и выполни команду:

Установка
# Install the required package for JupyterLab
pip install jupyterlab

Шаг 2. Скачай учебную записную книжку YOLO26#

Затем скачай файл tutorial.ipynb из репозитория Ultralytics на GitHub. Сохрани этот файл в любом каталоге на локальном компьютере.

Шаг 3. Запусти JupyterLab#

С помощью терминала перейди в каталог, где ты сохранил файл записной книжки. Затем выполни следующую команду, чтобы запустить JupyterLab:

Использование
jupyter lab

После выполнения этой команды JupyterLab откроется в браузере по умолчанию, как показано ниже.

Изображение, показывающее открытие JupyterLab в браузере

Шаг 4. Начни экспериментировать#

В JupyterLab открой записную книжку tutorial.ipynb. Теперь можно запускать ячейки, чтобы изучать и тестировать YOLO26.

Изображение открытой записной книжки YOLO26 в JupyterLab

Интерактивная среда JupyterLab позволяет изменять код, визуализировать результаты и документировать выводы в одном месте. Можно пробовать разные конфигурации и разбираться в принципах работы YOLO26.

Чтобы подробно разобраться в процессе обучения моделей и лучших практиках, обратись к руководству по обучению моделей YOLO26. Оно поможет получить максимум от экспериментов и эффективно использовать YOLO26.

Продолжай изучать JupyterLab#

Если ты хочешь узнать больше о JupyterLab, вот несколько ресурсов, с которых можно начать:

  • Документация JupyterLab: Изучи официальную документацию JupyterLab, чтобы познакомиться с его функциями и возможностями. Это отличный способ понять, как использовать этот мощный инструмент максимально эффективно.
  • Попробуй Binder: Экспериментируй с JupyterLab без установки, используя Binder, который позволяет запустить рабочий экземпляр JupyterLab прямо в браузере. Это отличный способ сразу начать эксперименты.
  • Руководство по установке: Пошаговые инструкции по установке JupyterLab на локальный компьютер приведены в руководстве по установке.
  • Обучение Ultralytics YOLO26 с помощью JupyterLab: Узнай больше о практическом применении JupyterLab с моделями YOLO26 в этой подробной статье блога.

Итоги#

Мы рассмотрели, как JupyterLab может стать мощным инструментом для экспериментов с моделями Ultralytics YOLO26. Благодаря гибкой и интерактивной среде можно легко настроить JupyterLab на локальном компьютере и начать работать с YOLO26. JupyterLab упрощает обучение и оценку моделей, визуализацию результатов и документирование выводов в одном месте.

В отличие от других платформ, таких как Google Colab, JupyterLab работает локально на твоем компьютере, предоставляя больше контроля над вычислительной средой и сохраняя интерактивный опыт работы с записными книжками. Это особенно ценно для разработчиков, которым нужен постоянный доступ к среде разработки без зависимости от облачных ресурсов.

Подробнее см. на странице часто задаваемых вопросов о JupyterLab.

Интересуют другие интеграции YOLO26? Посмотри руководство по интеграциям Ultralytics, чтобы изучить дополнительные инструменты и возможности для проектов машинного обучения.

Часто задаваемые вопросы#

  • Чтобы обучить модель YOLO26 с помощью JupyterLab:

    1. Установи JupyterLab и пакет Ultralytics:

      pip install jupyterlab ultralytics

    2. Запусти JupyterLab и открой новую записную книжку.

    3. Импортируй модель YOLO и загрузи предварительно обученную модель:

      from ultralytics import YOLO

model = YOLO("yolo26n.pt")

    4. Обучи модель на своем пользовательском наборе данных:

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

    5. Визуализируй результаты обучения с помощью встроенных возможностей JupyterLab для построения графиков:

      from ultralytics.utils.plotting import plot_results

plot_results("runs/detect/train/results.csv")

    Интерактивная среда JupyterLab позволяет легко изменять параметры, визуализировать результаты и последовательно улучшать процесс обучения модели.

  • JupyterLab предлагает несколько функций, благодаря которым он идеально подходит для проектов YOLO26:

    1. Интерактивное выполнение кода: проверяй и отлаживай фрагменты кода YOLO26 в реальном времени.
    2. Интегрированный обозреватель файлов: легко управляй наборами данных, весами моделей и файлами конфигурации.
    3. Гибкий макет: размещай несколько записных книжек, терминалов и окон вывода рядом для эффективной работы.
    4. Расширенное отображение результатов: визуализируй результаты детектирования YOLO26, кривые обучения и метрики производительности моделей непосредственно в записной книжке.
    5. Поддержка Markdown: документируй эксперименты и выводы по YOLO26 с помощью форматированного текста и изображений.
    6. Экосистема расширений: расширяй функциональность с помощью расширений для контроля версий, удаленных вычислений и других задач.

    Эти функции обеспечивают удобный процесс разработки при работе с моделями YOLO26 — от подготовки данных до развертывания модели.

  • Чтобы оптимизировать производительность модели YOLO26 в JupyterLab:

    1. Используй AutoBatch, чтобы выбрать наибольший размер пакета, который помещается в память GPU:

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

    2. Выполни настройку гиперпараметров с помощью таких библиотек, как Ray Tune:

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

    3. Визуализируй и анализируй метрики модели с помощью возможностей JupyterLab для построения графиков:

      from ultralytics.utils.plotting import plot_results

plot_results("runs/detect/train/results.csv")

    4. Экспериментируй с разными архитектурами моделей и форматами экспорта, чтобы найти оптимальный баланс между скоростью и точностью для конкретного варианта использования.

    Интерактивная среда JupyterLab обеспечивает быстрые итерации и обратную связь в реальном времени, упрощая эффективную оптимизацию моделей YOLO26.

  • При работе с JupyterLab и YOLO26 ты можешь столкнуться с некоторыми распространенными проблемами. Вот способы их решения:

    1. Проблемы с памятью GPU:

      • Используй torch.cuda.empty_cache(), чтобы очищать память GPU между запусками.
      • Измени размер пакета или размер изображения, чтобы они соответствовали объему памяти GPU.

    2. Конфликты пакетов:

      • Создай отдельную среду conda для проектов YOLO26, чтобы избежать конфликтов.
      • Используй !pip install package_name в ячейке записной книжки для установки отсутствующих пакетов.

    3. Сбои ядра:

      • Перезапусти ядро и выполняй ячейки по одной, чтобы определить проблемный код.
      • Проверь код на утечки памяти, особенно при обработке больших наборов данных.
Участники
GLglenn-jocher11RAraimbekovm2RIRizwanMunawar2LALaughing-q2Y-Y-T-G1WIWillieMaddox1MAMatthewNoyce1AMambitious-octopus1ABabirami-vina1

Комментарии