Ultralytics YOLO27:
Get Started

Руководство по использованию JupyterLab для обучения моделей YOLO26#

Разработка моделей глубокого обучения может быть сложной задачей, особенно если у тебя нет подходящих инструментов или среды. Если ты столкнулся с этой проблемой, JupyterLab может стать хорошим решением. JupyterLab — это удобная веб-платформа, которая делает написание кода более гибким и интерактивным. С её помощью можно работать с большими наборами данных, создавать сложные модели и даже взаимодействовать с другими участниками команды — всё в одном месте.

В JupyterLab можно работать над проектами, связанными с моделями Ultralytics YOLO26. JupyterLab отлично подходит для эффективной разработки моделей и экспериментов. На компьютере легко приступить к экспериментам и обучению моделей YOLO26. Давай подробнее рассмотрим JupyterLab, его ключевые возможности и то, как с его помощью обучать модели YOLO26.

Что такое JupyterLab?#

JupyterLab — это веб-платформа с открытым исходным кодом для работы с блокнотами Jupyter, кодом и данными. Она представляет собой усовершенствованную версию классического интерфейса Jupyter Notebook, обеспечивающую более гибкие и широкие возможности.

JupyterLab позволяет работать в одном месте с блокнотами, текстовыми редакторами, терминалами и другими инструментами. Благодаря гибкому дизайну можно организовать рабочее пространство под свои задачи и упростить такие процессы, как анализ данных, визуализация и машинное обучение. JupyterLab также поддерживает совместную работу в реальном времени, что делает его идеальным инструментом для командных проектов в исследованиях и анализе данных.

Ключевые возможности JupyterLab#

Вот несколько ключевых возможностей, благодаря которым JupyterLab отлично подходит для разработки моделей и экспериментов:

  • Единое рабочее пространство: JupyterLab — универсальная среда для всех задач в области анализа данных. В отличие от классического Jupyter Notebook, где редактирование текста, доступ к терминалу и работа с блокнотами были разделены между разными интерфейсами, JupyterLab объединяет все эти функции в единой среде. В JupyterLab можно просматривать и редактировать файлы различных форматов, включая JPEG, PDF и CSV. Единое рабочее пространство обеспечивает быстрый доступ ко всему необходимому, упрощает рабочий процесс и экономит время.
  • Гибкая компоновка: Одна из главных особенностей JupyterLab — гибкая компоновка. Перетаскивай вкладки, меняй их расположение и размер, чтобы создать удобное рабочее пространство и работать эффективнее. Сворачиваемая боковая панель слева обеспечивает быстрый доступ к важным вкладкам, например к файловому браузеру, запущенным ядрам и палитре команд. Можно одновременно открыть несколько окон, чтобы эффективно переключаться между задачами и управлять проектами.
  • Интерактивные консоли кода: Консоли кода в JupyterLab предоставляют интерактивную среду для проверки фрагментов кода и функций. Они также служат журналом вычислений, выполненных в блокноте. Создать новую консоль для блокнота и просмотреть все действия ядра просто. Эта возможность особенно полезна при проверке новых идей и устранении ошибок в коде.
  • Предварительный просмотр Markdown: Благодаря функции одновременного предварительного просмотра работать с файлами Markdown в JupyterLab эффективнее. Во время написания или редактирования файла Markdown можно сразу видеть отформатированный результат. Так проще убедиться, что документация выглядит как надо, и не нужно постоянно переключаться между режимами редактирования и предварительного просмотра.
  • Запуск кода из текстовых файлов: Если ты делишься текстовым файлом с кодом, JupyterLab позволяет легко запускать его прямо на платформе. Выдели код и нажми Shift + Enter, чтобы выполнить его. Это удобно для быстрой проверки фрагментов кода и помогает убедиться, что код, которым ты делишься, работает и не содержит ошибок.

Почему стоит использовать JupyterLab для проектов с YOLO26?#

Для разработки и оценки моделей машинного обучения существует множество платформ. Чем же выделяется JupyterLab? Рассмотрим уникальные возможности JupyterLab для проектов машинного обучения:

  • Удобное управление ячейками: Управлять ячейками в JupyterLab очень просто. Вместо неудобного вырезания и вставки можно просто перетаскивать ячейки, меняя их порядок.
  • Копирование ячеек между блокнотами: В JupyterLab легко копировать ячейки из одного блокнота в другой. Просто перетащи ячейки из одного блокнота в другой.
  • Быстрое переключение на классический интерфейс блокнота: Если тебе не хватает классического интерфейса Jupyter Notebook, в JupyterLab можно легко к нему вернуться. Просто замени /lab в URL на /tree, чтобы перейти к привычному интерфейсу блокнота.
  • Несколько представлений: JupyterLab поддерживает несколько представлений одного блокнота, что особенно полезно при работе с длинными блокнотами. Можно открыть разные разделы рядом, чтобы сравнить их или изучить, а изменения, внесённые в одном представлении, отобразятся и в другом.
  • Настраиваемые темы: В JupyterLab есть встроенная тёмная тема для блокнота, которая отлично подходит для ночной работы с кодом. Для текстового редактора и терминала также доступны темы, позволяющие настроить оформление всего рабочего пространства.

Частые проблемы при работе с JupyterLab#

При работе с JupyterLab могут возникнуть некоторые типичные проблемы. Вот несколько советов, которые помогут уверенно пользоваться платформой:

  • Управление ядрами: Ядра важны, поскольку обеспечивают связь между кодом, который ты пишешь в JupyterLab, и средой, в которой он выполняется. Они также могут получать доступ к данным и обмениваться ими между блокнотами. После закрытия Jupyter Notebook ядро может продолжить работу, поскольку его могут использовать другие блокноты. Чтобы полностью остановить ядро, выбери его, щёлкни правой кнопкой мыши и выбери «Shut Down Kernel» во всплывающем меню.
  • Установка пакетов Python: Иногда могут понадобиться дополнительные пакеты Python, которые не установлены на сервере. Их легко установить в домашний каталог или виртуальную среду с помощью команды python -m pip install package-name. Чтобы посмотреть все установленные пакеты, используй python -m pip list.
  • Развёртывание API Flask/FastAPI в Posit Connect: Развернуть API Flask и FastAPI в Posit Connect можно из терминала с помощью пакета rsconnect-python. Это упрощает интеграцию веб-приложений с JupyterLab и обмен ими с другими пользователями.
  • Установка расширений JupyterLab: JupyterLab поддерживает различные расширения, расширяющие его возможности. Их можно устанавливать и настраивать под свои задачи. Подробные инструкции см. в руководстве по расширениям JupyterLab.
  • Использование разных версий Python: Если тебе нужно работать с разными версиями Python, можно использовать ядра Jupyter, настроенные на соответствующие версии Python.

Как использовать JupyterLab для экспериментов с YOLO26#

В JupyterLab легко экспериментировать с YOLO26. Чтобы начать, выполни несколько простых шагов.

Шаг 1: установка JupyterLab#

Сначала установи JupyterLab. Открой терминал и выполни команду:

Установка
# Install the required package for JupyterLab
pip install jupyterlab

Шаг 2: скачивание блокнота с руководством по YOLO26#

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

Шаг 3: запуск JupyterLab#

В терминале перейди в каталог, где сохранён файл блокнота. 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, как JupyterLab открывается в браузере

Шаг 4. Начни экспериментировать#

В JupyterLab открой блокнот tutorial.ipynb. Теперь можно запускать ячейки, чтобы изучать YOLO26 и экспериментировать с ним.

Изображение открытого блокнота YOLO26 в JupyterLab

Интерактивная среда JupyterLab позволяет изменять код, визуализировать результаты и документировать свои наблюдения в одном месте. Ты можешь пробовать разные конфигурации и разбираться, как работает YOLO26.

Чтобы подробно разобраться в процессе обучения модели и лучших практиках, обратись к руководству по обучению модели YOLO26. Это руководство поможет извлечь максимум пользы из 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 ознакомиться с его функциями и возможностями. Это отличный способ понять, как использовать этот мощный инструмент с максимальной эффективностью.
  • Попробуй Binder: экспериментируй с JupyterLab без установки, используя Binder. Он позволяет запустить работающий экземпляр JupyterLab прямо в браузере. Это отличный способ сразу приступить к экспериментам.
  • Руководство по установке: пошаговую инструкцию по установке JupyterLab на свой компьютер смотри в руководстве по установке.
  • Обучи 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 интерактивной среде ты можешь легко настроить JupyterLab на своём компьютере и начать работать с YOLO26. JupyterLab позволяет легко обучать и оценивать модели, визуализировать результаты и документировать свои наблюдения в одном месте.

В отличие от таких платформ, как Google Colab, JupyterLab работает локально на твоём компьютере. Это даёт тебе больше контроля над вычислительной средой и при этом обеспечивает интерактивную работу с блокнотами. Поэтому JupyterLab особенно полезен разработчикам, которым нужен постоянный доступ к своей среде разработки без зависимости от облачных ресурсов.

Подробнее смотри на странице часто задаваемых вопросов о JupyterLab.

Интересуешься другими интеграциями YOLO26? Изучи руководство по интеграциям Ultralytics, чтобы узнать о дополнительных инструментах и возможностях 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 новый блокнот.

    3. Импортируй модель YOLO и загрузи предварительно обученную модель:

      from ultralytics import YOLO

model = YOLO("yolo26n.pt")

    4. Обучи модель на своём наборе данных:

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

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

      from ultralytics.utils.plotting import plot_results

plot_results("runs/detect/train/results.csv")  # сохраняет results.png рядом с results.csv

    Интерактивная среда JupyterLab позволяет легко менять параметры, визуализировать результаты и итеративно улучшать процесс обучения модели.

  • JupyterLab предлагает несколько функций, которые делают его идеальным для проектов YOLO26:

    1. Интерактивное выполнение кода: проверяй и отлаживай фрагменты кода YOLO26 в реальном времени.
    2. Встроенный файловый браузер: легко управляй наборами данных, весами моделей и файлами конфигурации.
    3. Гибкая компоновка: размещай несколько блокнотов, терминалов и окон вывода рядом друг с другом, чтобы работать эффективнее.
    4. Наглядное отображение результатов: визуализируй результаты обнаружения объектов YOLO26, кривые обучения и метрики производительности модели прямо в блокноте.
    5. Поддержка Markdown: документируй эксперименты с YOLO26 и свои наблюдения с помощью форматированного текста и изображений.
    6. Экосистема расширений: расширяй функциональность с помощью расширений для контроля версий, удалённых вычислений и других задач.

    Эти функции обеспечивают удобную среду разработки для работы с моделями YOLO26 — от подготовки данных до развёртывания модели.

  • Чтобы оптимизировать производительность модели YOLO26 в JupyterLab:

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

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

    2. Выполняй подбор 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")  # сохраняет results.png рядом с results.csv

    4. Экспериментируй с различными архитектурами моделей и форматами экспорта, чтобы найти оптимальный баланс скорости и точности для своего конкретного сценария использования.

    Интерактивная среда JupyterLab позволяет быстро выполнять итерации и получать обратную связь в реальном времени, упрощая эффективную оптимизацию моделей YOLO26.

  • При работе с JupyterLab и YOLO26 ты можешь столкнуться с некоторыми распространёнными проблемами. Вот как их решить:

    1. Проблемы с памятью GPU:

      • Используй torch.cuda.empty_cache(), чтобы очищать память GPU между запусками.
      • Измени размер пакета или размер изображения, чтобы уложиться в объём памяти GPU.

    2. Конфликты пакетов:

      • Создай отдельную среду conda для проектов YOLO26, чтобы избежать конфликтов.
      • Используй !pip install package_name в ячейке блокнота, чтобы установить недостающие пакеты.

    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-jocher12RAraimbekovm2RIRizwanMunawar2LALaughing-q2Y-Y-T-G1WIWillieMaddox1MAMatthewNoyce1AMambitious-octopus1ABabirami-vina1

Комментарии