Редактировать страницу на GitHub (EN)

Руководство по использованию JupyterLab для обучения твоих моделей YOLO26

Создание моделей глубокого обучения может быть сложной задачей, особенно когда у тебя нет подходящих инструментов или окружения. Если ты столкнулся с такой проблемой, JupyterLab может стать для тебя отличным решением. JupyterLab — это удобная веб-платформа, которая делает программирование более гибким и интерактивным. Ты можешь использовать её для работы с большими наборами данных, создания сложных моделей и даже для совместной работы, и всё это в одном месте.

Ты можешь использовать JupyterLab для работы над проектами, связанными с моделями Ultralytics YOLO26. JupyterLab — отличный выбор для эффективной разработки и экспериментов с моделями. Она позволяет легко начать экспериментировать и обучать модели YOLO26 прямо с твоего компьютера. Давай разберем JupyterLab подробнее, узнаем о её ключевых функциях и о том, как использовать её для обучения моделей YOLO26.

Что такое JupyterLab?

JupyterLab — это платформа с открытым исходным кодом, работающая в браузере и предназначенная для работы с блокнотами Jupyter, кодом и данными. Это улучшенная версия традиционного интерфейса Jupyter Notebook, обеспечивающая более гибкий и мощный пользовательский опыт.

JupyterLab позволяет работать с блокнотами, текстовыми редакторами, терминалами и другими инструментами в одном месте. Её гибкий дизайн позволяет организовать рабочее пространство под твои нужды и упрощает выполнение таких задач, как анализ данных, визуализация и машинное обучение. JupyterLab также поддерживает совместную работу в реальном времени, что делает её идеальной для командных проектов в области исследований и Data Science.

Ключевые особенности JupyterLab

Вот основные функции, которые делают JupyterLab отличным выбором для разработки и тестирования моделей:

  • Универсальное рабочее пространство: JupyterLab — это место, где собрано всё необходимое для Data Science. В отличие от классического Jupyter Notebook, где интерфейсы для редактирования текста, работы с терминалом и блокнотами были разделены, JupyterLab объединяет все эти функции в единую среду. Ты можешь просматривать и редактировать различные форматы файлов, включая JPEG, PDF и CSV, прямо в JupyterLab. Универсальное пространство позволяет держать всё под рукой, оптимизируя твой рабочий процесс и экономя время.
  • Гибкая компоновка: Одна из главных особенностей JupyterLab — это гибкий интерфейс. Ты можешь перетаскивать, менять размер и расположение вкладок, создавая индивидуальную компоновку, которая поможет тебе работать эффективнее. Сворачиваемая левая боковая панель обеспечивает быстрый доступ к файловому менеджеру, запущенным ядрам и палитре команд. Ты можешь держать открытыми несколько окон одновременно, что позволяет работать в многозадачном режиме и эффективнее управлять проектами.
  • Интерактивные консоли кода: Консоли кода в JupyterLab предоставляют интерактивное пространство для тестирования фрагментов кода или функций. Они также служат журналом вычислений, выполненных внутри блокнота. Создать новую консоль для блокнота и просмотреть активность ядра очень просто. Эта функция особенно полезна, когда ты экспериментируешь с новыми идеями или отлаживаешь свой код.
  • Предварительный просмотр Markdown: Работа с Markdown-файлами в JupyterLab становится эффективнее благодаря функции одновременного предпросмотра. По мере написания или редактирования Markdown-файла ты можешь видеть отформатированный результат в реальном времени. Это позволяет легко проверить, как выглядит документация, избавляя от необходимости постоянно переключаться между режимами редактирования и предпросмотра.
  • Запуск кода из текстовых файлов: Если ты делишься текстовым файлом с кодом, JupyterLab позволяет легко запустить его прямо внутри платформы. Ты можешь выделить нужный код и нажать Shift + Enter для выполнения. Это отлично подходит для быстрой проверки фрагментов кода и помогает гарантировать, что предоставляемый тобой код функционален и не содержит ошибок.

Почему стоит использовать JupyterLab для твоих проектов с YOLO26?

Существует множество платформ для разработки и оценки моделей машинного обучения, так чем же выделяется JupyterLab? Давай рассмотрим некоторые уникальные аспекты, которые JupyterLab предлагает для твоих проектов по машинному обучению:

  • Удобное управление ячейками: Управлять ячейками в JupyterLab очень просто. Вместо громоздкого копирования и вставки, ты можешь просто перетаскивать ячейки, чтобы изменить их порядок.
  • Копирование ячеек между блокнотами: JupyterLab упрощает копирование ячеек между разными блокнотами. Ты можешь перетаскивать ячейки из одного блокнота в другой.
  • Легкое переключение на классический вид: Для тех, кто скучает по интерфейсу классического Jupyter Notebook, JupyterLab предлагает возможность вернуться назад. Просто замени /lab в URL на /tree, чтобы вернуться к привычному виду блокнота.
  • Множественные представления: JupyterLab поддерживает несколько окон для одного и того же блокнота, что особенно полезно для длинных файлов. Ты можешь открыть разные разделы рядом для сравнения или анализа, при этом любые изменения, сделанные в одном представлении, мгновенно отражаются в другом.
  • Настраиваемые темы: JupyterLab включает встроенную темную тему для блокнотов, которая идеально подходит для ночных сеансов кодинга. Также доступны темы для текстового редактора и терминала, позволяющие 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 тебе увереннее пользоваться платформой:

  • Управление ядрами: Ядра (kernels) играют важную роль, так как они 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 блокнотами. Когда ты закрываешь Jupyter Notebook, ядро может продолжать работать, так как другие блокноты могут его использовать. Если ты хочешь полностью завершить работу ядра, выбери его, нажми правую кнопку мыши и выбери «Shut Down Kernel» во всплывающем меню.
  • Установка пакетов Python: Иногда тебе могут потребоваться дополнительные пакеты Python, которые не предустановлены на сервере. Ты можешь легко установить их в свою домашнюю директорию или виртуальное окружение с помощью команды python -m pip install package-name. Чтобы увидеть все установленные пакеты, используй python -m pip list.
  • Развертывание API Flask/FastAPI в Posit Connect: Ты можешь развернуть свои API на Flask и FastAPI в Posit Connect, используя пакет rsconnect-python из терминала. Это упрощает интеграцию твоих веб-приложений с JupyterLab и обмен ими с другими пользователями.
  • Установка расширений JupyterLab: JupyterLab поддерживает различные расширения для расширения функциональности. Ты можешь устанавливать и настраивать их под свои нужды. Для получения подробных инструкций обратись к руководству по расширениям JupyterLab.
  • Использование нескольких версий Python: Если тебе нужно работать с разными версиями Python, ты можешь использовать ядра Jupyter, настроенные для работы с соответствующими версиями.

Как попробовать YOLO26 с помощью JupyterLab

JupyterLab позволяет легко экспериментировать с YOLO26. Чтобы начать, выполни эти простые шаги.

Шаг 1: Установка JupyterLab

Сначала нужно установить JupyterLab. Открой терминал и выполни команду:

Установка
# Install the required package for JupyterLab
pip install jupyterlab

Шаг 2: Загрузка обучающего блокнота YOLO26

Далее скачай файл tutorial.ipynb из репозитория Ultralytics на GitHub. Сохрани этот файл в любую директорию на своем компьютере.

Шаг 3: Запуск JupyterLab

Перейди в директорию, где ты сохранил файл блокнота, через терминал. Затем выполни следующую команду для запуска JupyterLab:

Использование
jupyter lab

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

Изображение того, как JupyterLab открывается в браузере

Шаг 4: Начни экспериментировать

В JupyterLab открой блокнот tutorial.ipynb. Теперь ты можешь запускать ячейки, чтобы исследовать и экспериментировать с YOLO26.

Изображение открытого блокнота YOLO26 в JupyterLab

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

Для подробного понимания процесса обучения модели и лучших практик обратись к руководству по обучению моделей YOLO26. Это руководство поможет тебе получить максимум от своих экспериментов и гарантирует эффективное использование YOLO26.

Продолжай изучать JupyterLab

Если ты хочешь узнать больше о JupyterLab, вот ресурсы для начала:

  • Документация JupyterLab: Изучи официальную документацию JupyterLab, чтобы узнать о её функциях и возможностях. Это отличный способ понять, как использовать этот мощный инструмент по максимуму.
  • Попробуй с помощью Binder: Экспериментируй с JupyterLab без установки чего-либо, используя Binder, который позволяет запустить экземпляр JupyterLab прямо в браузере. Это отличный способ начать эксперименты немедленно.
  • Руководство по установке: Пошаговое руководство по установке JupyterLab на твой локальный компьютер.
  • Обучение Ultralytics YOLO26 с использованием JupyterLab: Узнай больше о практическом применении JupyterLab с моделями YOLO26 в этой подробной статье в блоге.

Резюме

Мы разобрали, как JupyterLab может быть мощным инструментом для экспериментов с моделями Ultralytics YOLO26. Используя гибкую и интерактивную среду, ты можешь легко настроить JupyterLab на своем компьютере и начать работу с YOLO26. JupyterLab упрощает обучение и оценку твоих моделей, визуализацию результатов и документирование твоих выводов в одном месте.

В отличие от других платформ, таких как Google Colab, JupyterLab работает локально на твоем компьютере, предоставляя тебе больше контроля над вычислительной средой, сохраняя при этом интерактивный опыт работы с блокнотами. Это делает её особенно ценной для разработчиков, которым нужен постоянный доступ к их среде разработки без зависимости от облачных ресурсов.

Для получения дополнительной информации посети страницу FAQ по JupyterLab.

Интересуют другие интеграции YOLO26? Ознакомься с руководством по интеграции Ultralytics, чтобы изучить дополнительные инструменты и возможности для твоих проектов по машинному обучению.

Часто задаваемые вопросы (FAQ)

Как мне использовать JupyterLab для обучения модели YOLO26?

Для обучения модели YOLO26 с использованием JupyterLab:

  1. Установи JupyterLab и пакет Ultralytics:

    pip install jupyterlab ultralytics

  2. Запусти JupyterLab и открой новый блокнот.

  3. Импортируй модель YOLO и загрузи предобученную модель:

    from ultralytics import YOLO

model = YOLO("yolo26n.pt")

  4. Обучи модель на своем собственном наборе данных:

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

  5. Визуализируй результаты обучения, используя встроенные возможности построения графиков JupyterLab:

    import matplotlib

from ultralytics.utils.plotting import plot_results

matplotlib.use("inline")  # or 'notebook' for interactive
plot_results(results)

Интерактивная среда JupyterLab позволяет легко изменять параметры, визуализировать результаты и итерировать процесс обучения твоей модели.

Каковы ключевые особенности JupyterLab, делающие её подходящей для проектов YOLO26?

JupyterLab предлагает несколько функций, которые делают её идеальной для проектов YOLO26:

  1. Интерактивное выполнение кода: Тестируй и отлаживай фрагменты кода YOLO26 в реальном времени.
  2. Встроенный файловый браузер: Легко управляй наборами данных, весами моделей и конфигурационными файлами.
  3. Гибкая компоновка: Размещай несколько блокнотов, терминалов и окон вывода рядом для эффективного рабочего процесса.
  4. Отображение результатов: Визуализируй результаты детекции YOLO26, кривые обучения и метрики производительности модели прямо в блокноте.
  5. Поддержка Markdown: Документируй свои эксперименты с YOLO26 и выводы с помощью форматированного текста и изображений.
  6. Экосистема расширений: Расширяй функциональность с помощью плагинов для контроля версий, удаленных вычислений и многого другого.

Эти функции обеспечивают бесшовный опыт разработки при работе с моделями YOLO26, от подготовки данных до развертывания модели.

Как я могу оптимизировать производительность модели YOLO26 с помощью JupyterLab?

Для оптимизации производительности модели YOLO26 в JupyterLab:

  1. Используй функцию autobatch для определения оптимального размера пакета (batch size):

    from ultralytics.utils.autobatch import autobatch

optimal_batch_size = autobatch(model)

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

    from ultralytics.utils.tuner import run_ray_tune

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

  3. Визуализируй и анализируй метрики модели, используя возможности построения графиков JupyterLab:

    from ultralytics.utils.plotting import plot_results

plot_results(results.results_dict)

  4. Экспериментируй с различными архитектурами моделей и форматами экспорта, чтобы найти лучший баланс между скоростью и точностью для твоей конкретной задачи.

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

Как мне решать распространенные проблемы при работе с JupyterLab и YOLO26?

При работе с JupyterLab и YOLO26 ты можешь столкнуться с некоторыми распространенными проблемами. Вот как с ними справиться:

  1. Проблемы с памятью GPU:

    • Используй torch.cuda.empty_cache() для очистки памяти GPU между запусками.
    • Настрой размер пакета или размер изображения в соответствии с памятью твоего GPU.

  2. Конфликты пакетов:

    • Создавай отдельное окружение conda для своих проектов YOLO26, чтобы избежать конфликтов.
    • Используй !pip install package_name в ячейке блокнота для установки отсутствующих пакетов.

  3. Сбои ядра:

    • Перезапусти ядро и запускай ячейки по одной, чтобы выявить проблемный код.
    • Проверь код на утечки памяти, особенно при обработке больших наборов данных.
Contributors
Редактировать страницу на GitHub (EN)
GLglenn-jocher8RIRizwanMunawar2LALaughing-q2Y-Y-T-G1WIWillie Maddox1MAMatthewNoyce1AMambitious-octopus1ABabirami-vina1

Комментарии