Başla

YOLO26 Modellerini Eğitmek için JupyterLab Kullanım Kılavuzu

Kodun, verilerin ve sonuçların yan yana bulunduğu etkileşimli bir ortamda derin öğrenme modelleri oluşturmak daha kolaydır. JupyterLab, kodlamayı esnek ve etkileşimli hâle getiren web tabanlı bir platformdur. Büyük veri kümelerini işlemek, karmaşık modeller oluşturmak ve başkalarıyla iş birliği yapmak için her şeyi tek bir yerde kullanabilirsin.

JupyterLab'ı Ultralytics YOLO26 modelleri ile ilgili projelerde çalışmak için kullanabilirsin. Bilgisayarından doğrudan denemeler yapmaya ve YOLO26 modellerini eğitmeye başlamana olanak tanır. Bu kılavuzda JupyterLab'ı, temel özelliklerini ve YOLO26 modellerini eğitmek için nasıl kullanabileceğini ele alıyoruz.

JupyterLab nedir?#

JupyterLab; Jupyter not defterleri, kod ve verilerle çalışmak için tasarlanmış açık kaynaklı, web tabanlı bir platformdur. Project Jupyter'ın yeni nesil arayüzüdür ve klasik Jupyter Notebook'u daha esnek bir çalışma alanıyla genişletir.

JupyterLab, not defterleri, metin düzenleyicileri, terminaller ve diğer araçlarla tek bir yerde çalışmana olanak tanır. Esnek tasarımı, çalışma alanını ihtiyaçlarına göre düzenlemene imkân verir ve veri analizi, görselleştirme ve makine öğrenimi gibi görevleri kolaylaştırır. JupyterLab ayrıca araştırma ve veri bilimi ekiplerinin projelerinde işine yarayacak gerçek zamanlı iş birliğini destekler.

JupyterLab'ın Temel Özellikleri#

JupyterLab'ı model geliştirme ve denemeleri için kullanışlı kılan bazı temel özellikler şunlardır:

  • Hepsi Bir Arada Çalışma Alanı: Metin düzenleme, terminal erişimi ve not defterleri için ayrı arayüzlere sahip klasik Jupyter Notebook'un aksine JupyterLab, tüm bu özellikleri tek ve bütünleşik bir ortamda sunar. JPEG, PDF ve CSV dahil çeşitli dosya biçimlerini doğrudan JupyterLab içinde görüntüleyip düzenleyebilir, böylece ihtiyaç duyduğun her şeyi tek bir çalışma alanında tutabilirsin.
  • Esnek Düzenler: Daha verimli çalışmana yardımcı olacak kişiselleştirilmiş bir düzen oluşturmak için sekmeleri sürükleyip bırakabilir ve boyutlarını değiştirebilirsin. Daraltılabilir sol kenar çubuğu; dosya tarayıcısı, çalışan çekirdekler ve komut paleti gibi temel sekmeleri elinin altında tutar. Aynı anda birden fazla pencere açarak çoklu görev yapabilir ve projelerini daha etkili biçimde yönetebilirsin.
  • Etkileşimli Kod Konsolları: JupyterLab'daki kod konsolları, kod parçacıklarını veya işlevleri denemek için etkileşimli bir alan sunar. Ayrıca bir not defterinde yapılan hesaplamaların günlüğü olarak da işlev görür. Bir not defteri için yeni bir konsol oluşturmak ve tüm çekirdek etkinliklerini görüntülemek kolaydır. Bu özellik, özellikle yeni fikirler denerken veya kodundaki sorunları giderirken kullanışlıdır.
  • Markdown Önizlemesi: Eşzamanlı önizleme özelliği sayesinde Markdown dosyalarıyla JupyterLab'da daha verimli çalışabilirsin. Markdown dosyanı yazarken veya düzenlerken biçimlendirilmiş çıktıyı gerçek zamanlı görebilirsin. Böylece düzenleme ve önizleme modları arasında geçiş yapmadan belgelerinin doğru görüntülendiğini kontrol edebilirsin.
  • Metin Dosyalarından Kod Çalıştırma: Kod içeren bir metin dosyasını paylaşıyorsan JupyterLab, kodu doğrudan platform içinde çalıştırmanı kolaylaştırır. Kodu seçip çalıştırmak için Shift + Enter tuşlarına basabilirsin. Bu özellik, kod parçacıklarını hızla doğrulamak ve paylaştığın kodun beklendiği gibi çalıştığını onaylamak için kullanışlıdır.

YOLO26 Projelerinde Neden JupyterLab Kullanmalısın?#

Makine öğrenimi modelleri geliştirmek ve değerlendirmek için birden fazla platform bulunur. JupyterLab'ın makine öğrenimi projelerine yardımcı olan bazı özellikleri şunlardır:

  • Kolay Hücre Yönetimi: Hücreleri kesip yapıştırmak yerine sürükleyip bırakarak not defterinde yeniden sıralayabilirsin.
  • Not Defterleri Arasında Hücre Kopyalama: JupyterLab, hücreleri farklı not defterleri arasında kolayca kopyalamanı sağlar. Hücreleri bir not defterinden diğerine sürükleyip bırakabilirsin.
  • Klasik Not Defteri Görünümüne Kolayca Geçiş: Klasik Jupyter Notebook arayüzünü özleyenler için JupyterLab, kolayca geri dönme seçeneği sunar. Tanıdık not defteri görünümüne dönmek için URL'deki /lab ifadesini /tree ile değiştirmen yeterlidir.
  • Birden Çok Görünüm: JupyterLab, özellikle uzun not defterleri için kullanışlı olan aynı not defterinin birden fazla görünümünü destekler. Karşılaştırma veya inceleme için farklı bölümleri yan yana açabilirsin; bir görünümde yapılan tüm değişiklikler diğerine de yansır.
  • Özelleştirilebilir Temalar: JupyterLab, not defteri için yerleşik bir Koyu tema içerir. Metin düzenleyici ve terminal için de temalar bulunur; böylece tüm çalışma alanının görünümünü özelleştirebilirsin.

JupyterLab Kullanırken Karşılaşılan Yaygın Sorunlar#

JupyterLab ile çalışırken bazı yaygın sorunlarla karşılaşabilirsin. Platformda sorunsuz çalışmana yardımcı olacak birkaç ipucu:

  • Çekirdekleri Yönetme: Çekirdekler önemlidir; çünkü JupyterLab'de yazdığın kod ile kodun çalıştığı ortam arasındaki bağlantıyı yönetirler. Bir Jupyter Not Defteri'ni kapattığında çekirdek sunucuda çalışmaya devam eder, böylece daha sonra uzun süren işlerine geri dönebilirsin. Bir çekirdeği tamamen kapatmak istersen çekirdeği seçip sağ tıkla ve açılır menüden "Çekirdeği Kapat" seçeneğini belirle.
  • Python Paketlerini Yükleme: Bazen sunucuda önceden yüklü olmayan ek Python paketlerine ihtiyaç duyabilirsin. python -m pip install package-name komutunu kullanarak bu paketleri ana dizinine veya sanal ortama yükleyebilirsin. Yüklü tüm paketleri görmek için python -m pip list komutunu kullan.
  • Flask/FastAPI API'sini Posit Connect'e Dağıtma: Flask ve FastAPI API'lerini terminalden rsconnect-python paketini kullanarak Posit Connect'e dağıtabilirsin. Böylece web uygulamalarını JupyterLab ile bütünleştirmek ve başkalarıyla paylaşmak kolaylaşır.
  • JupyterLab Uzantılarını Yükleme: JupyterLab, işlevselliği artırmak için çeşitli uzantıları destekler. Bu uzantıları ihtiyaçlarına göre yükleyip özelleştirebilirsin.
  • Python'ın Birden Fazla Sürümünü Kullanma: Farklı Python sürümleriyle çalışman gerekiyorsa farklı Python sürümleriyle yapılandırılmış Jupyter çekirdeklerini kullanabilirsin.

YOLO26'yı Denemek için JupyterLab Nasıl Kullanılır?#

JupyterLab, YOLO26 ile denemeler yapmayı kolaylaştırır. Başlamak için şu adımları izle.

Adım 1: JupyterLab'ı Yükle#

Öncelikle JupyterLab'ı yüklemen gerekiyor. Terminalini aç ve şu komutu çalıştır:

Kurulum
# Install the required package for JupyterLab
pip install jupyterlab

Adım 2: YOLO26 Eğitimi Not Defterini İndir#

Ardından, Ultralytics GitHub deposundan tutorial.ipynb dosyasını indir. Bu dosyayı yerel bilgisayarındaki herhangi bir dizine kaydet.

Adım 3: JupyterLab'ı Başlat#

Terminalini kullanarak not defteri dosyasını kaydettiğin dizine git. Ardından JupyterLab'ı başlatmak için şu komutu çalıştır:

Kullanım
jupyter lab

Bu komutu çalıştırdığında, aşağıda gösterildiği gibi JupyterLab varsayılan web tarayıcında açılır.

Web tarayıcısında açık JupyterLab arayüzü

Adım 4: Denemelere Başla#

JupyterLab'de tutorial.ipynb not defterini aç. Artık YOLO26'yı keşfetmek ve denemeler yapmak için hücreleri çalıştırmaya başlayabilirsin.

JupyterLab'da açık Ultralytics YOLO26 eğitim not defteri

JupyterLab'in etkileşimli ortamı, kodu değiştirmene, çıktıları görselleştirmene ve bulgularını tek bir yerde belgelemeni sağlar. Farklı yapılandırmaları deneyebilir ve YOLO26'nın nasıl çalıştığını anlayabilirsin.

Model eğitim süreci ve en iyi uygulamalar hakkında ayrıntılı bilgi için YOLO26 Model Eğitimi kılavuzuna başvur. Bu kılavuz, deneylerinden en iyi şekilde yararlanmana ve YOLO26'yı etkili biçimde kullandığından emin olmana yardımcı olur.

JupyterLab Hakkında Öğrenmeye Devam Et#

JupyterLab hakkında daha fazla bilgi edinmek istiyorsan, başlangıç için şu kaynaklara göz at:

  • JupyterLab Belgeleri: JupyterLab'ın özelliklerini ve yeteneklerini resmi belgelerinde incele.
  • Binder ile Dene: Tarayıcında doğrudan canlı bir JupyterLab örneği başlatmanı sağlayan Binder'ı kullanarak hiçbir şey yüklemeden JupyterLab'ı dene.
  • Kurulum Kılavuzu: JupyterLab'i yerel makineye yüklemeye yönelik adım adım bir kılavuz için kurulum kılavuzuna göz at.
  • JupyterLab Kullanarak Ultralytics YOLO11'i Eğit: Bu blog yazısında JupyterLab'ı Ultralytics YOLO modelleriyle kullanmanın pratik uygulamaları hakkında daha fazla bilgi edin.

Özet#

Bu kılavuzda, Ultralytics YOLO26 modellerini denemek için JupyterLab'ın nasıl kullanılacağını gösterdik. JupyterLab'ı yerel makinenizde kurup dakikalar içinde YOLO26 ile çalışmaya başlayabilirsin. JupyterLab, modellerini tek bir yerde eğitmeyi ve değerlendirmeyi, çıktıları görselleştirmeyi ve bulgularını belgelemeyi kolaylaştırır.

Google Colab gibi bulut platformlarından farklı olarak JupyterLab, makinenizde yerel olarak çalışır ve etkileşimli bir not defteri deneyimi sunarken bilgi işlem ortamınız üzerinde daha fazla kontrol sağlar. Bu özelliği, bulut kaynaklarına bağlı kalmadan geliştirme ortamlarına sürekli erişmesi gereken geliştiriciler için özellikle kullanışlı kılar.

Daha fazla bilgi için JupyterLab SSS Sayfası adresini ziyaret et.

Sık Sorulan Sorular#

  • JupyterLab kullanarak bir YOLO26 modelini eğitmek için:

    1. JupyterLab'i ve Ultralytics paketini yükle:

      pip install jupyterlab ultralytics
    2. JupyterLab'i başlat ve yeni bir not defteri aç.

    3. YOLO sınıfını içe aktar ve önceden eğitilmiş bir YOLO26n modeli yükle:

      from ultralytics import YOLO
      
      model = YOLO("yolo26n.pt")
    4. Modeli özel veri kümenle eğit:

      results = model.train(data="path/to/your/data.yaml", epochs=100, imgsz=640)
    5. Eğitim sonuçlarını JupyterLab'in yerleşik çizim özelliklerini kullanarak görselleştir:

      from ultralytics.utils.plotting import plot_results
      
      plot_results("runs/detect/train/results.csv")  # results.png dosyasını results.csv dosyasının yanına kaydeder

    JupyterLab'ın etkileşimli ortamı parametreleri değiştirmeni, sonuçları görselleştirmeni ve model eğitim sürecinde yinelemeler yapmanı sağlar.

  • JupyterLab, YOLO26 projelerine uygun çeşitli özellikler sunar:

    1. Etkileşimli kod yürütme: YOLO26 kod parçacıklarını gerçek zamanlı olarak test et ve hata ayıkla.
    2. Entegre dosya tarayıcısı: Veri kümelerini, model ağırlıklarını ve yapılandırma dosyalarını kolayca yönet.
    3. Esnek düzen: Verimli bir iş akışı için birden fazla not defterini, terminali ve çıktı penceresini yan yana düzenle.
    4. Zengin çıktı görüntüleme: YOLO26 algılama sonuçlarını, eğitim eğrilerini ve model performans ölçümlerini satır içinde görselleştir.
    5. Markdown desteği: YOLO26 denemelerini ve bulgularını zengin metin ve görsellerle belgele.
    6. Eklenti ekosistemi: Sürüm denetimi, uzak bilgi işlem ve daha fazlası için eklentilerle işlevleri geliştir.

    Bu özellikler, veri hazırlığından model dağıtımına kadar YOLO26 modelleriyle çalışırken sorunsuz bir iş akışı sağlar.

  • JupyterLab'de YOLO26 model performansını iyileştirmek için:

    1. GPU belleğine sığan en büyük batch boyutunu seçmek için AutoBatch'i kullan:

      results = model.train(data="path/to/data.yaml", batch=-1)
    2. Ray Tune gibi kütüphaneleri kullanarak hiperparametre ayarlamayı uygula:

      result_grid = model.tune(data="path/to/data.yaml", use_ray=True)
    3. Model ölçümlerini JupyterLab'in çizim özelliklerini kullanarak görselleştir ve analiz et:

      from ultralytics.utils.plotting import plot_results
      
      plot_results("runs/detect/train/results.csv")  # results.png dosyasını results.csv dosyasının yanına kaydeder
    4. Belirli kullanım durumun için hız ve doğruluk arasında en iyi dengeyi bulmak üzere farklı model mimarilerini ve dışa aktarma biçimlerini dene.

    JupyterLab'ın etkileşimli ortamı hızlı yinelemelere ve gerçek zamanlı geri bildirime olanak tanıyarak YOLO26 modellerini optimize etmeyi kolaylaştırır.

  • JupyterLab ve YOLO26 ile çalışırken bazı yaygın sorunlarla karşılaşabilirsin. Bunları şöyle çözebilirsin:

    1. GPU belleği sorunları:

      • Çalıştırmalar arasında GPU belleğini temizlemek için torch.cuda.empty_cache() kullan.
      • GPU belleğine sığması için batch boyutunu veya görüntü boyutunu ayarla.
    2. Paket çakışmaları:

      • Çakışmaları önlemek için YOLO26 projelerine özel ayrı bir conda ortamı oluştur.
      • Eksik paketleri yüklemek için not defterindeki bir hücrede !pip install package_name kullan.
    3. Çekirdek çökmeleri:

      • Soruna yol açan kodu belirlemek için çekirdeği yeniden başlat ve hücreleri tek tek çalıştır.
      • Özellikle büyük veri kümelerini işlerken kodunda bellek sızıntısı olup olmadığını kontrol et.

Yorumlar2

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.

  1. new-phpGitHub

    "This guide seems helpful, but there are a few things that could be improved. The steps for training YOLO11 models in JupyterLab are unclear in some parts, and it would be great to see more detailed explanations, especially for beginners. I also noticed that some important configurations for training weren’t mentioned, which could cause confusion for users trying to set up the environment correctly.

    It would be really helpful to include sample images or screenshots to clarify key steps. Otherwise, new users might struggle with understanding the exact flow.

    For more details, check out:
    JupyterLab Installation Guide

    This version should come across as more critical and focused on the potential issues. Feel free to adjust further!

    1. Glenn JocherUltralytics

      @new-php thank you for your feedback! We'll review the guide to improve clarity in training steps and configurations. For detailed YOLO11 training examples in JupyterLab, see our FAQ section with code snippets and best practices. Visual enhancements are planned for future updates.