Ultralytics YOLO27:
Get Started

YOLO26 Modellerini Eğitmek için JupyterLab Kullanım Kılavuzu#

Derin öğrenme modelleri oluşturmak, özellikle çalışmak için doğru araçlara veya ortama sahip değilsen zor olabilir. Bu sorunla karşılaşıyorsan JupyterLab senin için doğru çözüm olabilir. JupyterLab, kodlamayı daha esnek ve etkileşimli hâle getiren kullanıcı dostu, web tabanlı bir platformdur. Büyük veri kümelerini işlemek, karmaşık modeller oluşturmak ve hatta başkalarıyla tek bir yerde iş birliği yapmak için JupyterLab'ı kullanabilirsin.

JupyterLab'ı Ultralytics YOLO26 modelleriyle ilgili projeler üzerinde çalışmak için kullanabilirsin. JupyterLab, verimli model geliştirme ve deneyler için harika bir seçenektir. Bilgisayarından doğrudan denemelere başlamanı ve YOLO26 modellerini eğitmeni kolaylaştırır. JupyterLab'ı, temel özelliklerini ve YOLO26 modellerini eğitmek için nasıl kullanabileceğini daha yakından inceleyelim.

JupyterLab nedir?#

JupyterLab; Jupyter not defterleri, kod ve verilerle çalışmak için tasarlanmış, açık kaynaklı ve web tabanlı bir platformdur. Daha çok yönlü ve güçlü bir kullanıcı deneyimi sunan, geleneksel Jupyter Notebook arayüzünün geliştirilmiş sürümüdür.

JupyterLab; not defterleri, metin düzenleyicileri, terminaller ve diğer araçlarla tek bir yerde çalışmanı sağlar. Esnek tasarımı, çalışma alanını ihtiyaçlarına göre düzenlemene olanak tanır ve veri analizi, görselleştirme ve makine öğrenimi gibi görevleri kolaylaştırır. JupyterLab ayrıca gerçek zamanlı iş birliğini destekleyerek araştırma ve veri bilimi ekiplerinin projeleri için idealdir.

JupyterLab'ın Temel Özellikleri#

JupyterLab'ı model geliştirme ve deneyler için harika bir seçenek hâline getiren temel özelliklerden bazıları şunlardır:

  • Hepsi Bir Arada Çalışma Alanı: JupyterLab, tüm veri bilimi ihtiyaçların için tek noktadan çözüm sunar. Metin düzenleme, terminal erişimi ve not defterleri için ayrı arayüzleri olan klasik Jupyter Notebook'tan farklı olarak JupyterLab, tüm bu özellikleri tek ve bütünleşik bir ortamda bir araya getirir. JPEG, PDF ve CSV dâhil çeşitli dosya biçimlerini doğrudan JupyterLab içinde görüntüleyebilir ve düzenleyebilirsin. Hepsi bir arada çalışma alanı, ihtiyaç duyduğun her şeye elinin altında erişmeni sağlar; böylece iş akışını kolaylaştırır ve zamandan tasarruf edersin.
  • Esnek Düzenler: JupyterLab'ın öne çıkan özelliklerinden biri esnek düzenidir. Daha verimli çalışmana yardımcı olan 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 kolayca erişebileceğin bir yerde tutar. Aynı anda birden fazla pencere açarak birden fazla işi yürütebilir 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: Eş zamanlı önizleme özelliği sayesinde Markdown dosyalarıyla JupyterLab'da daha verimli çalışabilirsin. Markdown dosyanı yazarken veya düzenlerken biçimlendirilmiş çıktıyı gerçek zamanlı olarak görebilirsin. Bu özellik, düzenleme ve önizleme modları arasında sürekli geçiş yapmana gerek bırakmadan belgelerinin kusursuz göründüğünü kontrol etmeyi kolaylaştırır.
  • Metin Dosyalarından Kod Çalıştırma: Kod içeren bir metin dosyasını paylaşıyorsan JupyterLab, bu kodu doğrudan platform içinde çalıştırmanı kolaylaştırır. Kodu vurgulayıp Shift + Enter tuşlarına basarak çalıştırabilirsin. Bu özellik, kod parçacıklarını hızlıca doğrulamak için harikadır ve paylaştığın kodun çalışır durumda ve hatasız olmasını sağlamaya yardımcı olur.

YOLO26 Projelerinde Neden JupyterLab Kullanmalısın?#

Makine öğrenimi modelleri geliştirmek ve değerlendirmek için birçok platform var; peki JupyterLab'ı öne çıkaran ne? JupyterLab'ın makine öğrenimi projelerine sunduğu bazı benzersiz özellikleri inceleyelim:

  • Kolay Hücre Yönetimi: JupyterLab'da hücreleri yönetmek çok kolaydır. Zahmetli kesip yapıştırma yöntemi yerine hücreleri sürükleyip bırakarak 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; bu tema gece geç saatlerde kod yazmak için idealdir. Metin düzenleyicisi 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'da yazdığın kod ile kodun çalıştığı ortam arasındaki bağlantıyı yönetirler. Ayrıca not defterleri arasında verilere erişebilir ve bu verileri paylaşabilirler. Jupyter Notebook'u kapattığında, başka not defterleri kullanıyor olabileceği için çekirdek çalışmaya devam edebilir. Bir çekirdeği tamamen kapatmak istiyorsan çekirdeği seçip sağ tıklayabilir ve açılır menüden "Çekirdeği Kapat" seçeneğini belirleyebilirsin.
  • Python Paketlerini Yükleme: Bazen sunucuya önceden yüklenmemiş ek Python paketlerine ihtiyaç duyabilirsin. python -m pip install package-name komutunu kullanarak bu paketleri ana dizinine veya bir sanal ortama kolayca 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. İhtiyaçlarına uygun olacak şekilde bu uzantıları yükleyip özelleştirebilirsin. Ayrıntılı talimatlar ve daha fazla bilgi için JupyterLab Uzantıları Kılavuzu'na başvur.
  • 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'yı denemeyi kolaylaştırır. Başlamak için şu basit 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.

JupyterLab'ın Tarayıcıda Nasıl Açıldığını Gösteren Görsel

Adım 4: Denemelere Başla#

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

JupyterLab'de Açılmış YOLO26 Not Defterini Gösteren Görsel

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: Özelliklerini ve yeteneklerini keşfetmek için resmi JupyterLab belgelerini incele. Bu güçlü aracı tüm potansiyeliyle nasıl kullanacağını anlamanın harika bir yolu.
  • Binder ile Dene: JupyterLab'i hiçbir şey yüklemeden denemek için Binder'ı kullan; Binder, canlı bir JupyterLab örneğini doğrudan tarayıcında başlatmanı sağlar. Hemen denemelere başlamak için harika bir yol.
  • Kurulum Kılavuzu: JupyterLab'i yerel makineye yüklemeye yönelik adım adım bir kılavuz için kurulum kılavuzuna göz at.
  • JupyterLab Kullanarak Ultralytics YOLO26'yı Eğit: Bu ayrıntılı blog yazısında JupyterLab'i YOLO26 modelleriyle kullanmanın pratik uygulamaları hakkında daha fazla bilgi edin.

Özet#

JupyterLab'in Ultralytics YOLO26 modellerini denemek için güçlü bir araç olabileceğini inceledik. Esnek ve etkileşimli ortamı sayesinde JupyterLab'i yerel makinede kolayca kurabilir ve YOLO26 ile çalışmaya başlayabilirsin. JupyterLab, modellerini eğitmeyi ve değerlendirmeyi, çıktıları görselleştirmeyi ve bulgularını belgelemeyi tek bir yerde kolaylaştırır.

Google Colab gibi diğer platformların aksine JupyterLab makinede yerel olarak çalışır; etkileşimli not defteri deneyimini sunarken bilgi işlem ortamın üzerinde daha fazla kontrol sağlar. Bu özellik, bulut kaynaklarına bağlı kalmadan geliştirme ortamlarına tutarlı erişime ihtiyaç duyan geliştiriciler için JupyterLab'i özellikle değerli kılar.

Daha fazla bilgi için JupyterLab SSS Sayfası adresini ziyaret et.

Daha fazla YOLO26 entegrasyonuyla ilgileniyor musun? Makine öğrenmesi projelerin için ek araçları ve özellikleri keşfetmek üzere Ultralytics entegrasyon kılavuzuna göz at.

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 modelini içe aktar ve önceden eğitilmiş bir 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'in etkileşimli ortamı, parametreleri kolayca değiştirmeni, sonuçları görselleştirmeni ve model eğitim sürecini yinelemeli olarak geliştirmeni sağlar.

  • JupyterLab, YOLO26 projeleri için ideal olmasını sağlayan 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 hazırlamadan model dağıtımına kadar YOLO26 modelleriyle çalışırken sorunsuz bir geliştirme deneyimi sunar.

  • 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'in etkileşimli ortamı hızlı yinelemeler ve gerçek zamanlı geri bildirim sağlayarak YOLO26 modellerini verimli bir şekilde iyileştirmeyi 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.
Katkıda Bulunanlar
GLglenn-jocher12RAraimbekovm2RIRizwanMunawar2LALaughing-q2Y-Y-T-G1WIWillieMaddox1MAMatthewNoyce1AMambitious-octopus1ABabirami-vina1

Yorumlar