使用 JupyterLab 集成训练 Ultralytics YOLO11

从事计算机视觉模型的工作令人兴奋，尤其是当你看到模型表现出色时。通常，计算机视觉开发流程包含几个简单的步骤，例如准备数据集和微调模型，比如 Ultralytics YOLO11。然而，对于初学者来说，这一过程中的某些部分可能具有挑战性，比如搭建开发环境。这正是 Ultralytics 支持集成（如 JupyterLab）的原因，它们能让这些步骤变得更简单。

具体来说，JupyterLab 集成 提供了一个交互式且用户友好的开发环境，使探索和试验 计算机视觉模型 变得简单。JupyterLab 为你提供了一个集成工作区。使用它，你可以直接投入到探索和构建计算机视觉模型的工作中，无需为安装和配置环境而分心。

例如，JupyterLab 提供了多种工具和功能，如用于运行代码的 Notebook、用于创建文档的文本编辑器以及用于与系统交互的终端。事实上，JupyterLab 让你能够直接在电脑上轻松试验和训练 Ultralytics YOLO11 模型。在本文中，我们将探索它与 YOLO11 的集成、其工作原理以及它提供的优势。

Link to this section什么是 JupyterLab？#

JupyterLab 是一款基于 Web 的工具，可帮助你在同一个地方编写和运行代码、整理数据并创建可视化报告。它是 Project Jupyter 的一部分，该项目始于 2014 年，旨在让编程更具交互性和用户友好性。作为 Jupyter Notebook 的升级版，它于 2018 年首次发布，常用于分析数据、创建图表和构建机器学习模型等任务。

JupyterLab 让你能够以交互方式处理代码和数据，使试验和探索想法变得简单。你还可以创建和共享无缝结合代码、文本和视觉效果的文档，非常适合协作和演示。此外，其灵活的界面允许你并排整理 Notebook、文本文件和终端等工具，并且可以添加插件以进一步扩展其功能，从而满足你的项目需求。

图 1. JupyterLab 的组件。

以下是 JupyterLab 的一些其他有趣功能：

• 轻松创建项目： JupyterLab 可以轻松创建和共享项目，其中包含图表、图形和仪表板等可视化内容，以及图像、视频和其他媒体。

• 与他人协作： 你可以通过共享 Notebook 并使用 Git 等工具跟踪更改，从而轻松地与他人协作。

• 非常适合初学者： 它在课堂上用于教授编程和数据分析，在研究中用于测试想法，在开发中用于软件测试和管理数据工作流等任务，非常受欢迎。

Link to this section使用 JupyterLab 从事 Ultralytics YOLO11 项目#

现在我们对 JupyterLab 有了更好的了解，让我们探索一下 JupyterLab 集成究竟包含什么，以及在处理 YOLO11 时如何利用它。

JupyterLab 是处理 Ultralytics YOLO11 项目 的绝佳工具。它通过提供一个一体化环境来简化开发过程，你可以在该环境中管理任务和文档，而无需在不同平台之间切换。交互式界面让你能够运行代码并立即看到结果，这非常适合探索数据或了解你的 YOLO11 模型的性能。你还可以使用 Plotly 等扩展来创建交互式图表，帮助可视化和优化你的 YOLO11 模型。

例如，假设你正在进行一个涉及医疗保健领域 AI 的创新项目。你计划 自定义训练 YOLO11，以协助医生实时识别 X 光或 CT 扫描图像中的肿瘤。YOLO11 可以使用标记有正常和异常区域的医学图像数据集进行训练。通过 JupyterLab 集成，你可以在一个协作、代码友好的环境中直接训练和微调 YOLO11 模型。它还提供了用于管理数据集、运行实验和验证模型准确性的工具，使得在 医疗保健领域采用视觉 AI 变得更加容易和高效。

Link to this sectionJupyterLab 集成的工作原理#

在 JupyterLab 上自定义训练 YOLO11 模型非常直接。该平台类似于其前身 Jupyter Notebook 或 Google Colab，并提供了一个预配置的环境，让你能够轻松上手。

要为你的 YOLO11 项目设置 JupyterLab，请先从 Ultralytics GitHub 仓库下载 tutorial.ipynb 文件，并将其保存到你的首选目录中。接下来，打开任何代码编辑器或终端，执行 pip install jupyterlab 命令来安装 JupyterLab。该平台将自动打开并显示下方所示的窗口。

图 2. JupyterLab 的初始启动页面。

安装完成后，导航到保存 Notebook 文件的目录，然后运行 jupyter lab 命令来启动平台。这将在你的默认 Web 浏览器中打开 JupyterLab，你可以在其中加载 tutorial.ipynb 文件并开始探索 YOLO11。在这个交互式环境中，你可以逐个单元格地运行 Notebook 中的代码、调整设置并立即查看结果。JupyterLab 可以让你在同一个地方轻松查看输出、做笔记并尝试不同的设置。

图 3. 在 JupyterLab 界面中打开 YOLO11 tutorial.ipynb Notebook。

要更好地理解训练 Ultralytics YOLO 模型的流程和最佳实践，你可以参考 官方 Ultralytics 文档。

Link to this section选择 JupyterLab 集成：为什么它脱颖而出#

在浏览 Ultralytics 集成文档 时，你会发现有多种集成可供选择。其中一些甚至提供类似的功能。例如，Google Colab 集成提供了一种支持训练 YOLO11 的 Notebook 式环境，包括针对特定任务对预训练模型进行自定义训练。鉴于有如此多的集成，记住 JupyterLab 集成的独特之处非常重要。

使用 JupyterLab 集成的关键优势之一是它对扩展的支持。这些扩展可以对你的计算机视觉项目产生重大影响，并简化模型开发流程。例如，你可以使用 Git 扩展来跟踪进度、与他人分享你的工作并确保你的代码始终得到良好的维护——所有这些都无需离开 JupyterLab 界面。

以下是 JupyterLab 集成可能成为你项目绝佳选择的其他原因：

• 轻松管理单元格： 管理 JupyterLab 中的不同单元格非常容易。无需繁琐的剪切和粘贴，你可以通过拖放单元格来重新排列它们。

• 跨 Notebook 单元格复制： 你可以通过将单元格从一个 Notebook 拖放到另一个 Notebook，轻松地在不同 Notebook 之间复制单元格。

• 多视图： JupyterLab 支持同一 Notebook 的多个视图，这对于长篇 Notebook 特别有用。你可以并排打开不同的部分进行比较或探索，你在一个视图中所做的任何更改都会出现在另一个视图中。

• 轻松切换回经典 Notebook 视图： 对于那些更熟悉经典 Jupyter Notebook 界面的人，JupyterLab 提供了轻松切换的功能。你可以简单地将浏览器链接中的“/lab”替换为“/tree”，即可返回熟悉的 Notebook 视图。

Link to this sectionJupyterLab 集成与 YOLO11 的应用#

接下来，让我们探索一下使用 JupyterLab 集成进行 YOLO11 开发的一些实际应用。

例如，一名致力于 野生动物监测 技术的开发人员可以使用 JupyterLab 集成来训练 YOLO11 模型。通过自定义训练 YOLO11，他们可以构建计算机视觉应用程序，从无人机影像中识别濒危物种。JupyterLab 通过提供单一的工作区来进行数据探索、预处理和模型训练，从而简化了此过程。开发人员可以在同一个地方运行代码、测试模型并查看结果，从而保持工作流的简洁和有序。

图 4。使用 Ultralytics YOLO 模型检测野生动物物种的示例。

除了野生动物保护之外，YOLO11 和 JupyterLab 的可靠组合还可用于各种现实世界应用，例如：

• 农业计算机视觉： YOLO11 对各种计算机视觉任务的支持可以协助检测农作物病害、监测植物生长或从无人机或卫星图像中识别杂草，而 JupyterLab 则可以简化数据分析和模型优化。

• 制造业质量控制： 通过实时分析图像，YOLO11 可以识别生产线上的产品缺陷，而 JupyterLab 提供了一个集中式环境来优化模型并评估结果。

• 物流领域的 AI： 库存跟踪和包裹扫描等任务可以使用 YOLO11 自动化，它能够检测图像中的对象并在其周围放置边界框以标示其位置，而 JupyterLab 则提供了使用物流数据高效训练、验证和测试模型的工具。

Link to this sectionJupyterLab 集成的优势#

以下快速概览了 JupyterLab 集成对 视觉 AI 整体带来的独特优势：

• 远程访问和可扩展性： 它可以在云平台和远程服务器上运行，从而能够访问强大的计算资源并进行协作研究。

• 支持多种编程语言： 虽然 Python 是最常用的语言，但 JupyterLab 也支持 R、Julia 和 Scala 等其他语言，使其能够灵活适应多样化的工作流。

• 数据集成： JupyterLab 与数据库、云存储和数据处理工具无缝集成，使得处理视觉 AI 训练所需的大型数据集变得更加容易。

Link to this section关键要点#

JupyterLab 集成是一款实用的工具，让使用 YOLO11 等计算机视觉模型的工作变得更简单。它为你提供了一个单一的工作区，你可以在其中整理数据、训练和测试自定义模型，并与其他开发人员协作。凭借其有用的扩展和插件，你可以专注于构建和改进模型，而不必担心配置工作环境。

无论你是致力于保护野生动物、优化医学扫描，还是检查工厂的产品质量，Ultralytics 支持的 JupyterLab 集成都会让整个过程变得更简单、更高效。

加入我们的 社区，查看我们的 GitHub 仓库或指南以 了解 AI。你还可以在我们的解决方案页面上探索更多应用，例如 制造业计算机视觉 或 自动驾驶汽车 AI。