使用 JupyterLab 集成训练 Ultralytics YOLO11

研究计算机视觉模型令人兴奋，特别是当你看到模型的表现很好时。通常，计算机视觉开发流程包含几个简单的步骤，比如准备数据集以及微调诸如 Ultralytics YOLO11 这样的模型。然而，这个过程中的某些部分对于初学者来说可能具有挑战性，比如搭建开发环境。这正是 Ultralytics 支持集成 JupyterLab 等工具的原因，它们可以简化这些步骤。

具体来说，JupyterLab integration 提供了一个互动且用户友好的开发环境，让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的工作区。使用它，你可以直接深入探索和构建计算机视觉模型，而不必分心去安装和设置环境。

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。

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。

Fig 1. Components of JupyterLab.

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。

使用 JupyterLab 从事 Ultralytics YOLO11 项目#

既然我们已经更好地了解了什么是 JupyterLab，接下来就让我们探讨一下 JupyterLab 集成究竟包含哪些内容，以及你在使用 Ultralytics YOLO11 时如何利用它。

JupyterLab 是开展使用 Ultralytics YOLO11 模型项目的绝佳工具。它提供了一个多合一的环境，让你可以管理任务和文档而无需在多个平台之间切换，从而简化了开发流程。交互式界面允许你运行代码并即时查看结果，这非常适合探索数据或了解 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，假设你正在从事一个涉及医疗人工智能的创新项目。你正计划自定义训练 Ultralytics YOLO11，以帮助医生在 X 光或 CT 扫描图像中实时进行肿瘤目标检测。YOLO11 可以使用包含正常和异常区域标注的医疗图像数据集进行训练。借助 JupyterLab 集成，你可以直接在协作且对代码友好的环境中训练和微调 YOLO11 模型。它还提供用于管理数据集、运行实验和验证模型准确率的工具，从而使在医疗领域采用视觉 AI 变得更加轻松高效。

JupyterLab 集成的工作原理#

在 JupyterLab 上自定义训练 Ultralytics YOLO11 模型非常简单。该平台与其前身 Jupyter Notebook 或 Google Colab 相似，并提供了一个预配置的环境，让你轻松上手。

要为你的 YOLO11 项目设置 JupyterLab，请首先从 Ultralytics GitHub 仓库下载 tutorial.ipynb 文件并将其保存到你首选的目录中。接下来，打开任何代码编辑器或终端并执行命令 pip install jupyterlab 来安装 JupyterLab。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，导航至保存笔记本文件的目录并运行命令 jupyter lab 以启动平台。这将在你的默认网页浏览器中打开 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，你可以逐个单元格运行笔记本中的代码、调整设置并即时查看结果。JupyterLab 让你可以在一个地方轻松查看输出、做笔记以及尝试不同的设置。

图 3. 在 JupyterLab 界面中打开 Ultralytics YOLO11 tutorial.ipynb 笔记本。

为了更好地理解训练 Ultralytics YOLO 模型的过程和最佳实践，你可以参考官方 Ultralytics 文档。

选择 JupyterLab 集成：为什么它脱颖而出#

在浏览Ultralytics 集成文档时，你会发现有各种各样的集成可供选择。其中一些甚至提供相似的功能。例如，Google Colab 集成提供了一个支持训练 YOLO11 的笔记本式环境，包括针对特定任务对预训练模型进行自定义训练。面对如此多的集成，请务必记住是什么让 JupyterLab 集成变得独一无二。

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。

JupyterLab 集成与 Ultralytics YOLO11 的应用#

接下来，让我们探讨使用 JupyterLab 集成来运行 Ultralytics YOLO11 的一些实际应用。

例如，从事野生动物监测技术的开发者可以使用 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 提供了一个用于探索数据、预处理和训练模型的单一工作区，从而简化了此过程。开发者可以在一个地方运行代码、测试模型和查看结果，从而保持工作流的简单和井然有序。

Fig 4. An example of using Ultralytics YOLO models to detect wildlife species.

除了野生动物保护，Ultralytics YOLO11 与 JupyterLab 的可靠组合还可用于各种实际应用，例如：

• **农业计算机视觉：**Ultralytics YOLO11 对各种计算机视觉任务的支持有助于检测作物病害、监测植物生长或从无人机或卫星图像中识别杂草，同时 JupyterLab 简化了数据分析和模型优化。

• **制造质量控制：**通过实时分析图像，Ultralytics YOLO11 可以识别流水线上的产品缺陷，而 JupyterLab 则为精炼模型和评估结果提供了集中式环境。

• 物流中的 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物体并在其周围放置边界框以指示其位置，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。

JupyterLab 集成的优势#

以下是 JupyterLab 集成使视觉 AI 受益的一些独特方式：

• 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。

关键要点#

JupyterLab 集成是一个实用的工具，能让你更轻松地使用 Ultralytics YOLO11 等计算机视觉模型。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。借助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，例如制造中的计算机视觉或自动驾驶汽车中的 AI。