使用 JupyterLab 集成训练 Ultralytics YOLO11

开发计算机视觉模型可能会令人兴奋，尤其是当你看到模型表现良好时。通常，计算机视觉开发流程包括几个简单直接的步骤，例如准备数据集和微调模型，如 Ultralytics YOLO11。不过，这个流程中也有一些部分可能会让像你这样的初学者感到困难，例如设置开发环境。这正是 Ultralytics 支持集成（如 JupyterLab）的原因，这些集成可以让这些步骤更加简单。

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，让你可以轻松探索和试验计算机视觉模型。JupyterLab 为你提供了一个集成式工作区。借助它，你可以直接开始探索和构建计算机视觉模型，而不必被安装和设置环境分散注意力。

例如，JupyterLab 提供了运行代码的笔记本、用于创建文档的文本编辑器，以及用于与系统交互的终端等工具和功能。事实上，JupyterLab 让你可以直接在计算机上轻松试验和训练 Ultralytics YOLO11 模型。在本文中，我们将探索它与 YOLO11 的集成、其工作方式以及它带来的优势。

什么是 JupyterLab？#

JupyterLab 是一种基于 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。Project Jupyter 于 2014 年启动，旨在让编码更加交互式且用户友好。JupyterLab 基于 Jupyter Notebook 升级构建，于 2018 年首次发布，常用于数据分析、创建图表和构建机器学习模型等任务。

JupyterLab 让你可以交互式地处理代码和数据，从而轻松试验和探索各种想法。你还可以创建和分享无缝结合代码、文本和可视内容的文档，非常适合协作和演示。此外，其灵活的界面让你可以并排整理笔记本、文本文件和终端等工具，还可以添加插件来进一步扩展其功能，以满足项目需求。

图 1。JupyterLab 的组件。

以下是 JupyterLab 的其他一些有趣功能：

• 轻松创建项目： JupyterLab 让你可以轻松创建和分享项目，其中包含图表、曲线图和仪表板等可视内容，以及图像、视频和其他媒体。

• 与他人协作： 你可以通过分享笔记本并使用 Git 等工具跟踪更改，轻松与他人协作。

• 非常适合初学者： 它在课堂教学中常用于教授编码和数据分析，在研究中用于验证想法，在开发中用于软件测试和管理数据工作流等任务。

使用 JupyterLab 处理 Ultralytics YOLO11 项目#

现在我们已经对 JupyterLab 有了更好的了解，接下来探索 JupyterLab 集成具体包含哪些内容，以及在使用 Ultralytics YOLO11 时如何利用它。

JupyterLab 是处理 Ultralytics YOLO11 模型项目的优秀工具。它提供了一个一体化环境，让你无需在不同平台之间切换即可管理任务和文档，从而简化开发流程。交互式界面让你可以运行代码并立即查看结果，非常适合探索数据或了解 YOLO11 模型的表现。你还可以使用 Plotly 等扩展创建交互式图表，帮助可视化和改进 YOLO11 模型。

例如，假设你正在开展一个涉及医疗领域 AI 的创新项目。你计划自定义训练 Ultralytics YOLO11，帮助医生从 X 射线或 CT 扫描图像中实时检测肿瘤。你可以使用标注的医学图像数据集训练 YOLO11，这些图像会突出显示正常和异常区域。借助 JupyterLab 集成，你可以直接在协作性强且适合编码的环境中训练和微调 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率的工具，让采用医疗领域视觉 AI变得更加简单高效。

JupyterLab 集成的工作方式#

在 JupyterLab 上自定义训练 Ultralytics YOLO11 模型非常简单。该平台类似于其前身 Jupyter Notebook 或 Google Colab，并提供预配置环境，让你可以轻松开始使用。

要为 YOLO11 项目设置 JupyterLab，首先从 Ultralytics GitHub 仓库下载 tutorial.ipynb 文件，并将其保存到首选目录。接下来，打开任意代码编辑器或终端，执行命令 pip install jupyterlab 以安装 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，进入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，你可以逐个单元格运行笔记本中的代码、调整设置并立即查看结果。JupyterLab 让你可以在同一个地方轻松查看输出、记录笔记并尝试不同的配置。

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

要进一步了解训练 Ultralytics YOLO 模型的流程和最佳实践，你可以参考 Ultralytics 官方文档。

选择 JupyterLab 集成：它为何与众不同#

在浏览 Ultralytics 集成文档时，你会注意到有多种集成可供选择。其中一些甚至提供相似的功能。例如，Google Colab 集成提供了笔记本式环境，支持训练 YOLO11，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，重要的是要牢记 JupyterLab 集成的独特之处。

使用 JupyterLab 集成的主要优势之一是支持扩展。这些扩展可以对你的计算机视觉项目产生显著影响，并简化模型开发流程。例如，你可以使用 Git 扩展来跟踪进度、与他人分享工作，并确保代码始终得到良好维护，而且无需离开 JupyterLab 界面。

以下是 JupyterLab 集成可能成为项目优秀选择的其他一些原因：

• 轻松管理单元格： 在 JupyterLab 中管理不同单元格非常简单。你无需使用繁琐的剪切粘贴方式，而是可以拖放单元格来重新排列。

• 跨笔记本复制单元格： 你可以将单元格从一个笔记本拖放到另一个笔记本，轻松地在不同笔记本之间复制单元格。

• 多视图： JupyterLab 支持同一笔记本的多个视图，这对较长的笔记本尤其有用。你可以并排打开不同部分进行比较或探索，在一个视图中所做的任何更改都会显示在另一个视图中。

• 轻松切换到经典笔记本视图： 对于更熟悉经典 Jupyter Notebook 界面的用户，JupyterLab 提供了简单的切换方式。你只需将浏览器链接中的“/lab”替换为“/tree”，即可返回熟悉的笔记本视图。

JupyterLab 集成和 Ultralytics YOLO11 的应用#

接下来，我们来探索一些使用 JupyterLab 集成处理 Ultralytics YOLO11 的实际应用。

例如，从事野生动物监测技术开发的人员可以使用 JupyterLab 集成训练 YOLO11 模型。通过自定义训练 YOLO11，他们可以构建从无人机视频中识别濒危物种的计算机视觉应用。JupyterLab 通过提供用于探索数据、预处理和训练模型的统一工作区，让这一流程更加简单。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，使工作流保持简单有序。

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，Ultralytics YOLO11 与 JupyterLab 的可靠组合还可用于各种现实应用，例如：

• 农业中的计算机视觉： Ultralytics YOLO11 支持多种计算机视觉任务，可帮助从无人机或卫星图像中检测作物疾病、监测植物生长或识别杂草，而 JupyterLab 则可简化数据分析和模型优化。

• 制造业质量控制： Ultralytics YOLO11 可以通过实时分析图像识别装配线上的产品缺陷，而 JupyterLab 则提供集中式环境，用于改进模型和评估结果。

• 物流领域的 AI： 可以使用 YOLO11 自动执行库存跟踪和包裹扫描等任务。YOLO11 会检测图像中的对象，并在对象周围放置边界框以指示其位置；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#

下面快速了解 JupyterLab 集成以独特方式为视觉 AI带来的部分优势：

• 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，让你能够访问强大的计算资源并开展协作研究。

• 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，因此能够适应多样化的工作流。

• 数据集成： JupyterLab 可与数据库、云存储和数据处理工具无缝集成，从而更轻松地处理视觉 AI 训练所需的大型数据集。

要点总结#

JupyterLab 集成是一款实用工具，让使用 Ultralytics YOLO11 等计算机视觉模型变得更加简单。它为你提供了一个统一工作区，让你可以整理数据、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附加组件，你可以专注于构建和改进模型，而不必担心工作环境的设置。

无论你是在帮助保护野生动物、改进医学扫描，还是检查工厂中的产品质量，Ultralytics 支持的 JupyterLab 集成都能让流程更加简单高效。

加入我们的社区，并查看我们的 GitHub 仓库或指南，了解AI。你还可以在我们的解决方案页面上探索制造业中的计算机视觉或自动驾驶汽车中的 AI等更多应用。