Empezar

Guía para usar JupyterLab para entrenar tus modelos YOLO26

Crear modelos de aprendizaje profundo es más fácil en un entorno interactivo donde el código, los datos y los resultados están juntos. JupyterLab es una plataforma web que permite programar de forma flexible e interactiva. Puedes usarla para gestionar grandes conjuntos de datos, crear modelos complejos y colaborar con otras personas, todo en un mismo lugar.

Puedes usar JupyterLab para trabajar en proyectos relacionados con los modelos Ultralytics YOLO26. Te permite empezar a experimentar con los modelos YOLO26 y a entrenarlos directamente desde tu ordenador. Esta guía explica qué es JupyterLab, cuáles son sus funciones principales y cómo puedes usarlo para entrenar modelos YOLO26.

¿Qué es JupyterLab?#

JupyterLab es una plataforma web de código abierto diseñada para trabajar con notebooks, código y datos de Jupyter. Es la interfaz de nueva generación de Project Jupyter y amplía el Jupyter Notebook clásico con un espacio de trabajo más flexible.

JupyterLab te permite trabajar con notebooks, editores de texto, terminales y otras herramientas en un mismo lugar. Su diseño flexible te permite organizar el espacio de trabajo según tus necesidades y facilita tareas como el análisis de datos, la visualización y el aprendizaje automático. JupyterLab también admite la colaboración en tiempo real, una función útil para proyectos de equipo en investigación y ciencia de datos.

Funciones principales de JupyterLab#

Estas son algunas de las principales funciones que hacen que JupyterLab sea útil para desarrollar y experimentar con modelos:

  • Espacio de trabajo todo en uno: A diferencia del Jupyter Notebook clásico, que tenía interfaces separadas para editar texto, acceder al terminal y trabajar con notebooks, JupyterLab integra todas estas funciones en un entorno único y cohesionado. Puedes ver y editar distintos formatos de archivo, como JPEG, PDF y CSV, directamente en JupyterLab, para tener todo lo que necesitas en un mismo espacio de trabajo.
  • Diseños flexibles: Puedes arrastrar, soltar y cambiar el tamaño de las pestañas para crear un diseño personalizado que te ayude a trabajar de forma más eficiente. La barra lateral izquierda, que puedes contraer, mantiene a mano pestañas esenciales como el explorador de archivos, los kernels en ejecución y la paleta de comandos. Puedes tener varias ventanas abiertas a la vez para realizar varias tareas y gestionar tus proyectos de forma más eficaz.
  • Consolas de código interactivas: Las consolas de código de JupyterLab ofrecen un espacio interactivo para probar fragmentos de código o funciones. También sirven como registro de los cálculos realizados en un cuaderno. Es muy fácil crear una consola para un cuaderno y ver toda la actividad del kernel. Esta función resulta especialmente útil cuando experimentas con ideas nuevas o solucionas problemas de código.
  • Vista previa de Markdown: Trabajar con archivos Markdown es más eficiente en JupyterLab gracias a su función de vista previa simultánea. Mientras escribes o editas el archivo Markdown, puedes ver el resultado con formato en tiempo real. Así es más fácil comprobar que la documentación se muestra correctamente sin alternar entre los modos de edición y vista previa.
  • Ejecutar código desde archivos de texto: Si compartes un archivo de texto que contiene código, JupyterLab te permite ejecutarlo directamente en la plataforma. Puedes seleccionar el código y pulsar Mayús + Intro para ejecutarlo. Esto resulta útil para verificar rápidamente fragmentos de código y confirmar que el código que compartes se ejecuta como esperas.

¿Por qué deberías usar JupyterLab para tus proyectos YOLO26?#

Hay varias plataformas para desarrollar y evaluar modelos de aprendizaje automático. Estas son algunas de las funciones de JupyterLab que ayudan con los proyectos de aprendizaje automático:

  • Gestión sencilla de celdas: En lugar de cortar y pegar celdas, puedes arrastrarlas y soltarlas para reorganizar un notebook.
  • Copiar celdas entre cuadernos: JupyterLab facilita la copia de celdas entre distintos cuadernos. Puedes arrastrar y soltar celdas de un cuaderno a otro.
  • Volver fácilmente a la vista clásica de Notebook: Si echas de menos la interfaz clásica de Jupyter Notebook, JupyterLab te permite volver a ella fácilmente. Solo tienes que sustituir /lab por /tree en la URL para volver a la vista de cuaderno habitual.
  • Varias vistas: JupyterLab admite varias vistas de un mismo cuaderno, algo especialmente útil para los cuadernos largos. Puedes abrir distintas secciones una al lado de la otra para compararlas o explorarlas, y los cambios que hagas en una vista se reflejarán en la otra.
  • Temas personalizables: JupyterLab incluye un tema oscuro para los notebooks. También hay temas para el editor de texto y el terminal, que te permiten personalizar el aspecto de todo el espacio de trabajo.

Problemas habituales al trabajar con JupyterLab#

Al trabajar con JupyterLab, puedes encontrarte con algunos problemas habituales. Aquí tienes algunos consejos para desenvolverte sin dificultades en la plataforma:

  • Gestión de kernels: los kernels son esenciales porque gestionan la conexión entre el código que escribes en JupyterLab y el entorno donde se ejecuta. Cuando cierras un cuaderno de Jupyter, el kernel sigue ejecutándose en el servidor para que puedas retomar más adelante las tareas de larga duración. Si quieres apagar un kernel por completo, selecciónalo, haz clic con el botón derecho y elige «Shut Down Kernel» en el menú emergente.
  • Instalación de paquetes de Python: A veces puede que necesites paquetes de Python adicionales que no estén preinstalados en el servidor. Puedes instalarlos en tu directorio personal o en un entorno virtual con el comando python -m pip install package-name. Para ver todos los paquetes instalados, usa python -m pip list.
  • Implementar API de Flask/FastAPI en Posit Connect: Puedes implementar tus API de Flask y FastAPI en Posit Connect desde el terminal con el paquete rsconnect-python. Así te resultará más fácil integrar tus aplicaciones web con JupyterLab y compartirlas con otras personas.
  • Instalación de extensiones de JupyterLab: JupyterLab admite varias extensiones para ampliar sus funciones. Puedes instalar y personalizar estas extensiones según tus necesidades.
  • Usar varias versiones de Python: Si necesitas trabajar con distintas versiones de Python, puedes usar kernels de Jupyter configurados con diferentes versiones de Python.

Cómo usar JupyterLab para probar YOLO26#

JupyterLab facilita la experimentación con YOLO26. Sigue estos pasos para empezar.

Paso 1: Instalar JupyterLab#

Primero, tienes que instalar JupyterLab. Abre el terminal y ejecuta el comando:

Instalación
# Install the required package for JupyterLab
pip install jupyterlab

Paso 2: Descargar el cuaderno del tutorial de YOLO26#

A continuación, descarga el archivo tutorial.ipynb desde el repositorio de GitHub de Ultralytics. Guarda este archivo en cualquier directorio de tu equipo local.

Paso 3: Iniciar JupyterLab#

Ve al directorio donde guardaste el archivo del cuaderno desde el terminal. A continuación, ejecuta el siguiente comando para iniciar JupyterLab:

Uso
jupyter lab

Cuando ejecutes este comando, se abrirá JupyterLab en el navegador web predeterminado, como se muestra a continuación.

Interfaz de JupyterLab abierta en un navegador web

Paso 4: Empieza a experimentar#

En JupyterLab, abre el cuaderno tutorial.ipynb. Ya puedes empezar a ejecutar las celdas para explorar y experimentar con YOLO26.

Notebook del tutorial de Ultralytics YOLO26 abierto en JupyterLab

El entorno interactivo de JupyterLab te permite modificar código, visualizar resultados y documentar tus conclusiones, todo en un mismo lugar. Puedes probar distintas configuraciones y entender cómo funciona YOLO26.

Para comprender en detalle el proceso de entrenamiento del modelo y las prácticas recomendadas, consulta la guía de entrenamiento del modelo YOLO26. Esta guía te ayudará a sacar el máximo partido a tus experimentos y a asegurarte de que utilizas YOLO26 de forma eficaz.

Sigue aprendiendo sobre JupyterLab#

Si quieres aprender más sobre JupyterLab, aquí tienes algunos recursos para empezar:

  • Documentación de JupyterLab: Explora las funciones y capacidades de JupyterLab en su documentación oficial.
  • Pruébalo con Binder: Experimenta con JupyterLab sin instalar nada gracias a Binder, que te permite iniciar una instancia activa de JupyterLab directamente en el navegador.
  • Guía de instalación: Si quieres una guía paso a paso para instalar JupyterLab en tu equipo local, consulta la guía de instalación.
  • Entrena Ultralytics YOLO11 con JupyterLab: Descubre más sobre las aplicaciones prácticas de JupyterLab con los modelos Ultralytics YOLO en esta entrada del blog.

Resumen#

Esta guía ha mostrado cómo usar JupyterLab para experimentar con los modelos Ultralytics YOLO26. Puedes configurar JupyterLab en tu equipo local y empezar a trabajar con YOLO26 en cuestión de minutos. JupyterLab facilita entrenar y evaluar tus modelos, visualizar los resultados y documentar tus conclusiones, todo en un mismo lugar.

A diferencia de las plataformas en la nube como Google Colab, JupyterLab se ejecuta localmente en tu equipo y te ofrece más control sobre tu entorno informático sin renunciar a la experiencia de los notebooks interactivos. Esto lo hace especialmente útil para desarrolladores que necesitan acceder de forma constante a su entorno de desarrollo sin depender de recursos en la nube.

Para obtener más información, visita la página de preguntas frecuentes de JupyterLab.

Preguntas frecuentes#

  • Para entrenar un modelo YOLO26 con JupyterLab:

    1. Instala JupyterLab y el paquete de Ultralytics:

      pip install jupyterlab ultralytics
    2. Inicia JupyterLab y abre un cuaderno nuevo.

    3. Importa la clase YOLO y carga un modelo YOLO26n preentrenado:

      from ultralytics import YOLO
      
      model = YOLO("yolo26n.pt")
    4. Entrena el modelo con tu conjunto de datos personalizado:

      results = model.train(data="path/to/your/data.yaml", epochs=100, imgsz=640)
    5. Visualiza los resultados del entrenamiento con las funciones de trazado integradas de JupyterLab:

      from ultralytics.utils.plotting import plot_results
      
      plot_results("runs/detect/train/results.csv")  # guarda results.png junto a results.csv

    El entorno interactivo de JupyterLab te permite modificar parámetros, visualizar resultados e iterar en el proceso de entrenamiento del modelo.

  • JupyterLab ofrece varias funciones adecuadas para los proyectos de YOLO26:

    1. Ejecución interactiva de código: prueba y depura fragmentos de código de YOLO26 en tiempo real.
    2. Explorador de archivos integrado: gestiona fácilmente conjuntos de datos, pesos de modelos y archivos de configuración.
    3. Diseño flexible: Organiza varios notebooks, terminales y ventanas de resultados en paralelo para trabajar de forma eficiente.
    4. Visualización enriquecida de resultados: visualiza en línea los resultados de detección de YOLO26, las curvas de entrenamiento y las métricas de rendimiento del modelo.
    5. Compatibilidad con Markdown: documenta tus experimentos y conclusiones con YOLO26 mediante texto enriquecido e imágenes.
    6. Ecosistema de extensiones: amplía las funciones con extensiones para el control de versiones, la computación remota y mucho más.

    Estas funciones permiten trabajar de forma fluida con modelos YOLO26, desde la preparación de datos hasta el despliegue del modelo.

  • Para optimizar el rendimiento de un modelo YOLO26 en JupyterLab:

    1. Usa AutoBatch para elegir el tamaño de lote más grande que quepa en la memoria de la GPU:

      results = model.train(data="path/to/data.yaml", batch=-1)
    2. Implementa el ajuste de hiperparámetros con bibliotecas como Ray Tune:

      result_grid = model.tune(data="path/to/data.yaml", use_ray=True)
    3. Visualiza y analiza las métricas del modelo con las funciones de trazado de JupyterLab:

      from ultralytics.utils.plotting import plot_results
      
      plot_results("runs/detect/train/results.csv")  # guarda results.png junto a results.csv
    4. Experimenta con distintas arquitecturas de modelos y formatos de exportación para encontrar el mejor equilibrio entre velocidad y precisión para tu caso de uso concreto.

    El entorno interactivo de JupyterLab permite iterar rápidamente y obtener comentarios en tiempo real, lo que facilita la optimización de los modelos YOLO26.

  • Al trabajar con JupyterLab y YOLO26, puede que te encuentres con algunos problemas habituales. Así puedes resolverlos:

    1. Problemas de memoria de la GPU:

      • Usa torch.cuda.empty_cache() para liberar memoria de la GPU entre ejecuciones.
      • Ajusta el tamaño de lote o el tamaño de la imagen para que se adapte a la memoria de la GPU.
    2. Conflictos entre paquetes:

      • Crea un entorno de conda independiente para tus proyectos de YOLO26 y evita así los conflictos.
      • Usa !pip install package_name en una celda del cuaderno para instalar los paquetes que falten.
    3. Bloqueos del kernel:

      • Reinicia el kernel y ejecuta las celdas de una en una para identificar el código problemático.
      • Comprueba si hay fugas de memoria en tu código, sobre todo al procesar conjuntos de datos grandes.

Comentarios2

Haz una pregunta, comparte tus resultados o ayuda a otra persona.

  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.