Guide d'utilisation de JupyterLab pour entraîner tes modèles YOLO26
La création de modèles de deep learning est plus facile dans un environnement interactif où le code, les données et les résultats sont réunis. JupyterLab est une plateforme Web qui rend le codage flexible et interactif. Tu peux l’utiliser pour gérer de grands jeux de données, créer des modèles complexes et collaborer avec d’autres personnes, le tout au même endroit.
Tu peux utiliser JupyterLab pour travailler sur des projets liés aux modèles Ultralytics YOLO26. JupyterLab te permet de commencer à expérimenter avec les modèles YOLO26 et à les entraîner directement depuis ton ordinateur. Ce guide présente JupyterLab, ses principales fonctionnalités et la manière dont tu peux l’utiliser pour entraîner des modèles YOLO26.
Qu'est-ce que JupyterLab ?#
JupyterLab est une plateforme Web open source conçue pour travailler avec des notebooks Jupyter, du code et des données. Il s’agit de l’interface de nouvelle génération de Project Jupyter, qui enrichit le Jupyter Notebook classique d’un espace de travail plus flexible.
JupyterLab te permet de travailler avec des notebooks, des éditeurs de texte, des terminaux et d’autres outils au même endroit. Sa conception flexible te permet d’organiser ton espace de travail selon tes besoins et facilite des tâches comme l’analyse de données, la visualisation et le machine learning. JupyterLab prend également en charge la collaboration en temps réel, ce qui est utile pour les projets d’équipe en recherche et en science des données.
Principales fonctionnalités de JupyterLab#
Voici quelques-unes des principales fonctionnalités qui rendent JupyterLab utile pour le développement et l’expérimentation de modèles :
- Espace de travail tout-en-un : contrairement au Jupyter Notebook classique, qui disposait d’interfaces distinctes pour l’édition de texte, l’accès au terminal et les notebooks, JupyterLab intègre toutes ces fonctionnalités dans un environnement unique et cohérent. Tu peux afficher et modifier différents formats de fichiers, notamment JPEG, PDF et CSV, directement dans JupyterLab, afin de tout garder dans un seul espace de travail.
- Mises en page flexibles : tu peux faire glisser, déposer et redimensionner les onglets pour créer une mise en page personnalisée qui t’aide à travailler plus efficacement. La barre latérale gauche rétractable te permet d’accéder facilement aux onglets essentiels, comme l’explorateur de fichiers, les noyaux en cours d’exécution et la palette de commandes. Tu peux ouvrir plusieurs fenêtres à la fois pour effectuer plusieurs tâches et gérer tes projets plus efficacement.
- Consoles de code interactives : Les consoles de code de JupyterLab offrent un espace interactif pour tester des extraits de code ou des fonctions. Elles servent également de journal des calculs effectués dans un notebook. Créer une nouvelle console pour un notebook et afficher l'activité de tous les noyaux est simple. Cette fonctionnalité est particulièrement utile lorsque tu testes de nouvelles idées ou que tu résous des problèmes dans ton code.
- Aperçu Markdown : travailler avec des fichiers Markdown est plus efficace dans JupyterLab grâce à sa fonction d’aperçu simultané. Pendant que tu écris ou modifies ton fichier Markdown, tu peux voir le résultat mis en forme en temps réel. Il est ainsi plus facile de vérifier le rendu correct de ta documentation sans passer du mode édition au mode aperçu.
- Exécuter du code à partir de fichiers texte : si tu partages un fichier texte contenant du code, JupyterLab permet de l’exécuter facilement directement dans la plateforme. Tu peux sélectionner le code et appuyer sur Maj + Entrée pour l’exécuter. C’est pratique pour vérifier rapidement des extraits de code et confirmer que le code que tu partages s’exécute comme prévu.
Pourquoi utiliser JupyterLab pour tes projets YOLO26 ?#
Il existe plusieurs plateformes pour développer et évaluer des modèles de machine learning. Voici quelques aspects de JupyterLab utiles pour les projets de machine learning :
- Gestion facile des cellules : au lieu de couper et coller des cellules, tu peux les faire glisser et les déposer pour réorganiser un notebook.
- Copie de cellules entre notebooks : JupyterLab facilite la copie de cellules entre différents notebooks. Tu peux faire glisser et déposer des cellules d'un notebook à un autre.
- Retour facile à l'affichage classique des notebooks : Si l'interface classique de Jupyter Notebook te manque, JupyterLab te permet facilement d'y revenir. Remplace simplement
/labdans l'URL par/treepour retrouver l'affichage familier des notebooks. - Vues multiples : JupyterLab permet d'afficher un même notebook de plusieurs façons, ce qui est particulièrement utile pour les notebooks volumineux. Tu peux ouvrir différentes sections côte à côte pour les comparer ou les explorer, et les modifications apportées dans une vue apparaissent aussi dans l'autre.
- Thèmes personnalisables : JupyterLab comprend un thème sombre intégré pour les notebooks. Des thèmes sont également disponibles pour l’éditeur de texte et le terminal, ce qui te permet de personnaliser l’apparence de tout ton espace de travail.
Problèmes courants lors de l'utilisation de JupyterLab#
Lorsque tu utilises JupyterLab, tu peux rencontrer certains problèmes courants. Voici quelques conseils pour utiliser la plateforme sans difficulté :
- Gestion des noyaux : les noyaux sont essentiels, car ils gèrent la connexion entre le code que tu écris dans JupyterLab et l’environnement où il s’exécute. Lorsque tu fermes un notebook Jupyter, le noyau continue de fonctionner sur le serveur, ce qui te permet de reprendre plus tard les tâches de longue durée. Pour arrêter complètement un noyau, sélectionne-le, fais un clic droit, puis choisis « Arrêter le noyau » dans le menu contextuel.
- Installation de packages Python : il peut arriver que tu aies besoin de packages Python supplémentaires qui ne sont pas préinstallés sur le serveur. Tu peux les installer dans ton répertoire personnel ou dans un environnement virtuel à l’aide de la commande
python -m pip install package-name. Pour afficher tous les packages installés, utilisepython -m pip list. - Déployer une API Flask/FastAPI sur Posit Connect : Tu peux déployer tes API Flask et FastAPI sur Posit Connect depuis le terminal à l'aide du paquet rsconnect-python. Cela facilite l'intégration de tes applications web à JupyterLab et leur partage avec d'autres personnes.
- Installation d’extensions JupyterLab : JupyterLab prend en charge diverses extensions pour enrichir ses fonctionnalités. Tu peux installer et personnaliser ces extensions selon tes besoins.
- Utiliser plusieurs versions de Python : Si tu dois travailler avec différentes versions de Python, tu peux utiliser des noyaux Jupyter configurés avec des versions différentes de Python.
Comment utiliser JupyterLab pour essayer YOLO26#
JupyterLab facilite l’expérimentation avec YOLO26. Pour commencer, suis ces étapes.
Étape 1 : installer JupyterLab#
Tu dois d'abord installer JupyterLab. Ouvre ton terminal et exécute la commande suivante :
# Install the required package for JupyterLab
pip install jupyterlabÉtape 2 : télécharger le notebook du tutoriel YOLO26#
Ensuite, télécharge le fichier tutorial.ipynb depuis le dépôt GitHub d'Ultralytics. Enregistre ce fichier dans le répertoire de ton choix sur ta machine locale.
Étape 3 : lancer JupyterLab#
Dans ton terminal, accède au répertoire où tu as enregistré le fichier notebook. Exécute ensuite la commande suivante pour lancer JupyterLab :
jupyter labUne fois cette commande exécutée, JupyterLab s'ouvrira dans ton navigateur web par défaut, comme illustré ci-dessous.

Étape 4 : commencer à expérimenter#
Dans JupyterLab, ouvre le notebook tutorial.ipynb. Tu peux maintenant exécuter les cellules pour découvrir YOLO26 et expérimenter avec ce modèle.

L’environnement interactif de JupyterLab te permet de modifier le code, de visualiser les résultats et de consigner tes observations au même endroit. Tu peux essayer différentes configurations et comprendre le fonctionnement de YOLO26.
Pour comprendre en détail le processus d'entraînement du modèle et découvrir les bonnes pratiques, consulte le guide d'entraînement du modèle YOLO26. Ce guide t'aidera à tirer le meilleur parti de tes expériences et à utiliser YOLO26 efficacement.
Pour approfondir tes connaissances sur JupyterLab#
Si tu veux en savoir plus sur JupyterLab, voici quelques ressources pour commencer :
- Documentation JupyterLab : découvre les fonctionnalités et les possibilités de JupyterLab dans sa documentation officielle.
- Essayer avec Binder : expérimente avec JupyterLab sans rien installer grâce à Binder, qui te permet de lancer une instance JupyterLab active directement dans ton navigateur.
- Guide d’installation : pour suivre les étapes d’installation de JupyterLab sur ta machine, consulte le guide d’installation.
- Entraîner Ultralytics YOLO11 avec JupyterLab : découvre dans cet article de blog des exemples d’utilisation de JupyterLab avec les modèles Ultralytics YOLO.
Résumé#
Ce guide a montré comment utiliser JupyterLab pour expérimenter avec les modèles Ultralytics YOLO26. Tu peux configurer JupyterLab sur ta machine locale et commencer à travailler avec YOLO26 en quelques minutes. JupyterLab te permet facilement d’entraîner et d’évaluer tes modèles, de visualiser les résultats et de documenter tes conclusions au même endroit.
Contrairement aux plateformes cloud comme Google Colab, JupyterLab s’exécute localement sur ta machine, ce qui te donne davantage de contrôle sur ton environnement informatique tout en offrant une expérience interactive avec des notebooks. JupyterLab est donc particulièrement utile pour les développeurs qui ont besoin d’un accès constant à leur environnement de développement sans dépendre des ressources cloud.
Pour en savoir plus, consulte la page FAQ de JupyterLab.
FAQ#
Pour entraîner un modèle YOLO26 avec JupyterLab :
-
Installe JupyterLab et le package Ultralytics :
pip install jupyterlab ultralytics -
Lance JupyterLab et ouvre un nouveau notebook.
-
Importe la classe YOLO et charge un modèle YOLO26n préentraîné :
from ultralytics import YOLO model = YOLO("yolo26n.pt") -
Entraîne le modèle sur ton jeu de données personnalisé :
results = model.train(data="path/to/your/data.yaml", epochs=100, imgsz=640) -
Visualise les résultats de l’entraînement avec les fonctionnalités de traçage intégrées de JupyterLab :
from ultralytics.utils.plotting import plot_results plot_results("runs/detect/train/results.csv") # enregistre results.png à côté de results.csv
L’environnement interactif de JupyterLab te permet de modifier les paramètres, de visualiser les résultats et d’itérer sur ton processus d’entraînement du modèle.
-
JupyterLab offre plusieurs fonctionnalités adaptées aux projets YOLO26 :
- Exécution interactive du code : teste et débogue des extraits de code YOLO26 en temps réel.
- Explorateur de fichiers intégré : gère facilement les jeux de données, les poids des modèles et les fichiers de configuration.
- Mise en page flexible : dispose plusieurs notebooks, terminaux et fenêtres de sortie côte à côte pour optimiser ton flux de travail.
- Affichage des résultats détaillés : visualise directement les résultats de détection YOLO26, les courbes d’entraînement et les métriques de performance du modèle.
- Prise en charge de Markdown : documente tes expériences et observations YOLO26 avec du texte enrichi et des images.
- Écosystème d’extensions : enrichis les fonctionnalités grâce à des extensions pour le contrôle de version, le calcul à distance et bien plus.
Ces fonctionnalités facilitent le travail avec les modèles YOLO26, de la préparation des données au déploiement du modèle.
Pour optimiser les performances d’un modèle YOLO26 dans JupyterLab :
-
Utilise AutoBatch pour choisir la taille de lot la plus grande compatible avec la mémoire du GPU :
results = model.train(data="path/to/data.yaml", batch=-1) -
Mets en œuvre le réglage des hyperparamètres avec des bibliothèques comme Ray Tune :
result_grid = model.tune(data="path/to/data.yaml", use_ray=True) -
Visualise et analyse les métriques du modèle avec les fonctionnalités de traçage de JupyterLab :
from ultralytics.utils.plotting import plot_results plot_results("runs/detect/train/results.csv") # enregistre results.png à côté de results.csv -
Teste différentes architectures de modèles et différents formats d’exportation pour trouver le meilleur équilibre entre vitesse et précision pour ton cas d’utilisation.
L’environnement interactif de JupyterLab permet d’itérer rapidement et d’obtenir un retour en temps réel, ce qui facilite l’optimisation de tes modèles YOLO26.
-
Lorsque tu utilises JupyterLab et YOLO26, tu peux rencontrer certains problèmes courants. Voici comment les résoudre :
-
Problèmes de mémoire GPU :
- Utilise
torch.cuda.empty_cache()pour libérer la mémoire GPU entre les exécutions. - Ajuste la taille de lot ou la taille de l’image en fonction de la mémoire de ton GPU.
- Utilise
-
Conflits entre les packages :
- Crée un environnement conda distinct pour tes projets YOLO26 afin d’éviter les conflits.
- Utilise
!pip install package_namedans une cellule du notebook pour installer les packages manquants.
-
Plantages du noyau :
- Redémarre le noyau et exécute les cellules une par une pour repérer le code problématique.
- Recherche les fuites de mémoire dans ton code, en particulier lors du traitement de grands jeux de données.
-
Commentaires2
Pose une question, partage tes résultats ou aide quelqu’un d’autre.
new-php
"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 GuideThis version should come across as more critical and focused on the potential issues. Feel free to adjust further!
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.