Guida all'uso di JupyterLab per addestrare i tuoi modelli YOLO26
Creare modelli di deep learning è più semplice in un ambiente interattivo in cui codice, dati e risultati sono affiancati. JupyterLab è una piattaforma basata sul Web che rende la programmazione flessibile e interattiva. Puoi usarla per gestire grandi dataset, creare modelli complessi e collaborare con altre persone, tutto in un unico posto.
Puoi usare JupyterLab per lavorare a progetti relativi ai modelli Ultralytics YOLO26. Ti permette di iniziare subito a sperimentare e addestrare modelli YOLO26 dal tuo computer. Questa guida illustra JupyterLab, le sue funzionalità principali e come usarlo per addestrare modelli YOLO26.
Che cos'è JupyterLab?#
JupyterLab è una piattaforma open source basata sul Web, progettata per lavorare con notebook Jupyter, codice e dati. È l'interfaccia di nuova generazione di Project Jupyter e amplia il classico Jupyter Notebook con un ambiente di lavoro più flessibile.
JupyterLab ti permette di lavorare con notebook, editor di testo, terminali e altri strumenti in un unico posto. Il suo design flessibile ti consente di organizzare l'ambiente di lavoro secondo le tue esigenze e semplifica attività come l'analisi dei dati, la visualizzazione e il machine learning. JupyterLab supporta anche la collaborazione in tempo reale, utile per i progetti di gruppo in ambito di ricerca e data science.
Funzionalità principali di JupyterLab#
Ecco alcune delle funzionalità principali che rendono JupyterLab utile per lo sviluppo e la sperimentazione dei modelli:
- Ambiente di lavoro tutto in uno: a differenza del classico Jupyter Notebook, che aveva interfacce separate per l'editing del testo, l'accesso al terminale e i notebook, JupyterLab integra tutte queste funzionalità in un unico ambiente coerente. Puoi visualizzare e modificare direttamente in JupyterLab vari formati di file, tra cui JPEG, PDF e CSV, così hai tutto ciò che ti serve in un unico ambiente di lavoro.
- Layout flessibili: puoi trascinare, rilasciare e ridimensionare le schede per creare un layout personalizzato che ti aiuti a lavorare in modo più efficiente. La barra laterale sinistra comprimibile tiene a portata di mano schede essenziali come il browser di file, i kernel in esecuzione e la palette dei comandi. Puoi tenere aperte più finestre contemporaneamente, così puoi svolgere più attività e gestire i progetti con maggiore efficacia.
- Console di codice interattive: le console di codice di JupyterLab offrono uno spazio interattivo per provare frammenti di codice o funzioni. Fungono anche da registro dei calcoli eseguiti all'interno di un notebook. Creare una nuova console per un notebook e visualizzare tutte le attività del kernel è semplice. Questa funzionalità è particolarmente utile quando sperimenti nuove idee o risolvi problemi nel codice.
- Anteprima Markdown: grazie alla funzionalità di anteprima simultanea, lavorare con i file Markdown è più efficiente in JupyterLab. Mentre scrivi o modifichi un file Markdown, puoi vedere in tempo reale il risultato formattato. In questo modo è più facile verificare che la documentazione venga visualizzata correttamente senza passare dalla modalità di modifica a quella di anteprima.
- Esecuzione di codice dai file di testo: se condividi un file di testo contenente codice, JupyterLab ti permette di eseguirlo facilmente direttamente nella piattaforma. Puoi selezionare il codice e premere Shift + Enter per eseguirlo. È utile per verificare rapidamente frammenti di codice e accertarti che il codice condiviso venga eseguito come previsto.
Perché usare JupyterLab per i tuoi progetti YOLO26?#
Esistono diverse piattaforme per sviluppare e valutare modelli di machine learning. Ecco alcuni aspetti di JupyterLab utili per i progetti di machine learning:
- Gestione semplice delle celle: invece di tagliare e incollare le celle, puoi trascinarle e rilasciarle per riordinarle in un notebook.
- Copia delle celle tra notebook: JupyterLab semplifica la copia delle celle tra notebook diversi. Puoi trascinare e rilasciare le celle da un notebook all'altro.
- Passaggio semplice alla visualizzazione classica dei notebook: se ti manca l'interfaccia classica di Jupyter Notebook, JupyterLab ti permette di tornare facilmente a quella visualizzazione. Per ripristinare la familiare vista del notebook, sostituisci
/labnell'URL con/tree. - Visualizzazioni multiple: JupyterLab supporta più visualizzazioni dello stesso notebook, una funzionalità particolarmente utile per i notebook lunghi. Puoi aprire diverse sezioni affiancate per confrontarle o esplorarle; le modifiche apportate in una visualizzazione si riflettono anche nell'altra.
- Temi personalizzabili: JupyterLab include un tema scuro integrato per il notebook. Sono disponibili anche temi per l'editor di testo e il terminale, che ti consentono di personalizzare l'aspetto dell'intero ambiente di lavoro.
Problemi comuni durante l'utilizzo di JupyterLab#
Quando lavori con JupyterLab, potresti incontrare alcuni problemi comuni. Ecco alcuni suggerimenti per aiutarti a usare la piattaforma senza intoppi:
- Gestione dei kernel: i kernel sono fondamentali perché gestiscono la connessione tra il codice che scrivi in JupyterLab e l'ambiente in cui viene eseguito. Quando chiudi un Jupyter Notebook, il kernel continua a funzionare sul server, così puoi riprendere in seguito le attività di lunga durata. Se vuoi arrestare completamente un kernel, selezionalo, fai clic con il pulsante destro del mouse e scegli "Arresta kernel" dal menu a comparsa.
- Installazione di pacchetti Python: a volte potresti aver bisogno di pacchetti Python aggiuntivi non preinstallati sul server. Puoi installare questi pacchetti nella tua directory home o in un ambiente virtuale usando il comando
python -m pip install package-name. Per visualizzare tutti i pacchetti installati, usapython -m pip list. - Distribuzione di un'API Flask/FastAPI su Posit Connect: puoi distribuire le tue API Flask e FastAPI su Posit Connect usando il pacchetto rsconnect-python dal terminale. In questo modo è più semplice integrare le tue applicazioni web con JupyterLab e condividerle con altre persone.
- Installazione delle estensioni di JupyterLab: JupyterLab supporta varie estensioni che ne ampliano le funzionalità. Puoi installare e personalizzare queste estensioni in base alle tue esigenze.
- Uso di più versioni di Python: se devi lavorare con versioni diverse di Python, puoi usare kernel Jupyter configurati con versioni differenti di Python.
Come usare JupyterLab per provare YOLO26#
JupyterLab semplifica la sperimentazione con YOLO26. Per iniziare, segui questi passaggi.
Passaggio 1: installare JupyterLab#
Per prima cosa, devi installare JupyterLab. Apri il terminale ed esegui il comando:
# Install the required package for JupyterLab
pip install jupyterlabPassaggio 2: scaricare il notebook tutorial di YOLO26#
Poi, scarica il file tutorial.ipynb dal repository GitHub di Ultralytics. Salva il file in una directory qualsiasi del tuo computer.
Passaggio 3: avviare JupyterLab#
Nel terminale, raggiungi la directory in cui hai salvato il file del notebook. Poi, esegui il comando seguente per avviare JupyterLab:
jupyter labDopo aver eseguito questo comando, JupyterLab si aprirà nel browser web predefinito, come mostrato di seguito.

Passaggio 4: inizia a sperimentare#
In JupyterLab, apri il notebook tutorial.ipynb. Ora puoi iniziare a eseguire le celle per esplorare e sperimentare con YOLO26.

L'ambiente interattivo di JupyterLab ti consente di modificare il codice, visualizzare i risultati e documentare le tue scoperte in un unico posto. Puoi provare diverse configurazioni e capire come funziona YOLO26.
Per comprendere nel dettaglio il processo di training del modello e le best practice, consulta la guida al training del modello YOLO26. Questa guida ti aiuterà a ottenere il massimo dai tuoi esperimenti e ad assicurarti di usare YOLO26 in modo efficace.
Continua a imparare a usare JupyterLab#
Se vuoi saperne di più su JupyterLab, ecco alcune risorse per iniziare:
- Documentazione di JupyterLab: esplora le funzionalità e le capacità di JupyterLab nella documentazione ufficiale.
- Provalo con Binder: sperimenta con JupyterLab senza installare nulla usando Binder, che ti permette di avviare un'istanza JupyterLab attiva direttamente nel browser.
- Guida all'installazione: per una guida passo passo all'installazione di JupyterLab sul tuo computer, consulta la guida all'installazione.
- Addestra Ultralytics YOLO11 con JupyterLab: scopri di più sulle applicazioni pratiche di JupyterLab con i modelli Ultralytics YOLO in questo post del blog.
Riepilogo#
Questa guida ha illustrato come usare JupyterLab per sperimentare con i modelli Ultralytics YOLO26. Puoi configurare JupyterLab sul tuo computer locale e iniziare a lavorare con YOLO26 in pochi minuti. JupyterLab semplifica l'addestramento e la valutazione dei modelli, la visualizzazione dei risultati e la documentazione delle scoperte, tutto in un unico posto.
A differenza delle piattaforme cloud come Google Colab, JupyterLab viene eseguito localmente sul tuo computer e ti offre un maggiore controllo sull'ambiente di calcolo, mantenendo un'esperienza interattiva con i notebook. È particolarmente utile per gli sviluppatori che hanno bisogno di accedere costantemente al proprio ambiente di sviluppo senza dipendere dalle risorse cloud.
Per ulteriori dettagli, visita la pagina delle FAQ di JupyterLab.
Domande frequenti#
Per addestrare un modello YOLO26 con JupyterLab:
-
Installa JupyterLab e il pacchetto Ultralytics:
pip install jupyterlab ultralytics -
Avvia JupyterLab e apri un nuovo notebook.
-
Importa la classe YOLO e carica un modello YOLO26n preaddestrato:
from ultralytics import YOLO model = YOLO("yolo26n.pt") -
Addestra il modello sul tuo dataset personalizzato:
results = model.train(data="path/to/your/data.yaml", epochs=100, imgsz=640) -
Visualizza i risultati dell'addestramento usando le funzionalità di grafici integrate in JupyterLab:
from ultralytics.utils.plotting import plot_results plot_results("runs/detect/train/results.csv") # salva results.png accanto a results.csv
L'ambiente interattivo di JupyterLab ti consente di modificare i parametri, visualizzare i risultati e iterare sul processo di addestramento del modello.
-
JupyterLab offre diverse funzionalità adatte ai progetti YOLO26:
- Esecuzione interattiva del codice: prova ed esegui il debug degli snippet di codice YOLO26 in tempo reale.
- Esplora file integrato: gestisci facilmente dataset, pesi dei modelli e file di configurazione.
- Layout flessibile: disponi affiancati più notebook, terminali e finestre di output per lavorare in modo efficiente.
- Visualizzazione avanzata dei risultati: visualizza direttamente i risultati di rilevamento di YOLO26, le curve di addestramento e le metriche delle prestazioni del modello.
- Supporto Markdown: documenta gli esperimenti e le scoperte su YOLO26 con testo formattato e immagini.
- Ecosistema di estensioni: amplia le funzionalità con estensioni per il controllo delle versioni, il calcolo remoto e altro ancora.
Queste funzionalità supportano un flusso di lavoro efficiente con i modelli YOLO26, dalla preparazione dei dati alla distribuzione del modello.
Per ottimizzare le prestazioni di un modello YOLO26 in JupyterLab:
-
Usa AutoBatch per scegliere la dimensione del batch più grande compatibile con la memoria della GPU:
results = model.train(data="path/to/data.yaml", batch=-1) -
Implementa l'ottimizzazione degli iperparametri usando librerie come Ray Tune:
result_grid = model.tune(data="path/to/data.yaml", use_ray=True) -
Visualizza e analizza le metriche del modello usando le funzionalità di grafici di JupyterLab:
from ultralytics.utils.plotting import plot_results plot_results("runs/detect/train/results.csv") # salva results.png accanto a results.csv -
Sperimenta con diverse architetture di modello e formati di esportazione per trovare il miglior equilibrio tra velocità e accuratezza per il tuo caso d'uso specifico.
L'ambiente interattivo di JupyterLab permette di iterare rapidamente e ricevere feedback in tempo reale, facilitando l'ottimizzazione dei modelli YOLO26.
-
Lavorando con JupyterLab e YOLO26, potresti incontrare alcuni problemi comuni. Ecco come risolverli:
-
Problemi di memoria della GPU:
- Usa
torch.cuda.empty_cache()per liberare la memoria della GPU tra un'esecuzione e l'altra. - Modifica la dimensione del batch o le dimensioni dell'immagine per adattarle alla memoria della GPU.
- Usa
-
Conflitti tra pacchetti:
- Crea un ambiente conda separato per i tuoi progetti YOLO26, così da evitare conflitti.
- Usa
!pip install package_namein una cella del notebook per installare i pacchetti mancanti.
-
Arresti anomali del kernel:
- Riavvia il kernel ed esegui le celle una alla volta per individuare il codice problematico.
- Controlla la presenza di perdite di memoria nel codice, soprattutto quando elabori dataset di grandi dimensioni.
-
Commenti2
Fai una domanda, condividi i tuoi risultati o aiuta qualcun altro.
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.