JupyterLabを使ってYOLO26モデルをトレーニングする方法
コード、データ、結果を並べて扱えるインタラクティブな環境では、ディープラーニングモデルの構築が容易になります。JupyterLabは、柔軟でインタラクティブなコーディングを可能にするWebベースのプラットフォームです。大規模なデータセットの処理、複雑なモデルの構築、他のユーザーとの共同作業をすべて1か所で行えます。
JupyterLabを使用して、Ultralytics YOLO26モデルに関連するプロジェクトに取り組むことができます。コンピューターから直接、YOLO26モデルのトレーニングや実験を始められます。このガイドでは、JupyterLabの主な機能と、JupyterLabを使ってYOLO26モデルをトレーニングする方法を説明します。
JupyterLabとは何ですか?#
JupyterLabは、Jupyterノートブック、コード、データを扱うために設計されたオープンソースのWebベースプラットフォームです。Project Jupyterの次世代インターフェースであり、従来のJupyter Notebookを拡張して、より柔軟なワークスペースを提供します。
JupyterLabでは、ノートブック、テキストエディター、ターミナル、その他のツールを1か所で使用できます。柔軟な設計により、ニーズに合わせてワークスペースを整理でき、データ分析、可視化、機械学習などのタスクを簡単に実行できます。また、JupyterLabはリアルタイムのコラボレーションもサポートしており、研究やデータサイエンスのチームプロジェクトに役立ちます。
JupyterLabの主な機能#
モデル開発や実験にJupyterLabが役立つ主な機能をいくつか紹介します。
- オールインワンのワークスペース: テキスト編集、ターミナルへのアクセス、ノートブックに個別のインターフェースがあった従来のJupyter Notebookとは異なり、JupyterLabはこれらすべての機能を1つの統合された環境にまとめています。JPEG、PDF、CSVなど、さまざまなファイル形式をJupyterLab内で直接表示・編集できるため、必要なものをすべて1つのワークスペースで扱えます。
- 柔軟なレイアウト: タブをドラッグ、ドロップ、サイズ変更して、効率よく作業できる自分専用のレイアウトを作成できます。折りたたみ可能な左サイドバーから、ファイルブラウザー、実行中のカーネル、コマンドパレットなどの重要なタブにすぐアクセスできます。複数のウィンドウを同時に開き、マルチタスクやプロジェクト管理をより効果的に行えます。
- インタラクティブなコードコンソール: JupyterLabのコードコンソールは、コードのスニペットや関数を試すためのインタラクティブな作業スペースを提供します。また、ノートブック内で実行した計算のログとしても機能します。ノートブック用の新しいコンソールを作成し、カーネルのアクティビティをすべて確認するのも簡単です。この機能は、新しいアイデアを試したり、コードの問題をトラブルシューティングしたりする際に特に便利です。
- Markdownプレビュー: JupyterLabでは、プレビューを同時に表示できるため、Markdownファイルを効率的に扱えます。Markdownファイルの作成や編集をしながら、フォーマット済みの出力をリアルタイムで確認できます。編集モードとプレビューモードを切り替えずに、ドキュメントが正しくレンダリングされるか確認できます。
- テキストファイルからコードを実行: コードを含むテキストファイルを共有する場合、JupyterLabではプラットフォーム内から直接簡単に実行できます。コードを選択してShift + Enterを押すと実行されます。コードスニペットをすばやく検証し、共有したコードが想定どおりに動作することを確認するのに便利です。
YOLO26プロジェクトでJupyterLabを使うべき理由は何ですか?#
機械学習モデルの開発や評価に使用できるプラットフォームは複数あります。機械学習プロジェクトに役立つJupyterLabの機能をいくつか紹介します。
- セルを簡単に管理: セルを切り取って貼り付ける代わりに、ドラッグ&ドロップしてノートブック内で並べ替えることができます。
- ノートブック間でセルをコピー: JupyterLabでは、異なるノートブック間でセルを簡単にコピーできます。あるノートブックから別のノートブックへ、セルをドラッグアンドドロップできます。
- クラシックなノートブック表示へ簡単に切り替え: 従来のJupyter Notebookインターフェースを使いたい場合、JupyterLabから簡単に戻せます。URL内の
/labを/treeに置き換えるだけで、使い慣れたノートブック表示に戻ります。 - 複数のビュー: JupyterLabでは、同じノートブックを複数のビューで表示できます。これは、長いノートブックで特に便利です。異なるセクションを並べて比較・確認でき、一方のビューで行った変更はもう一方にも反映されます。
- テーマのカスタマイズ: JupyterLabには、ノートブック用のダークテーマが組み込まれています。テキストエディターやターミナル用のテーマも用意されており、ワークスペース全体の外観をカスタマイズできます。
JupyterLabの使用中によくある問題#
JupyterLabを使用する際、よくある問題に遭遇することがあります。プラットフォームをスムーズに使いこなすためのヒントをいくつか紹介します。
- カーネルの管理:カーネルは、JupyterLabで記述したコードと、そのコードが実行される環境との接続を管理する重要な要素です。Jupyter Notebookを閉じても、カーネルはサーバー上で動作し続けるため、時間のかかる作業に後から戻れます。カーネルを完全に終了するには、カーネルを選択して右クリックし、ポップアップメニューから「カーネルをシャットダウン」を選択します。
- Pythonパッケージのインストール: サーバーに事前インストールされていないPythonパッケージが必要になる場合があります。コマンド
python -m pip install package-nameを使用すると、ホームディレクトリまたは仮想環境にパッケージをインストールできます。インストール済みパッケージをすべて確認するには、python -m pip listを使用します。 - Flask/FastAPI APIをPosit Connectにデプロイする: ターミナルからrsconnect-pythonパッケージを使用して、Flask APIやFastAPI APIをPosit Connectにデプロイできます。これにより、WebアプリケーションをJupyterLabと簡単に連携させ、他のユーザーと共有できます。
- JupyterLab拡張機能のインストール: JupyterLabは、機能を拡張するさまざまな拡張機能をサポートしています。ニーズに合わせて拡張機能をインストールし、カスタマイズできます。
- 複数のバージョンのPythonを使用する: 異なるバージョンのPythonを使う必要がある場合は、Pythonのバージョンごとに設定されたJupyterカーネルを使用できます。
JupyterLabを使ってYOLO26を試す方法#
JupyterLabを使うと、YOLO26を簡単に試すことができます。次の手順に従って始めてください。
ステップ1: JupyterLabをインストールする#
まず、JupyterLabをインストールします。ターミナルを開き、次のコマンドを実行してください。
# Install the required package for JupyterLab
pip install jupyterlabステップ2: YOLO26チュートリアルノートブックをダウンロードする#
次に、Ultralytics GitHubリポジトリーからtutorial.ipynbファイルをダウンロードします。このファイルをローカルマシン上の任意のディレクトリーに保存してください。
ステップ3: JupyterLabを起動する#
ターミナルを使って、ノートブックファイルを保存したディレクトリーに移動します。次に、以下のコマンドを実行してJupyterLabを起動します。
jupyter labこのコマンドを実行すると、以下に示すように、デフォルトのWebブラウザーでJupyterLabが開きます。

ステップ 4: 実験を始める#
JupyterLabでtutorial.ipynbノートブックを開きます。セルを実行して、YOLO26を調べたり実験したりできるようになりました。

JupyterLabのインタラクティブな環境では、コードの変更、出力の可視化、調査結果の記録をすべて1か所で行えます。さまざまな設定を試し、YOLO26の動作を理解できます。
モデルのトレーニングプロセスとベストプラクティスを詳しく理解するには、YOLO26モデルのトレーニングガイドを参照してください。このガイドは、実験から最大限の成果を得て、YOLO26を効果的に活用するのに役立ちます。
JupyterLabについてさらに学ぶ#
JupyterLabについてさらに学びたい場合は、次のリソースを参考にしてください。
- JupyterLabドキュメント: 公式ドキュメントでJupyterLabの機能を確認できます。
- Binderで試す: Binderを使用すると、何もインストールせずにJupyterLabを試せます。ブラウザーから直接、実行中のJupyterLabインスタンスを起動できます。
- インストールガイド: ローカルマシンにJupyterLabをインストールする手順については、インストールガイドをご覧ください。
- JupyterLabを使用したUltralytics YOLO11のトレーニング: このブログ記事では、JupyterLabとUltralytics YOLOモデルを組み合わせた実用例を紹介します。
概要#
このガイドでは、JupyterLabを使ってUltralytics YOLO26モデルを試す方法を説明しました。ローカルマシンにJupyterLabをセットアップすれば、数分でYOLO26を使い始められます。JupyterLabを使うと、モデルのトレーニングと評価、出力の可視化、結果の記録をすべて1か所で簡単に行えます。
Google Colabなどのクラウドプラットフォームとは異なり、JupyterLabはローカルマシンで動作するため、インタラクティブなノートブック環境を利用しながら、コンピューティング環境をより細かく制御できます。そのため、クラウドリソースに依存せず、開発環境に継続してアクセスする必要がある開発者にとって特に有用です。
詳しくは、JupyterLab FAQページをご覧ください。
よくある質問#
JupyterLabを使ってYOLO26モデルをトレーニングする手順は次のとおりです。
-
JupyterLabとUltralyticsパッケージをインストールします。
pip install jupyterlab ultralytics -
JupyterLabを起動し、新しいノートブックを開きます。
-
YOLOクラスをインポートし、事前学習済みのYOLO26nモデルを読み込みます。
from ultralytics import YOLO model = YOLO("yolo26n.pt") -
カスタムデータセットでモデルをトレーニングします。
results = model.train(data="path/to/your/data.yaml", epochs=100, imgsz=640) -
JupyterLabに組み込まれたプロット機能を使って、トレーニング結果を可視化します。
from ultralytics.utils.plotting import plot_results plot_results("runs/detect/train/results.csv") # results.csvの隣にresults.pngを保存します
JupyterLabのインタラクティブな環境では、パラメーターの変更、結果の可視化、モデルのトレーニングプロセスの反復を行えます。
-
JupyterLabには、YOLO26プロジェクトに適した機能がいくつかあります。
- インタラクティブなコード実行: YOLO26のコードスニペットをリアルタイムでテストし、デバッグできます。
- 統合ファイルブラウザー: データセット、モデルの重み、設定ファイルを簡単に管理できます。
- 柔軟なレイアウト: 複数のノートブック、ターミナル、出力ウィンドウを横に並べて配置し、効率的なワークフローを実現できます。
- 豊富な出力表示: YOLO26の検出結果、トレーニング曲線、モデルのパフォーマンス指標をインラインで可視化できます。
- Markdownのサポート: リッチテキストや画像を使って、YOLO26の実験や調査結果を記録できます。
- 拡張機能のエコシステム: バージョン管理、リモートコンピューティングなどの拡張機能で機能を強化できます。
これらの機能により、データ準備からモデルのデプロイまで、YOLO26モデルを扱う際のワークフローがスムーズになります。
JupyterLabでYOLO26モデルのパフォーマンスを最適化する手順は次のとおりです。
-
GPUメモリに収まる最大のバッチサイズをAutoBatchで選択します。
results = model.train(data="path/to/data.yaml", batch=-1) -
Ray Tuneなどのライブラリを使ってハイパーパラメーターのチューニングを実施します。
result_grid = model.tune(data="path/to/data.yaml", use_ray=True) -
JupyterLabのプロット機能を使って、モデルの指標を可視化および分析します。
from ultralytics.utils.plotting import plot_results plot_results("runs/detect/train/results.csv") # results.csvの隣にresults.pngを保存します -
さまざまなモデルアーキテクチャとエクスポート形式を試し、特定のユースケースにおける速度と精度の最適なバランスを見つけます。
JupyterLabのインタラクティブな環境では、すばやく反復してリアルタイムのフィードバックを得られるため、YOLO26モデルを簡単に最適化できます。
-
JupyterLabとYOLO26を使用する際、よくある問題が発生することがあります。対処方法は次のとおりです。
-
GPUメモリの問題:
- 実行の合間に
torch.cuda.empty_cache()を使ってGPUメモリをクリアします。 - バッチサイズまたは画像サイズを調整し、GPUメモリに収まるようにします。
- 実行の合間に
-
パッケージの競合:
- 競合を避けるため、YOLO26プロジェクト用に個別のconda環境を作成します。
- ノートブックのセルで
!pip install package_nameを使い、不足しているパッケージをインストールします。
-
カーネルのクラッシュ:
- カーネルを再起動し、問題のあるコードを特定するためにセルを1つずつ実行します。
- 特に大規模なデータセットを処理する場合は、コードにメモリリークがないか確認します。
-
コメント2
質問したり、結果を共有したり、ほかの人をサポートしたりできます。
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.