JupyterLab을 사용해 YOLO26 모델을 학습하는 방법 안내
코드, 데이터, 결과를 한곳에서 나란히 확인할 수 있는 대화형 환경에서는 딥러닝 모델을 더 쉽게 구축할 수 있습니다. JupyterLab은 유연하고 대화형인 코딩을 지원하는 웹 기반 플랫폼입니다. JupyterLab을 사용하면 대규모 데이터 세트를 처리하고, 복잡한 모델을 구축하고, 한곳에서 다른 사람과 협업할 수 있습니다.
JupyterLab을 사용하여 Ultralytics YOLO26 모델 관련 프로젝트를 진행할 수 있습니다. 컴퓨터에서 바로 실험을 시작하고 YOLO26 모델을 학습할 수 있습니다. 이 가이드에서는 JupyterLab과 주요 기능, 그리고 JupyterLab을 사용해 YOLO26 모델을 학습하는 방법을 다룹니다.
JupyterLab이란 무엇인가요?#
JupyterLab은 Jupyter 노트북, 코드, 데이터 작업을 위해 설계된 오픈 소스 웹 기반 플랫폼입니다. Project Jupyter의 차세대 인터페이스이며, 기존 Jupyter Notebook을 더욱 유연한 작업 공간으로 확장합니다.
JupyterLab에서는 노트북, 텍스트 편집기, 터미널 및 기타 도구를 한곳에서 사용할 수 있습니다. 유연한 디자인으로 필요에 맞게 작업 공간을 구성할 수 있어 데이터 분석, 시각화, 머신러닝과 같은 작업을 더 쉽게 수행할 수 있습니다. 또한 JupyterLab은 실시간 협업을 지원하므로 연구 및 데이터 과학 팀 프로젝트에 유용합니다.
JupyterLab의 주요 기능#
모델 개발 및 실험에 유용한 JupyterLab의 주요 기능은 다음과 같습니다.
- 올인원 작업 공간: 텍스트 편집, 터미널 액세스, 노트북을 위한 인터페이스가 각각 분리되어 있던 기존 Jupyter Notebook과 달리, JupyterLab은 이 모든 기능을 하나의 통합 환경에 제공합니다. JPEG, PDF, CSV 등 다양한 파일 형식을 JupyterLab 내에서 바로 확인하고 편집할 수 있으므로 필요한 모든 항목을 하나의 작업 공간에서 관리할 수 있습니다.
- 유연한 레이아웃: 탭을 드래그하고 놓거나 크기를 조정하여 더 효율적으로 작업할 수 있는 맞춤형 레이아웃을 만들 수 있습니다. 접을 수 있는 왼쪽 사이드바에서 파일 브라우저, 실행 중인 커널, 명령 팔레트와 같은 주요 탭에 쉽게 액세스할 수 있습니다. 여러 창을 동시에 열어 멀티태스킹을 수행하고 프로젝트를 더 효과적으로 관리할 수 있습니다.
- 대화형 코드 콘솔: JupyterLab의 코드 콘솔은 코드 조각이나 함수를 테스트할 수 있는 대화형 공간을 제공합니다. 또한 노트북에서 수행한 계산의 로그 역할도 합니다. 노트북용 새 콘솔을 만들고 모든 커널 활동을 확인하는 과정도 간단합니다. 이 기능은 새로운 아이디어를 실험하거나 코드 문제를 해결할 때 특히 유용합니다.
- Markdown 미리보기: JupyterLab의 동시 미리보기 기능을 활용하면 Markdown 파일을 더 효율적으로 작업할 수 있습니다. Markdown 파일을 작성하거나 편집하는 동안 서식이 적용된 결과를 실시간으로 확인할 수 있습니다. 편집 모드와 미리보기 모드를 전환하지 않고도 문서가 올바르게 렌더링되는지 쉽게 확인할 수 있습니다.
- 텍스트 파일에서 코드 실행: 코드가 포함된 텍스트 파일을 공유할 때 JupyterLab을 사용하면 플랫폼 내에서 바로 코드를 쉽게 실행할 수 있습니다. 코드를 선택하고 Shift + Enter를 누르면 실행됩니다. 코드 조각을 빠르게 검증하고 공유한 코드가 예상대로 실행되는지 확인하는 데 유용합니다.
YOLO26 프로젝트에 JupyterLab을 사용해야 하는 이유는 무엇인가요?#
머신러닝 모델을 개발하고 평가할 수 있는 플랫폼은 다양합니다. 머신러닝 프로젝트에 도움이 되는 JupyterLab의 기능은 다음과 같습니다.
- 간편한 셀 관리: 셀을 잘라내고 붙여넣는 대신 드래그 앤 드롭으로 노트북의 셀 순서를 변경할 수 있습니다.
- 노트북 간 셀 복사: JupyterLab에서는 서로 다른 노트북 간에 셀을 쉽게 복사할 수 있습니다. 한 노트북에서 다른 노트북으로 셀을 끌어다 놓으면 됩니다.
- 기존 Notebook 보기로 쉽게 전환: 기존 Jupyter Notebook 인터페이스를 선호하는 사용자를 위해 JupyterLab은 간편한 전환 기능을 제공합니다. URL의
/lab을/tree로 바꾸면 익숙한 노트북 보기로 돌아갈 수 있습니다. - 다중 보기: JupyterLab은 하나의 노트북을 여러 보기로 표시할 수 있어 긴 노트북에서 특히 유용합니다. 서로 다른 섹션을 나란히 열어 비교하거나 살펴볼 수 있으며, 한 보기에서 변경한 내용은 다른 보기에도 반영됩니다.
- 사용자 지정 테마: JupyterLab에는 노트북용 기본 다크 테마가 포함되어 있습니다. 텍스트 편집기와 터미널용 테마도 제공되므로 전체 작업 공간의 모양을 사용자 지정할 수 있습니다.
JupyterLab 사용 중 흔히 발생하는 문제#
JupyterLab을 사용하다 보면 몇 가지 일반적인 문제를 마주칠 수 있습니다. 플랫폼을 원활하게 사용하는 데 도움이 되는 팁은 다음과 같습니다:
- 커널 관리: 커널은 JupyterLab에서 작성한 코드와 코드가 실행되는 환경 사이의 연결을 관리하므로 중요합니다. Jupyter Notebook을 닫아도 커널은 서버에서 계속 실행되므로 나중에 장시간 실행되는 작업을 다시 이어서 할 수 있습니다. 커널을 완전히 종료하려면 커널을 선택하고 마우스 오른쪽 버튼을 클릭한 다음 팝업 메뉴에서 "커널 종료"를 선택하세요.
- Python 패키지 설치: 서버에 사전 설치되지 않은 추가 Python 패키지가 필요한 경우가 있습니다.
python -m pip install package-name명령을 사용하여 홈 디렉터리 또는 가상 환경에 패키지를 설치할 수 있습니다. 설치된 모든 패키지를 확인하려면python -m pip list을 사용하세요. - Posit Connect에 Flask/FastAPI API 배포: 터미널에서 rsconnect-python 패키지를 사용해 Flask 및 FastAPI API를 Posit Connect에 배포할 수 있습니다. 이렇게 하면 웹 애플리케이션을 JupyterLab과 더 쉽게 통합하고 다른 사용자와 공유할 수 있습니다.
- JupyterLab 확장 설치: JupyterLab은 기능을 확장하는 다양한 확장을 지원합니다. 필요에 맞게 확장을 설치하고 사용자 지정할 수 있습니다.
- 여러 Python 버전 사용: 서로 다른 Python 버전으로 작업해야 하는 경우, 버전별로 구성된 Jupyter 커널을 사용할 수 있습니다.
JupyterLab으로 YOLO26을 사용해 보는 방법#
JupyterLab을 사용하면 YOLO26을 쉽게 실험할 수 있습니다. 시작하려면 다음 단계를 따르세요.
1단계: JupyterLab 설치#
먼저 JupyterLab을 설치해야 합니다. 터미널을 열고 다음 명령을 실행하세요:
# Install the required package for JupyterLab
pip install jupyterlab2단계: YOLO26 튜토리얼 노트북 다운로드#
그런 다음 Ultralytics GitHub 저장소에서 tutorial.ipynb 파일을 다운로드합니다. 이 파일을 로컬 컴퓨터의 원하는 디렉터리에 저장합니다.
3단계: JupyterLab 시작#
터미널을 사용해 노트북 파일을 저장한 디렉터리로 이동합니다. 그런 다음 다음 명령을 실행해 JupyterLab을 시작합니다:
jupyter lab이 명령을 실행하면 아래와 같이 기본 웹 브라우저에서 JupyterLab이 열립니다.

4단계: 실험 시작하기#
JupyterLab에서 tutorial.ipynb 노트북을 엽니다. 이제 셀을 실행하여 YOLO26을 살펴보고 실험할 수 있습니다.

JupyterLab의 대화형 환경에서는 코드를 수정하고, 출력을 시각화하고, 결과를 한곳에 기록할 수 있습니다. 다양한 구성을 시도하며 YOLO26의 작동 방식을 이해할 수 있습니다.
모델 학습 과정과 모범 사례를 자세히 이해하려면 YOLO26 모델 학습 가이드를 참조하세요. 이 가이드는 실험을 최대한 활용하고 YOLO26을 효과적으로 사용하는 데 도움이 됩니다.
JupyterLab에 대해 더 알아보기#
JupyterLab에 대해 더 알아보고 싶다면 다음 자료를 참고해 시작해 보세요:
- JupyterLab 문서: 공식 문서에서 JupyterLab의 기능과 성능을 살펴보세요.
- Binder로 사용해 보기: Binder를 사용하면 아무것도 설치하지 않고 브라우저에서 바로 JupyterLab 인스턴스를 실행하여 JupyterLab을 실험할 수 있습니다.
- 설치 가이드: 로컬 머신에 JupyterLab을 설치하는 단계별 안내는 설치 가이드를 참조하세요.
- JupyterLab에서 Ultralytics YOLO11 학습하기: 이 블로그 게시물에서 JupyterLab과 Ultralytics YOLO 모델의 실제 활용 사례를 자세히 알아보세요.
요약#
이 가이드에서는 JupyterLab을 사용해 Ultralytics YOLO26 모델을 실험하는 방법을 설명했습니다. 로컬 머신에 JupyterLab을 설정하고 몇 분 만에 YOLO26 작업을 시작할 수 있습니다. JupyterLab에서는 한곳에서 간편하게 모델을 학습하고 평가하며, 출력을 시각화하고 결과를 문서화할 수 있습니다.
Google Colab과 같은 클라우드 플랫폼과 달리 JupyterLab은 로컬 머신에서 실행되므로 대화형 노트북 환경을 이용하면서도 컴퓨팅 환경을 더 많이 제어할 수 있습니다. 따라서 클라우드 리소스에 의존하지 않고 개발 환경에 일관되게 액세스해야 하는 개발자에게 특히 유용합니다.
자세한 내용은 JupyterLab FAQ 페이지를 참조하세요.
자주 묻는 질문#
JupyterLab을 사용하여 YOLO26 모델을 학습하려면 다음 단계를 따르세요:
-
JupyterLab과 Ultralytics 패키지를 설치합니다:
pip install jupyterlab ultralytics -
JupyterLab을 실행하고 새 노트북을 엽니다.
-
YOLO 클래스를 가져오고 사전 학습된 YOLO26n 모델을 불러옵니다.
from ultralytics import YOLO model = YOLO("yolo26n.pt") -
사용자 지정 데이터셋으로 모델을 학습합니다:
results = model.train(data="path/to/your/data.yaml", epochs=100, imgsz=640) -
JupyterLab에 내장된 플로팅 기능을 사용하여 학습 결과를 시각화합니다:
from ultralytics.utils.plotting import plot_results plot_results("runs/detect/train/results.csv") # results.csv 옆에 results.png를 저장합니다
JupyterLab의 대화형 환경에서는 파라미터를 수정하고, 결과를 시각화하고, 모델 학습 과정을 반복적으로 개선할 수 있습니다.
-
JupyterLab은 YOLO26 프로젝트에 적합한 여러 기능을 제공합니다.
- 대화형 코드 실행: YOLO26 코드 조각을 실시간으로 테스트하고 디버깅합니다.
- 통합 파일 브라우저: 데이터셋, 모델 가중치, 구성 파일을 간편하게 관리합니다.
- 유연한 레이아웃: 여러 노트북, 터미널, 출력 창을 나란히 배치하여 효율적인 워크플로를 구성할 수 있습니다.
- 다양한 출력 표시: YOLO26 탐지 결과, 학습 곡선, 모델 성능 지표를 인라인으로 시각화합니다.
- Markdown 지원: 서식이 있는 텍스트와 이미지로 YOLO26 실험 및 결과를 문서화합니다.
- 확장 프로그램 생태계: 버전 관리, 원격 컴퓨팅 등을 위한 확장 프로그램으로 기능을 향상합니다.
이러한 기능은 데이터 준비부터 모델 배포까지 YOLO26 모델을 사용하는 원활한 워크플로를 지원합니다.
JupyterLab에서 YOLO26 모델 성능을 최적화하려면 다음을 수행하세요:
-
AutoBatch를 사용하여 GPU 메모리에 맞는 가장 큰 배치 크기를 선택합니다:
results = model.train(data="path/to/data.yaml", batch=-1) -
Ray Tune과 같은 라이브러리를 사용하여 하이퍼파라미터 튜닝을 구현합니다:
result_grid = model.tune(data="path/to/data.yaml", use_ray=True) -
JupyterLab의 플로팅 기능을 사용하여 모델 지표를 시각화하고 분석합니다:
from ultralytics.utils.plotting import plot_results plot_results("runs/detect/train/results.csv") # results.csv 옆에 results.png를 저장합니다 -
특정 사용 사례에 가장 적합한 속도와 정확도 간 균형을 찾으려면 다양한 모델 아키텍처와 내보내기 형식을 실험해 보세요.
JupyterLab의 대화형 환경은 빠른 반복 작업과 실시간 피드백을 지원하므로 YOLO26 모델을 더 쉽게 최적화할 수 있습니다.
-
JupyterLab과 YOLO26을 사용할 때 몇 가지 일반적인 문제가 발생할 수 있습니다. 해결 방법은 다음과 같습니다:
-
GPU 메모리 문제:
- 실행 간 GPU 메모리를 비우려면
torch.cuda.empty_cache()을 사용합니다. - GPU 메모리에 맞도록 배치 크기 또는 이미지 크기를 조정합니다.
- 실행 간 GPU 메모리를 비우려면
-
패키지 충돌:
- 충돌을 방지하려면 YOLO26 프로젝트용 conda 환경을 별도로 만듭니다.
- 누락된 패키지를 설치하려면 노트북 셀에서
!pip install package_name을 사용합니다.
-
커널 충돌:
- 커널을 다시 시작하고 셀을 하나씩 실행하여 문제가 있는 코드를 찾습니다.
- 특히 대규모 데이터셋을 처리할 때 코드에 메모리 누수가 있는지 확인합니다.
-
댓글2
질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.
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.