Guia de uso do JupyterLab para treinar seus modelos YOLO26
Criar modelos de aprendizado profundo fica mais fácil em um ambiente interativo, onde código, dados e resultados ficam lado a lado. O JupyterLab é uma plataforma baseada na Web que torna a programação flexível e interativa. Você pode usá-lo para lidar com grandes conjuntos de dados, criar modelos complexos e colaborar com outras pessoas, tudo em um só lugar.
Você pode usar o JupyterLab para trabalhar em projetos relacionados aos modelos Ultralytics YOLO26. Ele permite começar a experimentar e treinar modelos YOLO26 diretamente no seu computador. Este guia aborda o JupyterLab, seus principais recursos e como usá-lo para treinar modelos YOLO26.
O que é o JupyterLab?#
O JupyterLab é uma plataforma de código aberto baseada na Web, criada para trabalhar com notebooks Jupyter, código e dados. É a interface de próxima geração do Project Jupyter e amplia o Jupyter Notebook clássico com um espaço de trabalho mais flexível.
O JupyterLab permite trabalhar com notebooks, editores de texto, terminais e outras ferramentas em um só lugar. Seu design flexível permite organizar o espaço de trabalho conforme suas necessidades e facilita tarefas como análise de dados, visualização e aprendizado de máquina. O JupyterLab também oferece suporte à colaboração em tempo real, útil para projetos em equipe nas áreas de pesquisa e ciência de dados.
Principais recursos do JupyterLab#
Veja alguns dos principais recursos que tornam o JupyterLab útil para o desenvolvimento e a experimentação de modelos:
- Espaço de trabalho completo: Ao contrário do Jupyter Notebook clássico, que tinha interfaces separadas para edição de texto, acesso ao terminal e notebooks, o JupyterLab integra todos esses recursos em um ambiente único e coeso. Você pode visualizar e editar vários formatos de arquivo, incluindo JPEG, PDF e CSV, diretamente no JupyterLab, mantendo tudo o que precisa em um só espaço de trabalho.
- Layouts flexíveis: Você pode arrastar, soltar e redimensionar abas para criar um layout personalizado que ajude você a trabalhar com mais eficiência. A barra lateral esquerda recolhível mantém abas essenciais, como o navegador de arquivos, os kernels em execução e a paleta de comandos, sempre à mão. Você pode deixar várias janelas abertas ao mesmo tempo, o que permite realizar várias tarefas e gerenciar seus projetos com mais eficiência.
- Consoles de código interativos: os consoles de código do JupyterLab oferecem um espaço interativo para testar trechos de código ou funções. Eles também registram os cálculos realizados em um notebook. É simples criar um novo console para um notebook e visualizar toda a atividade do kernel. Esse recurso é especialmente útil quando você está experimentando novas ideias ou solucionando problemas no código.
- Pré-visualização de Markdown: Trabalhar com arquivos Markdown é mais eficiente no JupyterLab graças ao recurso de pré-visualização simultânea. Enquanto escreve ou edita seu arquivo Markdown, você pode ver o resultado formatado em tempo real. Assim, fica mais fácil verificar se a documentação é renderizada corretamente sem alternar entre os modos de edição e pré-visualização.
- Executar código de arquivos de texto: Se você estiver compartilhando um arquivo de texto com código, o JupyterLab facilita a execução direta na plataforma. Você pode selecionar o código e pressionar Shift + Enter para executá-lo. Isso é útil para verificar rapidamente trechos de código e confirmar que o código compartilhado é executado conforme esperado.
Por que usar o JupyterLab nos seus projetos YOLO26?#
Há várias plataformas para desenvolver e avaliar modelos de aprendizado de máquina. Veja alguns aspectos do JupyterLab que ajudam em projetos de aprendizado de máquina:
- Gerenciamento fácil de células: Em vez de recortar e colar células, você pode arrastá-las e soltá-las para reorganizar um notebook.
- Copiar células entre notebooks: o JupyterLab facilita a cópia de células entre diferentes notebooks. Você pode arrastar e soltar células de um notebook para outro.
- Alternar facilmente para a visualização clássica do Notebook: se você sente falta da interface clássica do Jupyter Notebook, o JupyterLab oferece uma maneira simples de voltar a ela. Basta substituir
/labna URL por/treepara voltar à visualização familiar do notebook. - Várias visualizações: o JupyterLab oferece várias visualizações do mesmo notebook, um recurso especialmente útil para notebooks longos. Você pode abrir diferentes seções lado a lado para compará-las ou explorá-las, e as alterações feitas em uma visualização aparecem na outra.
- Temas personalizáveis: O JupyterLab inclui um tema escuro integrado para o notebook. Também há temas disponíveis para o editor de texto e o terminal, permitindo personalizar a aparência de todo o espaço de trabalho.
Problemas comuns ao trabalhar com o JupyterLab#
Ao trabalhar com o JupyterLab, você pode se deparar com alguns problemas comuns. Veja algumas dicas para usar a plataforma sem complicações:
- Gerenciamento de kernels: os kernels são essenciais porque gerenciam a conexão entre o código que você escreve no JupyterLab e o ambiente em que ele é executado. Quando você fecha um Jupyter Notebook, o kernel continua em execução no servidor para que possa retomar o trabalho demorado mais tarde. Se quiser desligar completamente um kernel, selecione-o, clique com o botão direito e escolha "Desligar kernel" no menu pop-up.
- Instalação de pacotes Python: Às vezes, você pode precisar de pacotes Python adicionais que não vêm pré-instalados no servidor. Você pode instalar esses pacotes no seu diretório pessoal ou em um ambiente virtual usando o comando
python -m pip install package-name. Para ver todos os pacotes instalados, usepython -m pip list. - Implantação de API Flask/FastAPI no Posit Connect: você pode implantar suas APIs Flask e FastAPI no Posit Connect usando o pacote rsconnect-python pelo terminal. Isso facilita a integração dos seus aplicativos Web com o JupyterLab e o compartilhamento deles com outras pessoas.
- Instalação de extensões do JupyterLab: O JupyterLab oferece suporte a várias extensões para ampliar suas funcionalidades. Você pode instalar e personalizar essas extensões conforme suas necessidades.
- Uso de várias versões do Python: se você precisar trabalhar com diferentes versões do Python, poderá usar kernels do Jupyter configurados com versões distintas do Python.
Como usar o JupyterLab para testar o YOLO26#
O JupyterLab facilita a experimentação com YOLO26. Para começar, siga estas etapas.
Etapa 1: instalar o JupyterLab#
Primeiro, você precisa instalar o JupyterLab. Abra o terminal e execute o comando:
# Install the required package for JupyterLab
pip install jupyterlabEtapa 2: baixar o notebook do tutorial do YOLO26#
Em seguida, baixe o arquivo tutorial.ipynb do repositório da Ultralytics no GitHub. Salve o arquivo em qualquer diretório do seu computador local.
Etapa 3: iniciar o JupyterLab#
No terminal, navegue até o diretório em que você salvou o arquivo do notebook. Em seguida, execute o seguinte comando para iniciar o JupyterLab:
jupyter labDepois de executar este comando, o JupyterLab será aberto no navegador padrão, conforme mostrado abaixo.

Etapa 4: Começa a experimentar#
No JupyterLab, abre o notebook tutorial.ipynb. Agora podes começar a executar as células para explorar e experimentar o YOLO26.

O ambiente interativo do JupyterLab permite-te modificar código, visualizar resultados e documentar as tuas descobertas, tudo num só lugar. Podes experimentar diferentes configurações e perceber como o YOLO26 funciona.
Para entender detalhadamente o processo de treinamento do modelo e conhecer as práticas recomendadas, consulte o guia de treinamento de modelos YOLO26. Este guia vai ajudar você a aproveitar ao máximo seus experimentos e garantir o uso eficaz do YOLO26.
Continua a aprender sobre o JupyterLab#
Se quiseres saber mais sobre o JupyterLab, estes recursos ajudam-te a começar:
- Documentação do JupyterLab: Explore os recursos e as funcionalidades do JupyterLab na documentação oficial.
- Experimente com o Binder: Experimente o JupyterLab sem instalar nada usando o Binder, que permite iniciar uma instância ativa do JupyterLab diretamente no navegador.
- Guia de instalação: Consulta o guia de instalação para obter instruções passo a passo sobre como instalar o JupyterLab na tua máquina local.
- Treine Ultralytics YOLO11 usando o JupyterLab: Saiba mais sobre as aplicações práticas do JupyterLab com os modelos Ultralytics YOLO nesta publicação do blog.
Resumo#
Este guia mostrou como usar o JupyterLab para experimentar os modelos Ultralytics YOLO26. Você pode configurar o JupyterLab no seu computador local e começar a trabalhar com YOLO26 em poucos minutos. O JupyterLab facilita treinar e avaliar seus modelos, visualizar resultados e documentar suas descobertas em um só lugar.
Ao contrário de plataformas na nuvem, como o Google Colab, o JupyterLab é executado localmente no seu computador, dando a você mais controle sobre o ambiente de computação e mantendo a experiência interativa de notebooks. Isso o torna especialmente valioso para desenvolvedores que precisam de acesso consistente ao ambiente de desenvolvimento sem depender de recursos na nuvem.
Para mais detalhes, visita a página de perguntas frequentes do JupyterLab.
Perguntas frequentes#
Para treinar um modelo YOLO26 com o JupyterLab:
-
Instala o JupyterLab e o pacote Ultralytics:
pip install jupyterlab ultralytics -
Inicia o JupyterLab e abre um notebook novo.
-
Importe a classe YOLO e carregue um modelo YOLO26n pré-treinado:
from ultralytics import YOLO model = YOLO("yolo26n.pt") -
Treina o modelo com o teu conjunto de dados personalizado:
results = model.train(data="path/to/your/data.yaml", epochs=100, imgsz=640) -
Visualiza os resultados do treino com as funcionalidades de gráficos integradas no JupyterLab:
from ultralytics.utils.plotting import plot_results plot_results("runs/detect/train/results.csv") # guarda results.png junto de results.csv
O ambiente interativo do JupyterLab permite modificar parâmetros, visualizar resultados e iterar no processo de treinamento do modelo.
-
O JupyterLab oferece vários recursos adequados para projetos YOLO26:
- Execução interativa de código: testa e depura trechos de código YOLO26 em tempo real.
- Explorador de ficheiros integrado: gere facilmente conjuntos de dados, pesos de modelos e ficheiros de configuração.
- Layout flexível: Organize vários notebooks, terminais e janelas de saída lado a lado para criar um fluxo de trabalho eficiente.
- Apresentação avançada de resultados: visualiza em linha os resultados de deteção do YOLO26, as curvas de treino e as métricas de desempenho do modelo.
- Suporte para Markdown: documenta as tuas experiências e descobertas com o YOLO26 usando texto formatado e imagens.
- Ecossistema de extensões: amplia as funcionalidades com extensões para controlo de versões, computação remota e muito mais.
Esses recursos proporcionam um fluxo de trabalho fluido ao trabalhar com modelos YOLO26, desde a preparação dos dados até a implantação do modelo.
Para otimizar o desempenho do modelo YOLO26 no JupyterLab:
-
Usa o AutoBatch para escolher o maior tamanho de lote que cabe na memória da GPU:
results = model.train(data="path/to/data.yaml", batch=-1) -
Implementa o ajuste de hiperparâmetros com bibliotecas como o Ray Tune:
result_grid = model.tune(data="path/to/data.yaml", use_ray=True) -
Visualiza e analisa as métricas do modelo com as funcionalidades de gráficos do JupyterLab:
from ultralytics.utils.plotting import plot_results plot_results("runs/detect/train/results.csv") # guarda results.png junto de results.csv -
Experimenta diferentes arquiteturas de modelos e formatos de exportação para encontrar o melhor equilíbrio entre velocidade e precisão para o teu caso de uso específico.
O ambiente interativo do JupyterLab permite iterar rapidamente e receber feedback em tempo real, facilitando a otimização dos modelos YOLO26.
-
Ao trabalhar com o JupyterLab e o YOLO26, podes encontrar alguns problemas comuns. Eis como os resolver:
-
Problemas de memória da GPU:
- Usa
torch.cuda.empty_cache()para libertar memória da GPU entre execuções. - Ajusta o tamanho do lote ou o tamanho da imagem para que caiba na memória da GPU.
- Usa
-
Conflitos entre pacotes:
- Cria um ambiente conda separado para os teus projetos YOLO26 para evitar conflitos.
- Usa
!pip install package_namenuma célula do notebook para instalar os pacotes em falta.
-
Falhas do kernel:
- Reinicia o kernel e executa as células uma a uma para identificar o código problemático.
- Verifica se há fugas de memória no teu código, especialmente ao processar conjuntos de dados grandes.
-
Comentários2
Faz uma pergunta, partilha os teus resultados ou ajuda alguém.
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.