Руководство по использованию JupyterLab для обучения моделей YOLO26
Создавать модели глубокого обучения проще в интерактивной среде, где код, данные и результаты находятся рядом. JupyterLab — это веб-платформа для гибкой и интерактивной работы с кодом. С ее помощью можно работать с большими наборами данных, создавать сложные модели и сотрудничать с другими в одном месте.
Ты можешь использовать JupyterLab для работы над проектами, связанными с моделями Ultralytics YOLO26. Эта платформа позволяет сразу на компьютере экспериментировать с моделями и обучать модели YOLO26. В этом руководстве рассказывается о JupyterLab, его основных возможностях и о том, как с его помощью обучать модели YOLO26.
Что такое JupyterLab?#
JupyterLab — это веб-платформа с открытым исходным кодом для работы с ноутбуками Jupyter, кодом и данными. Это интерфейс нового поколения Project Jupyter, расширяющий возможности классического Jupyter Notebook благодаря более гибкому рабочему пространству.
JupyterLab позволяет работать с ноутбуками, текстовыми редакторами, терминалами и другими инструментами в одном месте. Благодаря гибкому дизайну можно организовать рабочее пространство под свои задачи, что упрощает такие процессы, как анализ данных, визуализация и машинное обучение. JupyterLab также поддерживает совместную работу в реальном времени, что удобно для командных исследовательских проектов и задач в области анализа данных.
Ключевые возможности JupyterLab#
Вот некоторые основные возможности JupyterLab, полезные для разработки моделей и экспериментов:
- Единое рабочее пространство: в отличие от классического Jupyter Notebook, где редактирование текста, доступ к терминалу и работа с ноутбуками выполнялись в разных интерфейсах, JupyterLab объединяет все эти возможности в одной среде. В JupyterLab можно просматривать и редактировать файлы разных форматов, включая JPEG, PDF и CSV, — все необходимое находится в одном рабочем пространстве.
- Гибкая компоновка: перетаскивай вкладки и меняй их размер, чтобы настроить расположение элементов для более эффективной работы. В сворачиваемой левой боковой панели всегда под рукой находятся важные вкладки, например браузер файлов, запущенные ядра и палитра команд. Можно одновременно открыть несколько окон, чтобы эффективнее переключаться между задачами и управлять проектами.
- Интерактивные консоли кода: Консоли кода в JupyterLab предоставляют интерактивную среду для проверки фрагментов кода и функций. Они также служат журналом вычислений, выполненных в блокноте. Создать новую консоль для блокнота и просмотреть все действия ядра просто. Эта возможность особенно полезна при проверке новых идей и устранении ошибок в коде.
- Предварительный просмотр Markdown: благодаря одновременному предварительному просмотру работать с файлами Markdown в JupyterLab удобнее. Пока ты пишешь или редактируешь файл Markdown, отформатированный результат отображается в реальном времени. Так проще проверить, правильно ли отображается документация, не переключаясь между режимами редактирования и предварительного просмотра.
- Запуск кода из текстовых файлов: если ты делишься текстовым файлом с кодом, JupyterLab позволяет легко запустить его прямо на платформе. Выдели код и нажми Shift + Enter, чтобы выполнить его. Это удобно для быстрой проверки фрагментов кода и подтверждения того, что общий код запускается ожидаемым образом.
Почему стоит использовать JupyterLab для проектов с YOLO26?#
Существует множество платформ для разработки и оценки моделей машинного обучения. Вот некоторые возможности JupyterLab, полезные для проектов машинного обучения:
- Удобное управление ячейками: вместо вырезания и вставки ячеек можно перетаскивать их, меняя порядок в ноутбуке.
- Копирование ячеек между блокнотами: В JupyterLab легко копировать ячейки из одного блокнота в другой. Просто перетащи ячейки из одного блокнота в другой.
- Быстрое переключение на классический интерфейс блокнота: Если тебе не хватает классического интерфейса Jupyter Notebook, в JupyterLab можно легко к нему вернуться. Просто замени
/labв URL на/tree, чтобы перейти к привычному интерфейсу блокнота. - Несколько представлений: JupyterLab поддерживает несколько представлений одного блокнота, что особенно полезно при работе с длинными блокнотами. Можно открыть разные разделы рядом, чтобы сравнить их или изучить, а изменения, внесённые в одном представлении, отобразятся и в другом.
- Настраиваемые темы: в JupyterLab для ноутбука предусмотрена встроенная темная тема. Темы доступны также для текстового редактора и терминала, поэтому можно настроить оформление всего рабочего пространства.
Частые проблемы при работе с JupyterLab#
При работе с JupyterLab могут возникнуть некоторые типичные проблемы. Вот несколько советов, которые помогут уверенно пользоваться платформой:
- Управление ядрами: ядра важны, поскольку обеспечивают связь между кодом, который ты пишешь в JupyterLab, и средой его выполнения. Когда ты закрываешь блокнот Jupyter, ядро продолжает работать на сервере, поэтому ты можешь позднее вернуться к длительным задачам. Чтобы полностью остановить ядро, выбери его, щёлкни правой кнопкой мыши и в контекстном меню выбери «Завершить работу ядра».
- Установка пакетов Python: иногда могут понадобиться дополнительные пакеты Python, которые не установлены на сервере заранее. Их можно установить в домашнюю директорию или виртуальное окружение с помощью команды
python -m pip install package-name. Чтобы посмотреть все установленные пакеты, используйpython -m pip list. - Развёртывание API Flask/FastAPI в Posit Connect: Развернуть API Flask и FastAPI в Posit Connect можно из терминала с помощью пакета rsconnect-python. Это упрощает интеграцию веб-приложений с JupyterLab и обмен ими с другими пользователями.
- Установка расширений JupyterLab: JupyterLab поддерживает различные расширения, расширяющие его возможности. Ты можешь устанавливать и настраивать расширения под свои задачи.
- Использование разных версий Python: Если тебе нужно работать с разными версиями Python, можно использовать ядра Jupyter, настроенные на соответствующие версии Python.
Как использовать JupyterLab для экспериментов с YOLO26#
С JupyterLab легко экспериментировать с YOLO26. Чтобы начать, выполни следующие шаги.
Шаг 1: установка JupyterLab#
Сначала установи JupyterLab. Открой терминал и выполни команду:
# Install the required package for JupyterLab
pip install jupyterlabШаг 2: скачивание блокнота с руководством по YOLO26#
Затем скачай файл tutorial.ipynb из репозитория Ultralytics на GitHub. Сохрани файл в любом каталоге на своём компьютере.
Шаг 3: запуск JupyterLab#
В терминале перейди в каталог, где сохранён файл блокнота. Затем выполни следующую команду, чтобы запустить JupyterLab:
jupyter labПосле выполнения этой команды JupyterLab откроется в браузере по умолчанию, как показано ниже.

Шаг 4. Начни экспериментировать#
В JupyterLab открой блокнот tutorial.ipynb. Теперь можно запускать ячейки, чтобы изучать YOLO26 и экспериментировать с ним.

Интерактивная среда JupyterLab позволяет изменять код, визуализировать результаты и документировать свои наблюдения в одном месте. Ты можешь пробовать разные конфигурации и разбираться, как работает YOLO26.
Чтобы подробно разобраться в процессе обучения модели и лучших практиках, обратись к руководству по обучению модели YOLO26. Это руководство поможет извлечь максимум пользы из экспериментов и эффективно использовать YOLO26.
Продолжай изучать JupyterLab#
Если ты хочешь узнать больше о JupyterLab, вот несколько ресурсов, с которых можно начать:
- Документация JupyterLab: изучи возможности и функции JupyterLab в официальной документации.
- Попробуй Binder: экспериментируй с JupyterLab без установки, запустив полноценный экземпляр JupyterLab прямо в браузере с помощью Binder.
- Руководство по установке: пошаговую инструкцию по установке JupyterLab на свой компьютер смотри в руководстве по установке.
- Обучение Ultralytics YOLO11 с помощью JupyterLab: узнай больше о практическом применении JupyterLab с моделями Ultralytics YOLO в этой статье блога.
Итоги#
В этом руководстве показано, как использовать JupyterLab для экспериментов с моделями Ultralytics YOLO26. Ты можешь установить JupyterLab на своем компьютере и начать работать с YOLO26 за несколько минут. JupyterLab упрощает обучение и оценку моделей, визуализацию результатов и документирование выводов в одном месте.
В отличие от облачных платформ, таких как Google Colab, JupyterLab работает локально на твоем компьютере. Это дает больше контроля над вычислительной средой и при этом сохраняет удобство интерактивной работы с ноутбуками. JupyterLab особенно полезен разработчикам, которым нужен постоянный доступ к среде разработки без зависимости от облачных ресурсов.
Подробнее смотри на странице часто задаваемых вопросов о JupyterLab.
Часто задаваемые вопросы#
Чтобы обучить модель YOLO26 с помощью JupyterLab:
-
Установи JupyterLab и пакет Ultralytics:
pip install jupyterlab ultralytics -
Запусти JupyterLab и открой новый блокнот.
-
Импортируй класс YOLO и загрузи предварительно обученную модель YOLO26n:
from ultralytics import YOLO model = YOLO("yolo26n.pt") -
Обучи модель на своём наборе данных:
results = model.train(data="path/to/your/data.yaml", epochs=100, imgsz=640) -
Визуализируй результаты обучения с помощью встроенных в JupyterLab возможностей построения графиков:
from ultralytics.utils.plotting import plot_results plot_results("runs/detect/train/results.csv") # сохраняет results.png рядом с results.csv
Интерактивная среда JupyterLab позволяет изменять параметры, визуализировать результаты и повторять циклы обучения модели.
-
В JupyterLab есть несколько возможностей, полезных для проектов YOLO26:
- Интерактивное выполнение кода: проверяй и отлаживай фрагменты кода YOLO26 в реальном времени.
- Встроенный файловый браузер: легко управляй наборами данных, весами моделей и файлами конфигурации.
- Гибкая компоновка: расположи несколько ноутбуков, терминалов и окон с результатами рядом друг с другом, чтобы оптимизировать рабочий процесс.
- Наглядное отображение результатов: визуализируй результаты обнаружения объектов YOLO26, кривые обучения и метрики производительности модели прямо в блокноте.
- Поддержка Markdown: документируй эксперименты с YOLO26 и свои наблюдения с помощью форматированного текста и изображений.
- Экосистема расширений: расширяй функциональность с помощью расширений для контроля версий, удалённых вычислений и других задач.
Эти возможности помогают организовать работу с моделями YOLO26 — от подготовки данных до развертывания модели.
Чтобы оптимизировать производительность модели YOLO26 в JupyterLab:
-
Используй AutoBatch, чтобы выбрать максимальный размер пакета, который помещается в память GPU:
results = model.train(data="path/to/data.yaml", batch=-1) -
Выполняй подбор гиперпараметров с помощью таких библиотек, как Ray Tune:
result_grid = model.tune(data="path/to/data.yaml", use_ray=True) -
Визуализируй и анализируй метрики модели с помощью возможностей JupyterLab для построения графиков:
from ultralytics.utils.plotting import plot_results plot_results("runs/detect/train/results.csv") # сохраняет results.png рядом с results.csv -
Экспериментируй с различными архитектурами моделей и форматами экспорта, чтобы найти оптимальный баланс скорости и точности для своего конкретного сценария использования.
Интерактивная среда JupyterLab позволяет быстро повторять циклы работы и получать обратную связь в реальном времени, упрощая оптимизацию моделей YOLO26.
-
При работе с JupyterLab и YOLO26 ты можешь столкнуться с некоторыми распространёнными проблемами. Вот как их решить:
-
Проблемы с памятью GPU:
- Используй
torch.cuda.empty_cache(), чтобы очищать память GPU между запусками. - Измени размер пакета или размер изображения, чтобы уложиться в объём памяти GPU.
- Используй
-
Конфликты пакетов:
- Создай отдельную среду conda для проектов YOLO26, чтобы избежать конфликтов.
- Используй
!pip install package_nameв ячейке блокнота, чтобы установить недостающие пакеты.
-
Сбои ядра:
- Перезапусти ядро и выполняй ячейки по одной, чтобы определить проблемный код.
- Проверь код на утечки памяти, особенно при обработке больших наборов данных.
-
Комментарии2
Задай вопрос, поделись результатами или помоги кому-нибудь.
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.