Ultralytics YOLO27：

使用 JupyterLab 训练 YOLO26 模型指南#

构建深度学习模型可能很困难，尤其是在缺少合适工具或工作环境的情况下。如果你正面临这个问题，JupyterLab 可能是适合你的解决方案。JupyterLab 是一个用户友好的 Web 平台，让编码更加灵活、互动。你可以在一个地方处理大型数据集、创建复杂模型，甚至与他人协作。

你可以使用 JupyterLab 来开展项目，处理与 Ultralytics YOLO26 模型相关的工作。JupyterLab 是进行高效模型开发和实验的绝佳选择。你可以直接在计算机上轻松开始试验和训练 YOLO26 模型。下面让我们深入了解 JupyterLab 的主要功能，以及如何使用它训练 YOLO26 模型。

什么是 JupyterLab？#

JupyterLab 是一个开源 Web 平台，专为处理 Jupyter 笔记本、代码和数据而设计。它是传统 Jupyter Notebook 界面的升级版，提供了更加灵活、强大的用户体验。

JupyterLab 让你可以在一个地方使用笔记本、文本编辑器、终端和其他工具。其灵活的设计让你能够根据需求组织工作区，并更轻松地完成数据分析、可视化和机器学习等任务。JupyterLab 还支持实时协作，非常适合研究和数据科学团队项目。

JupyterLab 的主要功能#

以下是一些使 JupyterLab 成为模型开发和实验理想选择的主要功能：

  • 一体化工作区：JupyterLab 是满足你所有数据科学需求的一站式工具。经典 Jupyter Notebook 为文本编辑、终端访问和笔记本提供了独立界面，而 JupyterLab 则将这些功能整合到一个统一、连贯的环境中。你可以直接在 JupyterLab 中查看和编辑包括 JPEG、PDF 和 CSV 在内的各种文件格式。一体化工作区让你能够随时访问所需的一切，从而简化工作流程并节省时间。
  • 灵活的布局：JupyterLab 的突出功能之一是灵活的布局。你可以拖放和调整选项卡大小，创建有助于提高工作效率的个性化布局。可折叠的左侧边栏让文件浏览器、运行中的内核和命令面板等重要选项卡触手可及。你还可以同时打开多个窗口，从而更高效地处理多项任务和管理项目。
  • 交互式代码控制台：JupyterLab 中的代码控制台提供了用于测试代码片段或函数的交互式空间，也可作为笔记本内计算过程的日志。你可以轻松为笔记本创建新控制台并查看所有内核活动。在试验新想法或排查代码问题时，这项功能尤其有用。
  • Markdown 预览：借助同步预览功能，在 JupyterLab 中处理 Markdown 文件更加高效。编写或编辑 Markdown 文件时，你可以实时查看格式化输出。这让你更容易仔细检查文档是否显示正确，无需在编辑模式和预览模式之间反复切换。
  • 从文本文件运行代码：如果你要分享包含代码的文本文件，JupyterLab 可以让你直接在平台中运行这些代码。你可以选中代码并按 Shift + Enter 执行。这样非常适合快速验证代码片段，并有助于确保所分享的代码可运行且没有错误。

为什么要将 JupyterLab 用于 YOLO26 项目？#

开发和评估机器学习模型的平台有很多，那么 JupyterLab 的优势是什么？下面让我们了解 JupyterLab 为你的机器学习项目提供的一些独特功能：

  • 轻松管理单元格：在 JupyterLab 中管理单元格非常简单。无需使用繁琐的剪切粘贴方式，你只需拖放单元格即可重新排列它们。
  • 跨笔记本复制单元格：JupyterLab 让你可以轻松在不同笔记本之间复制单元格。你可以将单元格从一个笔记本拖放到另一个笔记本中。
  • 轻松切换到经典笔记本视图：如果你怀念经典的 Jupyter Notebook 界面，JupyterLab 支持轻松切换回该界面。只需将 URL 中的 /lab 替换为 /tree，即可返回熟悉的笔记本视图。
  • 多视图：JupyterLab 支持同时查看同一笔记本的多个视图，这对较长的笔记本尤其有用。你可以并排打开不同部分进行比较或探索，在一个视图中所做的任何更改都会反映到另一个视图中。
  • 可自定义主题：JupyterLab 内置了适合夜间编码的笔记本深色主题。文本编辑器和终端也提供主题选项，让你能够自定义整个工作区的外观。

使用 JupyterLab 时的常见问题#

使用 JupyterLab 时，你可能会遇到一些常见问题。以下建议可以帮助你顺畅地使用该平台：

  • 管理内核：内核非常重要，因为它负责管理你在 JupyterLab 中编写的代码与运行代码的环境之间的连接。内核还可以访问笔记本之间共享的数据。当你关闭 Jupyter Notebook 时，内核可能仍在运行，因为其他笔记本可能正在使用它。如果你想完全关闭内核，可以选中它并右键单击，然后从弹出菜单中选择“关闭内核”。
  • 安装 Python 软件包：有时你可能需要服务器上未预安装的其他 Python 软件包。你可以使用命令 python -m pip install package-name 在主目录或虚拟环境中轻松安装这些软件包。要查看所有已安装的软件包，请使用 python -m pip list。
  • 将 Flask/FastAPI API 部署到 Posit Connect：你可以通过终端使用 rsconnect-python 软件包，将 Flask 和 FastAPI API 部署到 Posit Connect。这样可以更轻松地将 Web 应用与 JupyterLab 集成，并与他人分享。
  • 安装 JupyterLab 扩展：JupyterLab 支持各种扩展来增强功能。你可以安装和自定义这些扩展，以满足自己的需求。有关详细说明，请参阅 JupyterLab 扩展指南。
  • 使用多个 Python 版本：如果你需要使用不同版本的 Python，可以使用配置为不同 Python 版本的 Jupyter 内核。

如何使用 JupyterLab 试用 YOLO26#

JupyterLab 让你可以轻松试验 YOLO26。按照以下简单步骤即可开始。

第 1 步：安装 JupyterLab#

首先，你需要安装 JupyterLab。打开终端并运行以下命令：

安装
# Install the required package for JupyterLab
pip install jupyterlab

第 2 步：下载 YOLO26 教程笔记本#

接下来，从 Ultralytics GitHub 仓库下载 tutorial.ipynb 文件。将此文件保存到本地计算机上的任意目录。

第 3 步：启动 JupyterLab#

使用终端进入保存笔记本文件的目录。然后运行以下命令启动 JupyterLab：

使用方法
jupyter lab

运行此命令后，JupyterLab 会在默认 Web 浏览器中打开，如下所示。

JupyterLab 在浏览器中打开的示意图

第 4 步：开始试验#

在 JupyterLab 中打开 tutorial.ipynb 笔记本。现在你可以运行各个单元格，探索和试验 YOLO26。

在 JupyterLab 中打开的 YOLO26 笔记本示意图

JupyterLab 的交互式环境让你可以在一个地方修改代码、可视化输出并记录发现。你可以尝试不同的配置，了解 YOLO26 的工作原理。

如需详细了解模型训练流程和最佳实践，请参阅 YOLO26 模型训练指南。本指南将帮助你充分利用实验，并确保有效使用 YOLO26。

继续学习 JupyterLab#

如果你想进一步了解 JupyterLab，以下资源可以帮助你开始：

  • JupyterLab 文档：深入阅读官方 JupyterLab 文档，了解其功能和能力。这是全面掌握这一强大工具使用方法的好途径。
  • 使用 Binder 试用：使用 Binder 无需安装任何内容即可体验 JupyterLab。Binder 允许你直接在浏览器中启动实时 JupyterLab 实例，是立即开始试验的好方法。
  • 安装指南：如需在本地计算机上安装 JupyterLab 的分步指南，请查看安装指南。
  • 使用 JupyterLab 训练 Ultralytics YOLO26：通过这篇详细的博客文章，进一步了解 JupyterLab 与 YOLO26 模型结合使用的实际应用。

总结#

我们已经了解了 JupyterLab 如何成为试验 Ultralytics YOLO26 模型的强大工具。借助其灵活的交互式环境，你可以轻松在本地计算机上设置 JupyterLab，并开始使用 YOLO26。JupyterLab 让你可以在一个地方轻松训练和评估模型、可视化输出并记录发现。

与 Google Colab 等其他平台不同，JupyterLab 在本地计算机上运行，让你能够更好地控制计算环境，同时仍提供交互式笔记本体验。对于需要持续访问开发环境且不依赖云资源的开发者来说，这一点尤其有价值。

如需更多详情，请访问 JupyterLab 常见问题页面。

想了解更多 YOLO26 集成？查看 Ultralytics 集成指南，探索适用于机器学习项目的其他工具和功能。

常见问题#

  • 要使用 JupyterLab 训练 YOLO26 模型：

    1. 安装 JupyterLab 和 Ultralytics 软件包：

      pip install jupyterlab ultralytics

    2. 启动 JupyterLab 并打开一个新笔记本。

    3. 导入 YOLO 模型并加载预训练模型：

      from ultralytics import YOLO

model = YOLO("yolo26n.pt")

    4. 在自定义数据集上训练模型：

      results = model.train(data="path/to/your/data.yaml", epochs=100, imgsz=640)

    5. 使用 JupyterLab 内置的绘图功能可视化训练结果：

      from ultralytics.utils.plotting import plot_results

plot_results("runs/detect/train/results.csv")

    JupyterLab 的交互式环境让你可以轻松修改参数、可视化结果，并迭代模型训练流程。

  • JupyterLab 提供了多项功能，使其非常适合 YOLO26 项目：

    1. 交互式代码执行：实时测试和调试 YOLO26 代码片段。
    2. 集成文件浏览器：轻松管理数据集、模型权重和配置文件。
    3. 灵活布局：并排排列多个笔记本、终端和输出窗口，提高工作效率。
    4. 丰富的输出显示：在界面中直接可视化 YOLO26 检测结果、训练曲线和模型性能指标。
    5. Markdown 支持：使用富文本和图像记录 YOLO26 实验和发现。
    6. 扩展生态系统：通过用于版本控制、远程计算等功能的扩展来增强功能。

    这些功能让你在处理 YOLO26 模型时，从数据准备到模型部署都能获得流畅的开发体验。

  • 要在 JupyterLab 中优化 YOLO26 模型性能：

    1. 使用 AutoBatch 来选择适合 GPU 内存的最大批量大小：

      results = model.train(data="path/to/data.yaml", batch=-1)

    2. 使用 Ray Tune 等库实现超参数调优：

      result_grid = model.tune(data="path/to/data.yaml", use_ray=True)

    3. 使用 JupyterLab 的绘图功能可视化和分析模型指标：

      from ultralytics.utils.plotting import plot_results

plot_results("runs/detect/train/results.csv")

    4. 尝试不同的模型架构和导出格式，为特定用例找到速度与准确率之间的最佳平衡。

    JupyterLab 的交互式环境支持快速迭代和实时反馈，让你能够更高效地优化 YOLO26 模型。

  • 使用 JupyterLab 和 YOLO26 时，你可能会遇到一些常见问题。以下是处理方法：

    1. GPU 内存问题：

      • 使用 torch.cuda.empty_cache() 在多次运行之间清理 GPU 内存。
      • 调整批量大小或图像尺寸，使其适应 GPU 内存。

    2. 软件包冲突：

      • 为 YOLO26 项目创建独立的 conda 环境，以避免冲突。
      • 在笔记本单元格中使用 !pip install package_name 安装缺失的软件包。

    3. 内核崩溃：

      • 重启内核并逐个运行单元格，以定位出现问题的代码。
      • 检查代码中是否存在内存泄漏，尤其是在处理大型数据集时。
贡献者
GLglenn-jocher11RAraimbekovm2RIRizwanMunawar2LALaughing-q2Y-Y-T-G1WIWillieMaddox1MAMatthewNoyce1AMambitious-octopus1ABabirami-vina1

评论