JupyterLab 有哪些关键功能使其适用于 YOLO26 项目？

JupyterLab 提供了多项适用于 YOLO26 项目的功能：; 交互式代码执行：实时测试和调试 YOLO26 代码片段。; 集成文件浏览器：轻松管理数据集、模型权重和配置文件。; 灵活布局：将多个笔记本、终端和输出窗口并排排列，以实现高效的工作流程。; 丰富的输出显示：内嵌可视化 YOLO26 检测结果、训练曲线和模型性能指标。; 支持 Markdown：使用富文本和图像记录 YOLO26 实验和发现。; 扩展生态：通过扩展增强功能，例如版本控制、远程计算等。. 从数据准备到模型部署，这些功能都能让你使用 YOLO26 模型时的工作流程更加顺畅。

如何使用 JupyterLab 优化 YOLO26 模型性能？

在 JupyterLab 中优化 YOLO26 模型性能：; 使用 AutoBatch 选择能够装入 GPU 内存的最大批次大小：; 使用 Ray Tune 等库实现超参数调优：; 使用 JupyterLab 的绘图功能可视化并分析模型指标：; 尝试不同的模型架构和导出格式，为你的具体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并提供实时反馈，让你更轻松地优化 YOLO26 模型。

使用 JupyterLab 和 YOLO26 时，如何处理常见问题？

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：; GPU 内存问题：; 使用 torch.cuda.empty_cache() 在多次运行之间清理 GPU 内存。; 调整批次大小或图像尺寸，以适应 GPU 内存。; 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 安装缺少的软件包。; 内核崩溃：; 重启内核，然后逐个运行单元格，以找出有问题的代码。; 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。

如何使用 JupyterLab 训练 YOLO26 模型指南#

Q: 如何使用 JupyterLab 训练 YOLO26 模型？

使用 JupyterLab 训练 YOLO26 模型：; 安装 JupyterLab 和 Ultralytics 软件包：; 启动 JupyterLab 并打开一个新笔记本。; 导入 YOLO 类并加载预训练的 YOLO26n 模型：; 使用自定义数据集训练模型：; 使用 JupyterLab 内置的绘图功能可视化训练结果：. JupyterLab 的交互式环境让你可以修改参数、可视化结果，并迭代模型训练流程。

在代码、数据和结果并列呈现的交互式环境中，构建深度学习模型会更加轻松。JupyterLab 是一个基于 Web 的平台，让编码过程灵活且具有交互性。你可以在一个地方处理大型数据集、构建复杂模型并与他人协作。

你可以使用 JupyterLab 开展与 Ultralytics YOLO26 模型相关的项目。它让你可以直接在计算机上开始试验和训练 YOLO26 模型。本指南将介绍 JupyterLab、其主要功能，以及如何使用它训练 YOLO26 模型。

什么是 JupyterLab？#

JupyterLab 是一个开源的 Web 平台，专为使用 Jupyter 笔记本、代码和数据而设计。它是 Project Jupyter 的新一代界面，并在经典 Jupyter Notebook 的基础上扩展出更灵活的工作区。

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。其灵活的设计让你可以根据需求整理工作区，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，这对研究和数据科学团队项目很有帮助。

JupyterLab 的关键功能#

以下是让 JupyterLab 适用于模型开发和实验的一些主要功能：

一体化工作区：与文本编辑、终端访问和笔记本各自使用独立界面的经典 Jupyter Notebook 不同，JupyterLab 将所有这些功能整合到一个统一的环境中。你可以直接在 JupyterLab 中查看和编辑 JPEG、PDF 和 CSV 等多种文件格式，让所需的一切都保留在同一工作区中。
灵活的布局：你可以拖放和调整标签页大小，创建个性化布局，从而提高工作效率。可折叠的左侧边栏让文件浏览器、正在运行的内核和命令面板等重要标签页触手可及。你可以同时打开多个窗口，从而更有效地处理多项任务并管理项目。
交互式代码控制台：JupyterLab 中的代码控制台提供了交互式空间，可用于测试代码片段或函数。它们还可以记录笔记本中的计算过程。你可以轻松地为笔记本创建新控制台，并查看所有内核活动。在尝试新想法或排查代码问题时，这项功能尤其有用。
Markdown 预览：JupyterLab 支持同步预览功能，让你能更高效地处理 Markdown 文件。编写或编辑 Markdown 文件时，你可以实时查看格式化后的输出。这样无需在编辑模式和预览模式之间切换，就能更轻松地检查文档的渲染效果。
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 可以让你轻松地直接在平台中运行代码。你可以选中代码并按 Shift + Enter 执行。这有助于快速验证代码片段，并确认你分享的代码能够按预期运行。

为什么要在 YOLO26 项目中使用 JupyterLab？#

有多个平台可用于开发和评估机器学习模型。以下是 JupyterLab 的一些功能，它们有助于开展机器学习项目：

轻松管理单元格：无需剪切和粘贴单元格，你可以通过拖放来调整笔记本中单元格的顺序。
在笔记本之间复制单元格：JupyterLab 让你可以轻松地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 可以让你轻松切换回去。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同步到另一个视图。
可自定义主题：JupyterLab 内置了适用于笔记本的深色主题。文本编辑器和终端也提供了其他主题，让你可以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。以下是帮助你顺畅使用该平台的一些建议：

管理内核：内核至关重要，因为它负责管理你在 JupyterLab 中编写的代码与其运行环境之间的连接。关闭 Jupyter Notebook 后，内核仍会在服务器上运行，因此你之后可以继续处理长时间运行的任务。如果你想彻底关闭内核，可以选中内核并右键单击，然后从弹出菜单中选择“关闭内核”。
安装 Python 包：有时，你可能需要安装服务器上未预装的其他 Python 包。你可以使用命令 python -m pip install package-name 将这些包安装到主目录或虚拟环境中。要查看所有已安装的包，请使用 python -m pip list。
将 Flask/FastAPI API 部署到 Posit Connect：你可以在终端中使用 rsconnect-python 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，并与他人共享。
安装 JupyterLab 扩展：JupyterLab 支持各种扩展来增强功能。你可以安装并自定义这些扩展，以满足自己的需求。
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。按照以下步骤开始使用。

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。将该文件保存到本地计算机上的任意目录。

第 3 步：启动 JupyterLab#

使用终端导航到保存笔记本文件的目录。然后运行以下命令启动 JupyterLab：

用法

jupyter lab

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

在 Web 浏览器中打开的 JupyterLab 界面

第 4 步：开始实验#

在 JupyterLab 中打开 tutorial.ipynb 笔记本。现在，你可以开始运行单元格，探索并试验 YOLO26。

在 JupyterLab 中打开的 Ultralytics YOLO26 教程笔记本

JupyterLab 的交互式环境让你可以在同一处修改代码、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，并确保你有效地使用 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入门：

JupyterLab 文档：在官方文档中了解 JupyterLab 的功能和特性。
通过 Binder 试用：使用 Binder 体验 JupyterLab，无需安装任何内容；Binder 可以直接在浏览器中启动一个实时 JupyterLab 实例。
安装指南：如需在本地计算机上安装 JupyterLab 的分步指南，请参阅安装指南。
使用 JupyterLab 训练 Ultralytics YOLO11：在这篇博客文章中，进一步了解 JupyterLab 与 Ultralytics YOLO 模型结合使用的实际应用。

总结#

本指南介绍了如何使用 JupyterLab 试验 Ultralytics YOLO26 模型。你可以在本地计算机上设置 JupyterLab，并在几分钟内开始使用 YOLO26。JupyterLab 让你可以轻松地在同一处训练和评估模型、可视化输出并记录发现。

与 Google Colab 等云平台不同，JupyterLab 在你的本地计算机上运行，让你能更好地控制计算环境，同时仍可享受交互式笔记本体验。对于需要稳定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。

如需了解更多详情，请访问 JupyterLab 常见问题页面。

常见问题#

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 类并加载预训练的 YOLO26n 模型：
  
  from ultralytics import YOLO model = YOLO("yolo26n.pt")
4. 使用自定义数据集训练模型：
  
  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") # 将 results.png 保存在 results.csv 旁边
JupyterLab 的交互式环境让你可以修改参数、可视化结果，并迭代模型训练流程。
JupyterLab 提供了多项适用于 YOLO26 项目的功能：
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：将多个笔记本、终端和输出窗口并排排列，以实现高效的工作流程。
4. 丰富的输出显示：内嵌可视化 YOLO26 检测结果、训练曲线和模型性能指标。
5. 支持 Markdown：使用富文本和图像记录 YOLO26 实验和发现。
6. 扩展生态：通过扩展增强功能，例如版本控制、远程计算等。
从数据准备到模型部署，这些功能都能让你使用 YOLO26 模型时的工作流程更加顺畅。
在 JupyterLab 中优化 YOLO26 模型性能：
1. 使用 AutoBatch 选择能够装入 GPU 内存的最大批次大小：
  
  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 的绘图功能可视化并分析模型指标：
  
  from ultralytics.utils.plotting import plot_results plot_results("runs/detect/train/results.csv") # 将 results.png 保存在 results.csv 旁边
4. 尝试不同的模型架构和导出格式，为你的具体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并提供实时反馈，让你更轻松地优化 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。
  
  调整批次大小或图像尺寸，以适应 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 安装缺少的软件包。
3. 内核崩溃：
  
  重启内核，然后逐个运行单元格，以找出有问题的代码。
  
  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-jocher¹⁴ RAraimbekovm² RIRizwanMunawar² LALaughing-q² Y-Y-T-G¹ WIWillieMaddox¹ MAMatthewNoyce¹ FRfrancesco-mttl¹ ABabirami-vina¹

创建时间 2024年7月29日更新时间 23小时前

评论²

new-php 2025年2月10日
"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 Guide

This version should come across as more critical and focused on the potential issues. Feel free to adjust further!
1. Glenn JocherUltralytics2025年2月10日
  @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.

Get Started