使用 JupyterLab 集成训练Ultralytics YOLO11

研究计算机视觉模型是一件令人兴奋的事情，尤其是当你看到自己的模型表现出色时。通常，计算机视觉开发过程包括几个简单的步骤，如准备数据集和微调模型，如 Ultralytics YOLO11.然而，对于初学者来说，这一过程中的一些部分可能具有挑战性，例如设置开发环境。这正是Ultralytics 支持JupyterLab 等集成的原因，这些集成可以让这些步骤变得更简单。

具体来说，Jupyterlab 集成提供了一个交互式、用户友好的开发环境，使计算机视觉模型的探索和实验变得简单。Jupyterlab 为您提供了一个集成的工作空间。使用它，您可以直接探索和构建计算机视觉模型，而无需分心安装和设置环境。 

例如，JupyterLab 提供了运行代码的笔记本、创建文档的文本编辑器以及与系统交互的终端等工具和功能。事实上，JupyterLab 可让您直接在计算机上轻松实验和训练Ultralytics YOLO11 模型。在本文中，我们将探讨 JupyterLab 与YOLO11 的集成、其工作原理和优势。

什么是 JupyterLab？

JupyterLab 是一款基于网络的工具，可帮助您在一个地方编写和运行代码、组织数据并创建可视化报告。它是 Project Jupyter 的一部分，该项目始于 2014 年，旨在使编码更具交互性和用户友好性。作为 Jupyter Notebook 的升级版，它于 2018 年首次发布，常用于分析数据、创建图表和构建机器学习模型等任务。

JupyterLab 可让您交互式地处理代码和数据，使实验和探索想法变得简单。您还可以创建和共享无缝结合代码、文本和视觉效果的文档，非常适合协作和演示。此外，它灵活的界面可以让你并排组织笔记本、文本文件和终端等工具，还可以添加插件来进一步扩展功能，以满足你的项目需求。

‍

下面是 JupyterLab 的其他一些有趣功能：

• 轻松创建项目：JupyterLab 可让您轻松创建和共享带有图表、图形和仪表盘等视觉效果以及图片、视频和其他媒体的项目。 

• 与他人协作：通过共享笔记本和使用 Git 等工具跟踪更改，您可以轻松地与他人协作。 

• 非常适合初学者：在课堂上，它是编码和数据分析教学的常用工具；在研究中，它是测试想法的常用工具；在开发中，它是软件测试和管理数据工作流等任务的常用工具。

使用 JupyterLab 开展Ultralytics YOLO11 项目

既然我们已经对 JupyterLab 有了更深入的了解，那么就让我们来探讨一下 JupyterLab 集成究竟包括哪些内容，以及在使用YOLO11 时如何加以利用。 

JupyterLab 是使用Ultralytics YOLO11 模型开展 项目的绝佳工具。它提供了一个一体化的环境，让您无需在不同平台间切换即可管理任务和文档，从而简化了开发过程。交互式界面可让您立即运行代码并查看结果，非常适合探索数据或了解YOLO11 模型的性能。您还可以使用 Plotly 等扩展功能创建交互式图表，帮助可视化和完善您的YOLO11 模型。

例如，假设您正在开展一个涉及医疗保健领域人工智能的创新项目。您计划定制训练YOLO11，以帮助医生对 X 光或 CT 扫描图像中的肿瘤进行实时对象检测。YOLO11 可以使用标注了正常和异常区域的医疗图像数据集进行训练。通过 JupyterLab 集成，您可以直接在一个协作性强、代码友好的环境中训练和微调YOLO11 模型。它还提供了用于管理数据集、运行实验和验证模型准确性的工具，使医疗保健领域采用视觉人工智能变得更容易、更高效。

如何集成 JupyterLab

在 JupyterLab 上定制培训YOLO11 模型非常简单。该平台与其前身 Jupyter Notebook 或Google Colab 相似，并提供了一个预配置环境，使用户可以轻松上手。

要为YOLO11 项目设置 JupyterLab，首先要从Ultralytics GitHub 存储库下载 `tutorial.ipynb` 文件，并将其保存到首选目录。然后，打开任何代码编辑器或终端，执行命令 `pip install jupyterlab` 安装 JupyterLab。平台将自动打开并显示下图所示窗口。

安装完成后，请导航到保存笔记本文件的目录，运行 "jupyter lab "命令启动该平台。这将在您的默认网页浏览器中打开 JupyterLab，您可以加载 `tutorial.ipynb` 文件并开始探索YOLO11 。在这个交互式环境中，您可以逐格运行笔记本中的代码，调整设置并即时查看结果。JupyterLab 可让您在一个地方轻松查看输出结果、记录笔记并尝试不同的设置。 

‍

要更好地了解Ultralytics YOLO 模型和最佳实践的培训过程，可以参考 Ultralytics 官方文档。 

选择 Jupyterlab 集成：为何脱颖而出？

在浏览Ultralytics 集成文档时，您会发现有各种各样的集成可供选择。其中有些甚至提供类似的功能。例如，Google Colab 集成提供了一个笔记本风格的环境，支持训练YOLO11 ，包括为特定任务定制训练预训练模型。面对如此众多的集成，重要的是要牢记 JupyterLab 集成的独特之处。 

使用 JupyterLab 集成的主要优势之一是其对扩展的支持。这些扩展可以为您的计算机视觉项目带来巨大变化，并简化模型开发流程。例如，您可以使用 Git 扩展来跟踪进度、与他人共享工作成果，并确保代码始终得到良好维护，而这一切都无需离开 JupyterLab 界面。

以下是 JupyterLab 集成可能是您的项目最佳选择的其他一些原因：

• 轻松管理单元格： 在 JupyterLab 中管理不同的单元格非常简单。你可以拖放单元格来重新排列它们，而不是繁琐的剪切和粘贴方法。

• 跨笔记本单元格复制：您可以通过将单元格从一个笔记本拖放到另一个笔记本，在不同笔记本之间轻松复制单元格。

• 多视图JupyterLab 支持同一笔记本的多个视图，这对于较长的笔记本尤其有用。你可以打开相邻的不同部分，对它们进行比较或探索，在其中一个视图中所做的任何更改都会显示在另一个视图中。

• 轻松切换到经典笔记本视图对于那些更熟悉经典 Jupyter Notebook 界面的用户，JupyterLab 提供了简便的切换功能。您只需将浏览器链接中的"/lab "替换为"/tree"，即可返回熟悉的笔记本视图。

JupyterLab 集成的应用和YOLO11

接下来，让我们探索一下使用 JupyterLab 集成在YOLO11 上工作的一些实际应用。

例如，研究野生动物监测技术的开发人员可以使用 JupyterLab 集成来训练YOLO11 模型。通过自定义训练YOLO11 ，他们可以构建计算机视觉应用，从无人机拍摄的画面中识别濒危物种。JupyterLab 为探索数据、预处理和训练模型提供了单一的工作空间，从而使这一过程变得更加简单。开发人员可以在一个地方运行代码、测试模型和查看结果，从而使工作流程简单而有序。

‍

除野生动物保护外，YOLO11 和 JupyterLab 的可靠组合还可用于各种实际应用，例如：

• 计算机视觉在农业中的应用YOLO11支持各种计算机视觉任务，可帮助检测作物病害、监测植物生长或从无人机或卫星图像中识别杂草，JupyterLab 可简化数据分析和模型优化。

• 制造业的质量控制:通过实时分析图像，YOLO11 可以识别装配线上产品的缺陷，而 JupyterLab 则为完善模型和评估结果提供了一个集中环境。

• 人工智能在物流中的应用: YOLO11 可以自动完成库存跟踪和包裹扫描等任务，它可以检测图像中的物体，并在物体周围放置边框以指示其位置，而 JupyterLab 则提供了使用物流数据高效地训练、验证和测试模型的工具。

集成 Jupyterlab 的优势

下面简要介绍一下 JupyterLab 集成在视觉人工智能方面的一些独特优势：

• 远程访问和可扩展性：它既可以在云平台上运行，也可以在远程服务器上运行，从而可以访问强大的计算资源并开展合作研究。

• 支持多种编程语言： 虽然Python 是最常用的语言，但 JupyterLab 还支持 R、Julia 和 Scala 等其他语言，使其成为适用于各种工作流程的通用语言。

• 数据集成： JupyterLab 可与数据库、云存储和数据处理工具无缝集成，从而更轻松地处理视觉人工智能训练所需的大型数据集。

主要收获

JupyterLab 集成是一个非常有用的工具，它让使用计算机视觉模型（如YOLO11 ）变得更容易。它为您提供了一个单一的工作空间，您可以在此整理数据、训练和测试自定义模型，并与其他开发人员一起工作。借助其有用的扩展和附加组件，您可以专注于构建和改进模型，而不必担心工作环境的设置。 

无论您是在帮助保护野生动物、改进医疗扫描，还是在检查工厂的产品质量，Ultralytics 支持的 JupyterLab 集成都能让整个过程更简单、更高效。

加入我们的社区，查看我们的 GitHub 存储库或指南，了解人工智能。您还可以在我们的解决方案页面探索更多应用，如制造业中的计算机视觉或自动驾驶汽车中的人工智能。