企业官网建设流程全解析

郴州卖房网站,福永网站推广,移动优化课主讲:夫唯老师,个人网站免费申请从0开始学YOLO11#xff1a;Jupyter使用全解析 你是不是也遇到过这样的问题#xff1a;下载了YOLO11镜像#xff0c;点开Jupyter却不知道从哪下手#xff1f;界面里一堆文件夹#xff0c;train.py点开全是代码#xff0c;连怎么运行都摸不着头脑#xff1f;别急——这篇…从0开始学YOLO11Jupyter使用全解析你是不是也遇到过这样的问题下载了YOLO11镜像点开Jupyter却不知道从哪下手界面里一堆文件夹train.py点开全是代码连怎么运行都摸不着头脑别急——这篇文章就是为你写的。不讲晦涩原理不堆参数术语只说你在Jupyter里真正要做的每一步怎么打开、怎么看目录、怎么改代码、怎么点一下就跑起来、训练完结果在哪看、图片检测效果怎么保存……全程在浏览器里操作不用敲命令行小白也能照着做。我们用的镜像是「YOLO11完整可运行环境」它已经把Ultralytics 8.3.9、CUDA驱动、PyTorch、OpenCV、Jupyter Lab全装好了连权重文件yolo11m.pt都预置在weights/目录下。你唯一要做的就是打开浏览器进入Jupyter然后跟着这篇文字像操作Word一样完成一次完整的YOLO11目标检测训练与推理。1. 第一次打开Jupyter认路比写代码更重要当你启动YOLO11镜像后控制台会输出类似这样的地址http://127.0.0.1:8888/?tokenabc123def456...复制整段链接粘贴到Chrome或Edge浏览器中不要用Safari部分功能兼容性不佳回车——你就进入了Jupyter Lab工作台。注意如果打不开请确认镜像已成功运行且端口8888未被占用若提示“Invalid token”说明链接已过期重新查看终端最新输出的token链接。刚进来的界面左侧是文件导航栏右侧是主工作区。别慌我们先搞清三个核心区域顶部菜单栏File / Edit / View / Run / Kernel / Settings / Help左侧文件树显示当前所有文件和文件夹重点找ultralytics-8.3.9/这个主目录右侧面板默认是空的点击任意.py或.ipynb文件它就会在这里打开你看到的不是黑底白字的命令行而是一个图形化开发环境——这意味着不用记cd命令不用背python train.py路径所有操作点一点、双击一下就能执行这就是Jupyter对新手最友好的地方。2. 快速定位关键文件5分钟理清项目结构在左侧文件树中展开ultralytics-8.3.9/目录你会看到类似这样的结构ultralytics-8.3.9/ ├── datasets/ ← 你的数据放这里图片标签 ├── weights/ ← 预训练权重已存在yolo11m.pt等 ├── train.py ← 核心训练脚本已写好可直接运行 ├── infer.py ← 推理脚本检测图片/视频用 ├── ultralytics/ ← YOLO11源码库不用动 └── ...我们不需要从零新建工程所有必需文件都已经存在且配置就绪。你只需关注这4个位置2.1train.py点一下就能开始训练双击打开train.py你会看到一段清晰的Python代码——它已经调用了Ultralytics官方API加载了yolo11m.yaml模型结构并指定了weights/yolo11m.pt作为预训练权重。关键参数都在train_params { ... }字典里比如data: auto-parts-det.yaml→ 数据集配置文件稍后我们会说明怎么改epochs: 100→ 训练轮数想快点试效果改成30就行imgsz: 640→ 输入图像尺寸保持默认即可batch: 8→ 每次处理8张图显存小可调成4小技巧Jupyter里运行Python脚本不用终端。把光标放在train.py文件末尾按CtrlEnterWindows/Linux或CmdEnterMac就能直接执行——就像点“运行”按钮一样。2.2datasets/放数据的地方必须按规则组织YOLO11要求数据严格分三类文件夹datasets/ └── det_auto_parts_20241020/ ← 你的数据集根目录名字可自定义 ├── train/ │ ├── images/ ← 放训练图片jpg/png │ └── labels/ ← 放对应txt标签与图片同名 ├── val/ │ ├── images/ │ └── labels/ └── test/ ← 可选验证用如果你还没有自己的数据镜像里其实自带了一个精简示例datasets/det_num40/40张带标注的数字图。你可以直接拿它来测试流程。2.3weights/预训练模型就在这儿打开weights/文件夹你会看到yolo11n.pt轻量版yolo11m.pt平衡版本文默认使用yolo11l.pt大模型需更高显存yolo11x.pt超大版它们都是官方发布的、已在COCO等大数据集上预训练好的权重。你不需要自己训练从头开始的模型直接加载它们再用你的小数据微调fine-tune效果更好、速度更快。2.4ultralytics/cfg/datasets/数据集配置文件放这里回到左侧文件树依次展开ultralytics-8.3.9/→ultralytics/→cfg/→datasets/你会看到一堆.yaml文件比如coco128.yaml、VOC.yaml。其中有一个叫auto-parts-det.yaml的文件——它就是为示例数据集det_auto_parts_20241020/配置的。双击打开它内容很简单path: ./datasets/det_auto_parts_20241020 train: train/images val: val/images names: 0: part_a 1: part_b 2: part_c重点来了只要你把自己的数据集放到datasets/下并改名为my_dataset/就只需要修改这一处path:后面的路径其他都不用动。比如path: ./datasets/my_dataset # ← 改成你的文件夹名然后回到train.py把data: auto-parts-det.yaml改成data: my_dataset.yaml即可。3. 用Jupyter Lab跑通第一次训练3步搞定现在我们来实操一次完整训练。不写新代码只做三件事改路径、点运行、看日志。3.1 第一步确认数据路径正确假设你已把标注好的图片和txt标签放进datasets/my_custom_data/结构如下datasets/my_custom_data/ ├── train/ │ ├── images/ ← 100张.jpg │ └── labels/ ← 100个.txt与图片同名 └── val/ ├── images/ ← 20张.jpg └── labels/ ← 20个.txt→ 然后打开ultralytics/cfg/datasets/my_custom_data.yaml如不存在右键 → New → Text File命名为my_custom_data.yaml填入path: ./datasets/my_custom_data train: train/images val: val/images names: 0: person 1: car 2: bicycle类别数量和名称必须和你的txt标签里class_id严格一致0,1,2…不能跳号3.2 第二步修改train.py中的配置项打开train.py找到这行data: auto-parts-det.yaml,把它改成data: my_custom_data.yaml,再往下找model YOLO(yolo11m.yaml).load(weights/yolo11m.pt)如果你想换小模型节省显存改成model YOLO(yolo11n.yaml).load(weights/yolo11n.pt)其他参数保持默认即可。想缩短训练时间把epochs: 100改成epochs: 20。3.3 第三步一键运行实时看进度把光标移到train.py最后一行results model.train(**train_params)后面按CtrlEnter。你会立刻在下方看到滚动日志Transferred 649/649 items from pretrained weights Ultralytics 8.3.9 Python-3.9.16 torch-1.13.1 CUDA:0 (NVIDIA A30, 24062MiB) Starting training for 20 epochs... Epoch GPU_mem box_loss cls_loss dfl_loss Instances Size 1/20 4.21G 2.312 1.705 2.481 120 640: 100%|██████| 12/12 [00:0100:00, 9.2it/s] Class Images Instances Box(P R mAP50 mAP50-95): 100%|██████| 6/6 [00:0000:00, 10.8it/s] all 60 240 0.712 0.689 0.745 0.521这说明模型已成功加载预训练权重数据集路径识别正确否则会报错“No images found”训练正在GPU上进行看到CUDA:0就对了每轮耗时、显存占用、各项指标P/R/mAP实时刷新训练完成后终端会输出20 epochs completed in 0.012 hours. Optimizer stripped from runs/detect/train6/weights/last.pt, 38.2MB Optimizer stripped from runs/detect/train6/weights/best.pt, 38.2MB→ 这意味着最佳模型已保存在runs/detect/train6/weights/best.pt可直接用于检测。4. 训练结果在哪看可视化图表检测样图一目了然训练结束后Jupyter不会自动弹窗告诉你“完成了”。你需要手动查看成果。别担心所有输出都按规范存放路径非常固定。4.1 查看训练曲线图直观判断是否过拟合在左侧文件树中展开runs/→detect/→train6/数字可能不同找最新生成的文件夹→results.csv右键点击results.csv→ “Download”用Excel或WPS打开。它包含每一epoch的全部指标train/box_loss,val/box_loss,metrics/mAP50-95(B)等。更方便的是Jupyter里已内置绘图脚本。在ultralytics-8.3.9/目录下有一个现成的plot_results.py或类似名称双击运行它会自动生成results.png图表清晰展示训练损失 vs 验证损失两条线靠得越近越好mAP50曲线持续上升说明学习有效Precision/Recall变化趋势4.2 查看检测样图真实效果一眼可见继续在runs/detect/train6/下打开val_batch0_pred.jpg和val_batch0_labels.jpgval_batch0_pred.jpg模型在验证集第一批次图片上的预测结果带框标签置信度val_batch0_labels.jpg同一张图的真实标注绿色框无置信度对比这两张图你能立刻判断 框有没有偏移 小目标有没有漏检 背景干扰会不会误检如果效果不理想不用重头来——调整train.py里的hsv_h,mosaic,iou等增强或后处理参数再跑一次即可。5. 用infer.py做目标检测上传一张图3秒出结果训练完模型下一步就是让它干活。Jupyter里最简单的用法用infer.py对单张图、文件夹或摄像头做实时检测。5.1 修改infer.py指定你的模型和图片打开infer.py找到这段model YOLO(rruns/detect/train6/weights/best.pt)确保路径指向你刚训练好的best.pt如果文件夹名是train7就改成train7。再找这行sourcedatasets/det_num40/images/,你可以改成datasets/my_custom_data/val/images/→ 检测整个验证集test_image.jpg→ 检测当前目录下一张图先上传到Jupyter0→ 调用本地摄像头需浏览器授权5.2 上传自己的图片两步操作在左侧文件树空白处右键 → “Upload Files” → 选择你的.jpg或.png确保图片和infer.py在同一级目录或写对相对路径5.3 运行并保存结果光标移到infer.py最后按CtrlEnter。几秒后你会看到控制台输出检测数量12 persons, 3 cars found自动生成runs/detect/predict/文件夹里面是带检测框的图片image0.jpg、txt坐标文件、甚至裁剪出的目标小图如果启用了save_cropTrue所有结果都保存在Jupyter文件系统里右键 → “Download” 即可导出到本地。6. 常见问题现场解决这些报错90%的人都遇到过在Jupyter里跑YOLO11新手最常卡在这几个地方。我们把解决方案直接写成“检查清单”遇到就对照报错信息原因一句话解决No module named ultralytics环境没激活或路径错确认你在ultralytics-8.3.9/目录下运行不是根目录No images found in ...数据路径不对或文件夹名拼错检查my_custom_data.yaml中path:是否指向./datasets/xxx且xxx/下有train/images/CUDA out of memory显存不足把train.py中batch: 8改成4或2imgsz: 640改成320KeyError: namesyaml里没写names:或缩进错误用在线YAML校验器yamllint.com检查格式确保names:顶格下面的0:缩进2空格Permission denied: runs/权限问题在Jupyter终端右上角 → Terminal输入chmod -R 755 runs/终极技巧Jupyter左上角菜单 → Kernel → Restart Clear All Outputs → 再运行。很多奇怪问题重启内核就消失。7. 进阶提示不碰命令行也能做这些事你以为Jupyter只能点点点其实它还能帮你干更多事在线编辑yaml双击任何.yaml文件Jupyter会以文本模式打开支持语法高亮和自动缩进快速查看图片在代码里写from IPython.display import Image; Image(datasets/my_data/train/images/001.jpg)图片直接显示在下方实时打印变量在train.py里加一行print(model.names)运行后立刻看到类别列表批量重命名右键文件夹 → “Rename”支持正则替换如把img_*.jpg批量改为000*.jpg导出为脚本右键.ipynb→ “Export Notebook As” → “Executable Script”得到标准.py文件Jupyter不是玩具它是专为AI开发者设计的“可视化IDE”——你写的每一行代码都有即时反馈你改的每一个配置都能马上验证效果。8. 总结你已经掌握了YOLO11在Jupyter里的完整工作流回顾一下今天我们只用浏览器完成了打开Jupyter Lab认清界面三大区域定位train.py、datasets/、weights/、cfg/datasets/四大关键位置修改一个yaml路径、改一行代码就让YOLO11训练你的数据实时看训练日志3分钟判断模型是否收敛用infer.py对任意图片做检测结果一键下载遇到报错5秒内定位原因并修复你不需要成为Linux高手也不用背几十个参数。YOLO11镜像的价值就在于把复杂封装成简单而Jupyter的价值是把简单变成所见即所得。下一步你可以➡ 拿自己的手机拍10张照片标注后跑一次训练➡ 把infer.py改成读取摄像头实现桌面端实时检测➡ 在train_params里调mosaic0.8或hsv_s0.9观察数据增强对效果的影响真正的掌握从来不是记住所有参数而是知道哪里改、为什么改、改完怎么看效果。而你现在已经站在了这个起点上。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。