从0开始学YOLO11：Jupyter使用全解析

从0开始学YOLO11：Jupyter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/?token=abc123def456...

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Ctrl+Enter（Windows/Linux）或Cmd+Enter（Mac），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Ctrl+Enter。

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 [00:01<00:00, 9.2it/s] Class Images Instances Box(P R mAP50 mAP50-95): 100%|██████| 6/6 [00:00<00:00, 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.jpg：

• val_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(r"runs/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：

source="datasets/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Jupyter！）
• "0"→ 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

1. 在左侧文件树空白处右键 → “Upload Files” → 选择你的.jpg或.png
2. 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Ctrl+Enter。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_crop=True）

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：

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mosaic=0.8或hsv_s=0.9，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。