YOLO11新手指南：Jupyter和SSH使用全解析-平芜编程栈

YOLO11新手指南：Jupyter和SSH使用全解析

1. 前言

随着计算机视觉技术的快速发展，YOLO系列模型持续演进，YOLO11作为最新一代目标检测与实例分割框架，在精度、速度和多任务能力上实现了显著提升。对于初学者而言，快速搭建可运行环境并掌握核心开发工具是进入该领域的第一步。

本文基于预置的YOLO11完整可运行镜像，重点讲解如何通过Jupyter Notebook和SSH（Secure Shell）两种主流方式高效使用该深度学习环境。无论你是数据科学新手还是有一定经验的开发者，都能通过本指南快速上手YOLO11项目开发，完成从环境连接到模型训练的全流程操作。

文章将涵盖：

Jupyter Notebook 的访问与交互式开发技巧
SSH 远程终端连接配置方法
镜像内项目结构说明与基础命令操作
模型训练与推理实战示例

帮助你零门槛启动 YOLO11 实验，专注于算法实现而非环境配置。

2. Jupyter Notebook 使用详解

2.1 什么是 Jupyter Notebook？

Jupyter Notebook 是一个开源的 Web 应用程序，允许用户创建和共享包含实时代码、方程、可视化和文本的文档。在深度学习领域，它是进行实验记录、调试模型和展示结果的理想工具。

本 YOLO11 镜像已内置 Jupyter 环境，无需额外安装即可直接使用。

2.2 启动与访问 Jupyter

当你成功启动 YOLO11 镜像后，系统通常会自动运行 Jupyter 服务。你会看到类似以下输出信息：

[I 10:30:45.123 NotebookApp] Serving notebooks from local directory: /workspace [I 10:30:45.124 NotebookApp] The Jupyter Notebook is running at: [I 10:30:45.124 NotebookApp] http://localhost:8888/?token=abc123def456... [I 10:30:45.124 NotebookApp] Use Control-C to stop this server and shut down all kernels (twice to skip confirmation).

此时你可以通过浏览器访问提示中的 URL 地址（如http://localhost:8888/?token=...），即可进入 Jupyter 主界面。

注意：若为远程服务器部署，请确保端口 8888 已开放，并正确配置了反向代理或 SSH 隧道。

2.3 在 Jupyter 中操作 YOLO11 项目

进入 Jupyter 后，你会看到文件目录结构。找到ultralytics-8.3.9/文件夹并进入。

切换至项目根目录

在任意 Notebook 单元格中执行：

import os os.chdir("/workspace/ultralytics-8.3.9") print("当前工作目录：", os.getcwd())

这一步确保后续训练脚本能正确加载配置文件和数据路径。

快速运行训练任务

你可以在 Notebook 中直接编写并运行训练代码，例如：

from ultralytics import YOLO # 加载模型配置并初始化权重 model = YOLO("yolo11m-seg.yaml").load("weights/yolo11m-seg.pt") # 开始训练 results = model.train( data="point-offer-seg.yaml", epochs=30, imgsz=640, batch=8, device=0 # 使用 GPU 0 )

这种方式便于实时查看损失曲线、评估指标变化，适合调参和实验记录。

2.4 可视化训练过程

Jupyter 的一大优势在于其强大的可视化能力。训练过程中生成的日志图表（如results.png、confusion_matrix.png）可以直接在 Notebook 中显示：

from IPython.display import Image Image(filename='runs/segment/train2/results.png', width=800)

此外，还可以利用%matplotlib inline展示自定义分析图，极大提升调试效率。

3. SSH 远程终端使用指南

3.1 为什么使用 SSH？

虽然 Jupyter 提供了图形化交互体验，但在实际工程中，SSH 终端仍是大多数 AI 工程师的首选开发方式。它具有以下优势：

更高效的命令行操作
支持后台任务运行（如nohup或tmux）
易于批量处理脚本和自动化任务
资源占用低，适合长时间训练任务

3.2 如何建立 SSH 连接

假设你的 YOLO11 镜像运行在远程服务器或云平台上，获取以下信息后即可连接：

服务器 IP 地址（如192.168.1.100）
登录用户名（如user）
密码或私钥文件（.pem）

使用终端执行：

ssh user@192.168.1.100 -p 22

如果使用密钥认证：

ssh -i ~/.ssh/id_rsa user@192.168.1.100

连接成功后，你将获得一个 Linux 命令行环境，可以直接操作 YOLO11 项目。

3.3 常用命令操作流程

进入项目目录

cd ultralytics-8.3.9/

这是所有训练和推理操作的基础路径。

查看目录结构

ls -l

典型输出如下：

drwxr-xr-x 5 user user 4096 Dec 5 10:00 datasets/ drwxr-xr-x 3 user user 4096 Dec 5 10:00 weights/ drwxr-xr-x 7 user user 4096 Dec 5 10:00 runs/ -rw-r--r-- 1 user user 1234 Dec 5 10:00 train.py -rw-r--r-- 1 user user 567 Dec 5 10:00 infer.py

运行训练脚本

python train.py

如果你希望在断开 SSH 后仍保持训练进程运行，建议使用nohup或tmux：

nohup python train.py > training.log 2>&1 &

该命令将训练日志重定向到training.log，并在后台运行。

监控训练状态

查看 GPU 使用情况：

nvidia-smi

查看日志输出：

tail -f training.log

或直接查看训练进度图：

cat runs/segment/train2/results.csv | head -10

4. YOLO11 项目实战：从训练到推理

4.1 数据准备与标注

YOLO11 支持多种任务类型，包括实例分割。推荐使用Labelme工具进行多边形标注。

安装 Labelme

pip install labelme

启动标注工具：

labelme

选择“创建多边形”模式对图像中的对象进行精细分割标注，保存后生成同名.json文件。

4.2 标签格式转换：JSON → YOLO TXT

YOLO11 使用归一化的多边形坐标格式：

<class-id> <x1> <y1> <x2> <y2> ... <xn> <yn>

其中所有坐标值均在[0,1]范围内。

以下是转换脚本示例：

import json import os label_to_class_id = { "person": 0, "bicycle": 1, "car": 2, } def convert_labelme_json_to_yolo(json_file, output_dir, img_width, img_height): with open(json_file, 'r') as f: data = json.load(f) file_name = os.path.splitext(os.path.basename(json_file))[0] txt_path = os.path.join(output_dir, f"{file_name}.txt") with open(txt_path, 'w') as txt_file: for shape in data['shapes']: label = shape['label'] class_id = label_to_class_id.get(label) if class_id is None: continue points = shape['points'] normalized = [(x / img_width, y / img_height) for x, y in points] line = [str(class_id)] for nx, ny in normalized: line.append(f"{nx:.6f}") line.append(f"{ny:.6f}") txt_file.write(" ".join(line) + "\n") if __name__ == "__main__": json_dir = "json_labels" output_dir = "labels" img_width, img_height = 640, 640 os.makedirs(output_dir, exist_ok=True) for fname in os.listdir(json_dir): if fname.endswith(".json"): path = os.path.join(json_dir, fname) convert_labelme_json_to_yolo(path, output_dir, img_width, img_height)

运行后将在labels/目录下生成对应的.txt标签文件。

4.3 配置数据集 YAML 文件

在ultralytics/cfg/datasets/下新建point-offer-seg.yaml：

path: ./datasets/seg_point_offer_20240930 train: train/images val: val/images names: 0: person 1: bicycle 2: car

请根据实际数据路径修改path字段。

4.4 编写训练脚本

在项目根目录创建train.py：

from ultralytics import YOLO model = YOLO("yolo11m-seg.yaml").load("weights/yolo11m-seg.pt") train_params = { 'data': 'point-offer-seg.yaml', 'epochs': 30, 'imgsz': 640, 'batch': 8, 'device': 0, 'workers': 8, 'optimizer': 'AdamW', 'lr0': 0.001, 'weight_decay': 0.0005, 'warmup_epochs': 3, 'box': 7.5, 'cls': 0.5, 'dfl': 1.5, 'mask_ratio': 4, 'overlap_mask': True, 'hsv_h': 0.2, 'hsv_s': 0.7, 'hsv_v': 0.4, 'degrees': 30.0, 'translate': 0.1, 'scale': 0.5, 'fliplr': 0.5, 'mosaic': 0.5, 'close_mosaic': 10, 'amp': True, 'verbose': True, } results = model.train(**train_params)

4.5 执行训练

在 SSH 终端中运行：

python train.py

训练完成后，最佳权重将保存在：

runs/segment/train/weights/best.pt

同时生成训练曲线、混淆矩阵等可视化结果。

4.6 模型推理与预测

创建infer.py进行推理测试：

from ultralytics import YOLO model = YOLO("runs/segment/train/weights/best.pt") results = model.predict( source="datasets/test_images/", imgsz=640, conf=0.45, iou=0.6, device=0, save=True, save_txt=True, show_labels=True, show_conf=True )

运行：

python infer.py

预测结果图像将保存在runs/segment/predict/目录下，包含边界框与分割掩膜。

5. 总结

本文系统介绍了如何使用 YOLO11 深度学习镜像，通过Jupyter Notebook和SSH 终端两种方式开展计算机视觉项目开发。

我们重点覆盖了以下内容：

Jupyter 使用场景：适合交互式开发、实验记录与可视化分析，特别适用于教学和调参。
SSH 终端优势：更适合生产级任务，支持后台运行、资源监控和自动化脚本管理。
完整训练流程：从数据标注、标签转换、YAML 配置、模型训练到推理部署，形成闭环。
实用代码模板：提供了可直接复用的数据转换脚本、训练参数配置和推理代码。

无论是新手入门还是团队协作，掌握这两种开发模式将大幅提升你在 YOLO11 上的工作效率。

下一步建议：

尝试不同规模的模型（如yolo11n-seg,yolo11x-seg）对比性能
探索其他任务类型（姿态估计、OBB 旋转检测）
使用 TensorBoard 分析训练过程

只要环境就绪，剩下的就是专注创新！

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。

YOLO11新手指南：Jupyter和SSH使用全解析