当前位置：首页 > news >正文

YOLO11镜像使用教程：SSH和Jupyter两种方式快速启动

news 2026/5/12 21:44:01

YOLO11镜像使用教程：SSH和Jupyter两种方式快速启动

想快速上手YOLO11进行目标检测，但被繁琐的环境配置和复杂的命令行操作劝退？今天，我来带你体验一个更简单的方法——使用预置的YOLO11完整镜像。这个镜像已经打包好了所有依赖，让你能跳过环境搭建的坑，直接进入核心的开发与训练环节。

更重要的是，它提供了两种启动方式：SSH和Jupyter。无论你是习惯在终端里敲代码的“命令行高手”，还是偏爱在浏览器里点点划划的“可视化爱好者”，都能找到最适合自己的入口。接下来，我们就来看看如何用这两种方式，快速启动你的YOLO11项目。

1. 两种启动方式：总有一款适合你

这个YOLO11镜像最大的便利，就是提供了两种截然不同的工作环境。你可以根据自己当下的任务和习惯，灵活选择。

1.1 Jupyter方式：可视化交互，上手零门槛

如果你更喜欢在浏览器里写代码、看结果，那么Jupyter方式绝对是你的首选。它提供了一个基于网页的交互式笔记本环境，特别适合数据探索、模型调试和结果可视化。

启动与访问步骤：

启动镜像：在镜像管理页面，找到YOLO11镜像并启动它。
获取访问链接：镜像启动成功后，在实例详情页，你会看到一个“打开JupyterLab”或类似的按钮。点击它。
进入工作区：浏览器会自动打开一个新的标签页，这就是你的JupyterLab工作环境了。界面通常分为文件浏览器、代码编辑区和运行结果区，非常直观。

在JupyterLab里，你可以直接创建新的Python笔记本（.ipynb文件），在里面编写和运行YOLO11的训练、推理代码。代码块可以分段执行，中间结果（如图片、图表）会直接显示在笔记本中，调试和展示效果一流。

1.2 SSH方式：全功能终端，深度控制

如果你需要进行更复杂的文件操作、后台任务管理，或者就是单纯喜欢在终端里工作的掌控感，那么SSH方式是你的不二之选。它为你提供了一个完整的Linux Shell环境。

连接步骤：

启动镜像并获取连接信息：同样先启动镜像。在实例详情页，找到SSH连接信息，通常会提供主机IP（或域名）、端口号、用户名和密码。
使用SSH客户端连接：
- Windows用户：可以使用PuTTY、Xshell，或者Windows 10/11自带的PowerShell或终端（输入ssh username@hostname -p port）。
- Mac/Linux用户：直接打开终端，输入ssh username@hostname -p port即可。
输入密码：根据提示输入密码，即可成功登录到镜像的系统中。

登录后，你就拥有了一个完整的命令行环境。可以像操作本地服务器一样，使用cd,ls,vim,python等命令，自由地进行项目开发。

2. 进入项目与初体验

无论你通过哪种方式进入环境，第一件事都是找到YOLO11的项目目录。根据镜像文档的提示，项目位于ultralytics-8.3.9/目录下。

在Jupyter中：你可以在左侧的文件浏览器中直接导航到这个文件夹。在SSH终端中：使用cd命令切换目录。

cd ultralytics-8.3.9/

进入目录后，你可以先运行一个简单的命令来测试环境是否正常。例如，运行官方提供的训练脚本（这是一个示例，可能需要你准备好数据集和配置文件）：

python train.py

如果环境配置正确，你会看到训练过程开始初始化，输出一些日志信息。这证明你的YOLO11环境已经准备就绪，可以开始真正的项目了。

3. 实战演练：构建一个人与车的检测器

光启动环境还不够，我们来实战一下，用这个镜像快速构建一个简单的目标检测模型，比如检测“人”和“车”。

3.1 准备你的数据集

任何机器学习项目都始于数据。你需要准备一些包含人和车的图片。

建立文件夹结构：在项目内创建一个清晰的数据集目录，例如resources/images/det/。在里面再分别创建train/images,train/labels,val/images,val/labels等子文件夹，用于存放训练集和验证集的图片及标签。
使用Labelme标注：这是一个非常流行的开源图像标注工具。你可以通过pip install labelme安装它。运行labelme打开界面，用矩形框工具在图片上框出每一个“人”或“车”，并为其打上正确的标签（person或car）。Labelme会将标注信息保存为JSON文件。
转换标签格式：YOLO系列模型通常使用特定的TXT格式标签（每行代表一个目标：class_id center_x center_y width height，均为归一化后的值）。你需要将Labelme的JSON格式转换成这种格式。可以写一个简单的Python脚本（tool_json2label_det.py）来自动化这个过程。
划分数据集：将标注好的图片和对应的TXT标签文件，按照一定比例（如8:2）分配到train和val文件夹中。同样，可以编写脚本（tool_det2datasets.py）来随机划分并整理好目录。

3.2 配置数据与模型

数据准备好后，需要告诉YOLO11你的数据在哪里，以及要检测哪些类别。

创建数据配置文件：新建一个YAML文件，比如resources/config/data/yolo11-det.yaml。内容大致如下：

path: ../ultralytics-yolo11/resources/images/det/datasets # 数据集根路径 train: train/images # 训练集图片路径（相对于path） val: val/images # 验证集图片路径（相对于path） # 类别名称和ID names: 0: person 1: car

选择或配置模型：YOLO11提供了多种规模的预训练模型（如n, s, m, l, x）。你可以直接加载官方的预训练权重进行微调。如果需要自定义网络结构，也可以参考官方模型配置文件（如yolo11n.yaml）创建自己的配置文件，主要修改其中的nc（类别数）参数为你这里的2。

3.3 编写训练脚本并开始训练

现在，可以编写训练脚本了。在Jupyter中新建一个笔记本，或在SSH环境下用vim创建一个Python文件，例如train_det.py。

from ultralytics import YOLO, settings # 可选：设置运行和权重保存目录 settings.update({"runs_dir": "./runs", "weights_dir": "./weights"}) def main(): # 加载模型。这里以加载预训练的YOLO11n模型并微调为例 model = YOLO("yolo11n.pt") # 使用预训练权重 # 开始训练！ results = model.train( data="resources/config/data/yolo11-det.yaml", # 你的数据配置 epochs=100, # 训练轮数 imgsz=640, # 输入图像尺寸 batch=16, # 批次大小（根据GPU内存调整） workers=4, # 数据加载线程数 project="my_det_project", # 项目名称 name="exp1", # 实验名称 resume=False, # 是否从上次检查点恢复 device=0 # 使用GPU 0，如果是CPU则设为'cpu' ) if __name__ == "__main__": main()

运行这个脚本，训练就开始了。你可以在终端或Jupyter中看到实时的训练日志，包括损失下降曲线、精度指标等。

3.4 使用训练好的模型进行推理

训练完成后，最好的模型权重通常会保存在runs/detect/my_det_project/exp1/weights/best.pt。现在，让我们用它来检测新图片。

创建一个推理脚本predict_det.py：

from ultralytics import YOLO # 加载我们训练好的最佳模型 model = YOLO("runs/detect/my_det_project/exp1/weights/best.pt") # 对单张图片、一个文件夹下的所有图片或视频进行预测 results = model.predict( source="path/to/your/test_image.jpg", # 可以是图片路径、文件夹路径、视频路径或URL imgsz=640, # 推理尺寸 conf=0.25, # 置信度阈值 iou=0.45, # NMS的IoU阈值 save=True, # 保存带检测框的图片/视频 show=True, # 在屏幕上显示结果（如果环境支持） project="detect/predict", # 保存结果的目录 name="exp" ) # 你也可以遍历结果，获取更详细的信息 for result in results: boxes = result.boxes # 检测框信息 print(boxes)

运行脚本，你就能在detect/predict/exp目录下看到模型对输入图片的检测结果，人和车都被准确地框选了出来。