YOLO11保姆级教程：从Jupyter到SSH完整部署流程-深圳市維司達科技有限公司

YOLO11保姆级教程：从Jupyter到SSH完整部署流程

YOLO11是Ultralytics公司推出的最新目标检测算法，作为YOLO系列的最新迭代版本，在精度、速度和模型轻量化方面实现了新的突破。相比前代，它在保持高推理效率的同时，进一步提升了对小目标和密集场景的识别能力，适用于工业质检、智能安防、自动驾驶等多种实际应用场景。更重要的是，YOLO11提供了更加友好的开发接口和训练流程，让开发者能够快速上手并完成定制化模型训练。

本文介绍的YOLO11完整可运行环境，是一个基于官方代码库构建的深度学习镜像，集成了PyTorch、CUDA、OpenCV等必要依赖，预装了Jupyter Lab和SSH服务，支持通过网页端或本地终端两种方式接入。无论你是刚入门的新手还是有经验的工程师，都可以在这个环境中直接开始训练、推理和调试，无需繁琐的环境配置过程。

1. Jupyter的使用方式

1.1 如何访问Jupyter界面

当你成功启动YOLO11镜像后，系统会自动运行Jupyter Lab服务，并提供一个可通过浏览器访问的URL链接。通常这个地址形如http://<IP地址>:8888/?token=xxxxx，你可以在控制台输出中找到具体的访问地址。

复制该链接并在本地电脑的浏览器中打开，即可进入Jupyter Lab工作界面。你会看到文件目录结构，包括ultralytics-8.3.9/主项目文件夹以及其他辅助工具脚本。

如图所示，Jupyter界面清晰地列出了所有可用文件和子目录。你可以点击进入ultralytics-8.3.9/文件夹，查看核心代码模块，例如train.py、detect.py和models/等。

1.2 在Jupyter中运行训练任务

虽然YOLO11主要通过命令行方式进行训练，但你也可以在Jupyter Notebook中调用Python脚本来执行训练任务，便于边调试边观察结果。

创建一个新的Notebook，输入以下代码：

import os os.chdir("ultralytics-8.3.9") # 切换到项目根目录 from ultralytics import YOLO # 加载预训练模型（支持yolov11n, yolov11s, yolov11m, yolov11l, yolov11x） model = YOLO("yolov11s.pt") # 开始训练 results = model.train( data="coco.yaml", epochs=100, imgsz=640, batch=16, name="yolov11s_exp" )

这段代码首先切换到项目主目录，然后加载一个中等规模的YOLO11模型（yolov11s），接着使用COCO数据集进行100轮训练。你可根据自己的硬件条件调整batch大小或图像尺寸。

训练过程中，Jupyter会实时输出日志信息，包括损失值、mAP指标、GPU利用率等，方便你监控训练状态。

1.3 查看可视化结果

训练完成后，模型会自动保存权重文件和训练日志。在Jupyter中，你可以使用内置绘图功能查看训练曲线。

继续在Notebook中添加如下代码：

from IPython.display import Image Image("runs/detect/yolov11s_exp/results.png")

这将显示一张包含各项指标变化趋势的图表，帮助你判断模型是否收敛。

此外，还可以用以下代码进行单张图片的推理测试：

results = model("data/images/bus.jpg") results[0].show()

如图所示，模型能准确识别出车辆、行人等目标，边界框清晰，置信度标注明确，说明训练已取得良好效果。

2. SSH的使用方式

2.1 配置SSH连接参数

对于习惯使用命令行操作的用户，SSH是最高效的方式。YOLO11镜像默认开启了SSH服务，允许你从本地终端安全登录远程服务器。

你需要获取以下信息：

服务器公网IP地址
登录用户名（通常是root或ubuntu）
密码或私钥文件（根据平台设置）

以Linux/Mac系统为例，在终端执行：

ssh root@<你的IP地址> -p 22

如果是Windows用户，可以使用PuTTY或WSL中的OpenSSH客户端连接。

首次连接时，系统可能会提示“是否信任该主机”，输入yes继续。随后输入密码即可登录成功。

2.2 使用SSH执行训练任务

登录后，首先进入YOLO11项目目录：

cd ultralytics-8.3.9/

确认当前路径下存在train.py、detect.py等关键脚本文件。你可以使用ls命令查看内容。

接下来运行训练脚本：

python train.py

如果你希望指定特定模型和参数，可以加上命令行选项：

python train.py --model yolov11m.pt --data coco.yaml --epochs 100 --imgsz 640 --batch 12 --name yolov11m_custom

该命令将使用中型模型yolov11m，在640×640分辨率下训练100轮，每批次处理12张图像，并将实验命名为yolov11m_custom。

训练过程会在终端持续输出进度条和性能指标，包括当前epoch、GPU显存占用、损失函数值等。

2.3 后台运行与日志记录

为了避免网络中断导致训练中断，建议使用nohup或screen工具让任务在后台持续运行。

例如：

nohup python train.py --name yolov11_background > train.log 2>&1 &

这条命令将训练任务放入后台运行，并将所有输出重定向到train.log文件中。你可以随时通过以下命令查看日志：

tail -f train.log

如果需要暂停或终止任务，可以使用ps查找进程ID，再用kill命令结束：

ps aux | grep train.py kill -9 <PID>

3. 使用YOLO11进行模型训练与推理

3.1 进入项目目录

无论是通过Jupyter还是SSH方式操作，第一步都是定位到YOLO11的核心项目目录：

cd ultralytics-8.3.9/

这是整个项目的根目录，包含了模型定义、训练逻辑、数据加载器、配置文件等全部组件。确保你在执行任何命令前都处于此路径下，否则可能出现“ModuleNotFoundError”或“File not found”错误。

3.2 运行训练脚本

YOLO11的训练入口为train.py，只需一行命令即可启动默认训练流程：

python train.py

默认情况下，该脚本会：

自动下载YOLO11n（nano版）预训练权重
使用COCO数据集进行迁移学习
设置基础超参数（如epoch=100, imgsz=640, batch=16）

如果你想自定义训练任务，可以通过参数传入不同配置：

参数	说明
`--model`	指定模型权重文件（如`yolov11s.pt`）
`--data`	数据集配置文件路径（需包含train/val路径）
`--epochs`	训练总轮数
`--imgsz`	输入图像大小（推荐640）
`--batch`	每批次样本数量（根据显存调整）
`--device`	指定GPU设备（如`0`或`0,1`多卡）
`--name`	实验名称，用于区分不同训练任务

举个例子，如果你想在双GPU上训练大型模型，命令如下：

python train.py \ --model yolov11x.pt \ --data my_dataset.yaml \ --epochs 150 \ --imgsz 640 \ --batch 32 \ --device 0,1 \ --name yolov11x_large_dataset

3.3 观察训练结果

训练开始后，系统会在runs/train/目录下生成对应实验的子文件夹，例如yolov11s_exp/。其中包含以下重要文件：

weights/best.pt：最佳性能模型权重
weights/last.pt：最后一轮保存的权重
results.csv：各轮次指标记录（loss, mAP等）
results.png：训练曲线图
confusion_matrix.png：分类混淆矩阵

如图所示，训练曲线平稳下降，mAP@0.5 达到较高水平，表明模型正在有效学习特征。若发现损失震荡或不下降，可尝试降低学习率或检查数据质量。

3.4 执行推理任务

训练完成后，你可以使用detect.py脚本对新图片或视频进行目标检测：

python detect.py --source data/images/test.jpg --weights runs/train/yolov11s_exp/weights/best.pt

检测结果将保存在runs/detect/exp/文件夹中，包含原图叠加检测框的可视化图像。

支持的输入类型包括：

单张图片（.jpg,.png）
图片目录（--source folder/）
视频文件（.mp4,.avi）
摄像头设备（--source 0）

例如，实时摄像头检测命令为：

python detect.py --source 0 --weights weights/best.pt

程序将调用默认摄像头并实时显示检测画面，适合用于安防监控、机器人导航等场景。

4. 总结

本文详细介绍了YOLO11从环境部署到实际使用的完整流程，涵盖Jupyter和SSH两种主流交互方式。通过预置镜像，我们省去了复杂的依赖安装环节，实现了开箱即用的目标检测开发体验。

在Jupyter环境下，适合初学者边学边试，利用Notebook的交互特性逐步理解模型结构与训练逻辑；而在SSH模式下，更适合批量处理任务、长期训练和自动化脚本调度，尤其适合生产环境部署。

无论哪种方式，核心操作都围绕train.py和detect.py展开，只需简单几条命令就能完成从数据准备到模型落地的全流程。YOLO11不仅延续了YOLO系列“快而准”的传统优势，还在易用性和扩展性上做了显著提升，真正做到了科研与工程兼顾。

现在你已经掌握了YOLO11的基本使用方法，下一步可以尝试用自己的数据集进行微调，或将训练好的模型导出为ONNX/TensorRT格式，部署到边缘设备中。

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保姆级教程：从Jupyter到SSH完整部署流程