YOLO12保姆级教程Jupyter环境配置7860端口Web访问全步骤1. 环境准备与快速部署1.1 系统要求与前置准备在开始配置YOLO12之前确保你的环境满足以下基本要求GPU配置推荐RTX 4090 D或同等级别GPU显存23GB以上操作系统Ubuntu 20.04或更高版本Python版本Python 3.10.19CUDA版本CUDA 12.6存储空间至少50GB可用空间如果你使用的是云服务器建议选择预装CUDA的镜像这样可以节省大量配置时间。1.2 一键环境配置脚本为了简化安装过程我准备了一个完整的安装脚本。将以下代码保存为install_yolo12.sh#!/bin/bash echo 开始安装YOLO12环境... # 更新系统包 sudo apt update sudo apt upgrade -y # 安装基础依赖 sudo apt install -y python3-pip python3-venv git wget curl # 创建虚拟环境 python3 -m venv yolo12_env source yolo12_env/bin/activate # 安装PyTorch和CUDA支持 pip install torch2.7.0 torchvision0.17.0 torchaudio2.7.0 --index-url https://download.pytorch.org/whl/cu126 # 安装YOLO12相关依赖 pip install ultralytics gradio opencv-python pillow supervisor # 创建工作目录 mkdir -p /root/workspace cd /root/workspace echo 环境安装完成给脚本添加执行权限并运行chmod x install_yolo12.sh ./install_yolo12.sh1.3 验证安装结果安装完成后使用以下命令验证关键组件是否正常import torch import ultralytics print(fPyTorch版本: {torch.__version__}) print(fCUDA可用: {torch.cuda.is_available()}) print(fGPU数量: {torch.cuda.device_count()}) print(f当前GPU: {torch.cuda.get_device_name(0)}) print(fUltralytics版本: {ultralytics.__version__})如果一切正常你应该看到类似这样的输出PyTorch版本: 2.7.0 CUDA可用: True GPU数量: 1 当前GPU: NVIDIA GeForce RTX 4090 D Ultralytics版本: 8.2.02. Jupyter环境配置2.1 安装和配置Jupyter LabJupyter Lab提供了更好的交互体验特别适合深度学习和计算机视觉任务# 安装Jupyter Lab pip install jupyterlab # 生成Jupyter配置文件 jupyter lab --generate-config # 设置访问密码 jupyter lab password # 修改配置文件 echo c.ServerApp.ip 0.0.0.0 ~/.jupyter/jupyter_lab_config.py echo c.ServerApp.port 8888 ~/.jupyter/jupyter_lab_config.py echo c.ServerApp.open_browser False ~/.jupyter/jupyter_lab_config.py echo c.ServerApp.allow_root True ~/.jupyter/jupyter_lab_config.py2.2 启动Jupyter Lab服务使用以下命令在后台启动Jupyter Lab# 启动Jupyter Lab nohup jupyter lab --allow-root /root/workspace/jupyter.log 21 # 查看启动状态 tail -f /root/workspace/jupyter.log启动成功后你会看到类似这样的输出[I 2025-01-01 10:00:00.000 ServerApp] Jupyter Server 1.0.0 is running at: [I 2025-01-01 10:00:00.000 ServerApp] http://hostname:8888/lab2.3 访问Jupyter Lab通过浏览器访问你的Jupyter Lab本地访问http://localhost:8888远程访问http://你的服务器IP:8888首次访问时需要输入之前设置的密码。3. YOLO12 Web服务部署3.1 配置Supervisor进程管理Supervisor可以确保YOLO12服务稳定运行即使出现异常也会自动重启# 创建Supervisor配置文件 sudo tee /etc/supervisor/conf.d/yolo12.conf EOF [program:yolo12] command/root/workspace/yolo12_env/bin/python -m gradio yolo12_web.py directory/root/workspace autostarttrue autorestarttrue startretries3 stderr_logfile/root/workspace/yolo12_error.log stdout_logfile/root/workspace/yolo12.log userroot environmentPYTHONPATH/root/workspace EOF # 更新Supervisor配置 sudo supervisorctl reread sudo supervisorctl update3.2 创建YOLO12 Web界面创建yolo12_web.py文件这是Gradio Web界面的核心代码import gradio as gr from ultralytics import YOLO import cv2 import json import os # 加载预训练模型 model YOLO(yolo12m.pt) def yolo12_detection(image, conf_threshold0.25, iou_threshold0.45): YOLO12目标检测函数 # 执行推理 results model.predict( sourceimage, confconf_threshold, iouiou_threshold, saveFalse, showFalse ) # 获取检测结果 result results[0] annotated_image result.plot() # 绘制检测框 # 提取检测信息 detections [] for box in result.boxes: detection { class: model.names[int(box.cls)], confidence: float(box.conf), bbox: box.xywh[0].tolist() } detections.append(detection) return annotated_image, json.dumps(detections, indent2) # 创建Gradio界面 with gr.Blocks(titleYOLO12目标检测) as demo: gr.Markdown(# YOLO12实时目标检测) gr.Markdown(上传图片进行80类物体检测支持调整置信度和IOU阈值) with gr.Row(): with gr.Column(): image_input gr.Image(label上传图片, typenumpy) conf_slider gr.Slider(0.1, 0.9, 0.25, label置信度阈值) iou_slider gr.Slider(0.1, 0.9, 0.45, labelIOU阈值) detect_btn gr.Button(开始检测, variantprimary) with gr.Column(): image_output gr.Image(label检测结果) json_output gr.JSON(label检测详情) detect_btn.click( fnyolo12_detection, inputs[image_input, conf_slider, iou_slider], outputs[image_output, json_output] ) # 启动服务 if __name__ __main__: demo.launch( server_name0.0.0.0, server_port7860, shareFalse )3.3 启动YOLO12 Web服务使用Supervisor启动服务# 启动服务 sudo supervisorctl start yolo12 # 查看服务状态 sudo supervisorctl status yolo12正常状态下你会看到yolo12 RUNNING pid 1234, uptime 0:00:304. 7860端口访问配置4.1 防火墙配置确保7860端口对外开放# 检查防火墙状态 sudo ufw status # 开放7860端口 sudo ufw allow 7860 sudo ufw allow 8888 # Jupyter端口 # 重启防火墙 sudo ufw enable sudo ufw reload4.2 验证端口访问使用以下命令检查端口是否正常监听# 检查7860端口 netstat -tlnp | grep 7860 # 检查服务状态 curl -I http://localhost:78604.3 Web界面访问通过浏览器访问YOLO12 Web界面本地访问http://localhost:7860远程访问http://你的服务器IP:7860云服务器访问https://gpu-实例ID-7860.web.gpu.csdn.net/5. 使用教程与实战演示5.1 第一次使用YOLO12打开Web界面后你会看到简洁的操作面板上传图片点击上传按钮或拖拽图片到指定区域调整参数置信度阈值默认0.25检测严格程度IOU阈值默认0.45重叠框过滤程度开始检测点击开始检测按钮查看结果右侧显示标注图片和详细JSON数据5.2 实际检测示例让我们用一个实际例子来演示完整流程# 在Jupyter中测试YOLO12 from ultralytics import YOLO import cv2 # 加载模型 model YOLO(yolo12m.pt) # 执行检测 results model.predict( sourcehttps://ultralytics.com/images/bus.jpg, conf0.25, saveTrue ) # 显示结果 results[0].show()5.3 参数调优建议根据不同的使用场景推荐以下参数配置高精度模式要求准确率置信度0.5-0.7IOU0.4-0.5适合安防监控、医学影像高速模式要求实时性置信度0.2-0.3IOU0.3-0.4适合实时视频流、自动驾驶平衡模式默认推荐置信度0.25IOU0.45适合大多数应用场景6. 常见问题解决6.1 服务启动失败如果服务无法启动首先检查日志# 查看错误日志 tail -50 /root/workspace/yolo12_error.log # 常见错误1端口占用 sudo lsof -i :7860 sudo kill -9 进程ID # 常见错误2依赖缺失 pip install --upgrade ultralytics gradio6.2 检测性能优化如果检测速度较慢可以尝试以下优化# 优化推理速度 results model.predict( sourceimage, conf0.25, iou0.45, imgsz640, # 减小图像尺寸 halfTrue, # 使用半精度推理 device0, # 指定GPU verboseFalse # 减少日志输出 )6.3 内存不足处理如果遇到显存不足的问题# 监控GPU使用情况 nvidia-smi # 清理GPU缓存 python -c import torch; torch.cuda.empty_cache() # 使用更小的模型 model YOLO(yolo12s.pt) # 小尺寸模型7. 总结通过本教程你已经成功完成了YOLO12的完整环境配置和Web服务部署。现在你可以在Jupyter Lab中交互式使用YOLO12通过7860端口访问Web检测界面进行实时目标检测和参数调整查看详细的检测结果和JSON数据YOLO12的强大检测能力结合友好的Web界面让你能够快速在各种场景中应用最先进的目标检测技术。无论是学术研究还是工业应用这个环境都能为你提供稳定可靠的支持。记得定期更新Ultralytics库以获取最新功能和改进pip install --upgrade ultralytics祝你使用愉快如果在使用过程中遇到任何问题可以参考常见问题部分或者查看详细日志来排查问题。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。