YOLO-v8.3部署教程：Jupyter与SSH双模式使用详解
YOLO（You Only Look Once）是一种流行的物体检测和图像分割模型，由华盛顿大学的Joseph Redmon 和Ali Farhadi 开发。 YOLO 于2015 年推出，因其高速和高精度而广受欢迎。随着版本迭代，YOLOv8在目标检测、实例分割和姿态估计等多个计算机视觉任务中表现出卓越性能，成为工业界和学术界的主流选择之一。
本文基于YOLO-V8 深度学习镜像，详细介绍如何通过Jupyter Notebook和SSH 远程连接两种方式高效部署并使用 YOLOv8.3 版本进行模型训练与推理。该镜像已预装 PyTorch 深度学习框架及 Ultralytics 官方ultralytics库，开箱即用，适用于快速开发、实验验证与生产部署。
1. 镜像环境概述
1.1 镜像核心配置
- 基础框架：PyTorch 2.0+ + CUDA 11.8
- YOLO 实现库：Ultralytics
ultralytics==8.3.0 - 预置模型支持：
yolov8n,yolov8s,yolov8m,yolov8l,yolov8x等全系列 - 数据集支持：COCO、Pascal VOC、自定义数据集格式自动转换
- 开发工具集成：JupyterLab、VS Code Server、TensorBoard
此镜像为开发者提供了一站式 YOLO 开发环境，无需手动安装依赖或配置 CUDA 驱动，极大降低入门门槛。
1.2 支持的使用模式
| 使用方式 | 适用场景 | 访问方式 |
|---|---|---|
| Jupyter Notebook | 快速原型开发、可视化调试 | 浏览器访问 Web UI |
| SSH 远程终端 | 批量任务运行、后台训练 | ssh root@<ip> -p <port> |
2. Jupyter 模式使用详解
2.1 启动与访问
启动容器后，系统将自动运行 JupyterLab 服务，默认监听端口为8888。您可通过以下 URL 在浏览器中访问：
http://<your-server-ip>:8888?token=<auto-generated-token>首次登录界面如下图所示：
成功登录后进入主工作区，目录结构清晰，包含示例代码、预训练权重和数据集模板：
2.2 创建并运行 YOLO 项目
- 点击右上角“新建”按钮，选择
Python 3 Notebook。 - 将以下代码粘贴至第一个 cell 中：
from ultralytics import YOLO # 加载 COCO 预训练的小型模型 model = YOLO("yolov8n.pt") # 查看模型结构信息（可选） model.info()- 按
Shift + Enter执行，输出将显示模型参数量、FLOPs 及各层结构摘要。
2.3 数据准备与训练流程
准备数据集配置文件
确保项目根目录下存在coco8.yaml文件，其内容定义了类别名称、训练/验证集路径等元信息。
开始训练
# 开始训练：使用 coco8 数据集，训练 100 轮，输入尺寸 640x640 results = model.train( data="coco8.yaml", epochs=100, imgsz=640, batch=16, name="exp_coco8_v8n" )训练过程中，Jupyter 会实时输出 loss 曲线、mAP 指标等关键信息，并自动生成 TensorBoard 日志。
推理与结果可视化
# 对本地图片进行推理 results = model("/root/ultralytics/assets/bus.jpg") # 显示带标注框的结果图像 results[0].plot() from IPython.display import Image Image(results[0].path)该代码将返回带有边界框和标签的检测结果，并可在 notebook 内直接展示。
3. SSH 模式远程开发指南
3.1 SSH 连接配置
当需要执行长时间训练任务或批量处理脚本时，推荐使用 SSH 方式连接服务器。
使用如下命令连接：
ssh root@<server-ip> -p <custom-port>默认密码由平台生成，请参考控制台提示获取初始凭证。
连接成功后界面如下：
3.2 命令行下的完整工作流
步骤 1：进入项目目录
cd /root/ultralytics该路径包含官方示例、测试图片和默认配置文件。
步骤 2：加载模型并查看信息
from ultralytics import YOLO # 加载预训练模型 model = YOLO("yolov8n.pt") model.info() # 输出详细模型统计步骤 3：执行训练任务
# 训练命令 results = model.train( data="coco8.yaml", epochs=100, imgsz=640, device=0, # 使用 GPU 0 workers=4, # 数据加载线程数 project="runs/train", name="exp_yolov8n" )训练日志将保存在runs/train/exp_yolov8n/目录下，包括：
weights/best.pt: 最佳权重results.csv: 每轮指标记录confusion_matrix.png: 分类混淆矩阵val_batch*.jpg: 验证集预测样例图
步骤 4：执行推理任务
# 单张图像推理 results = model("assets/bus.jpg") # 保存结果到 runs/detect/ results[0].save("output_detection.jpg") print("检测完成，结果已保存至 output_detection.jpg")步骤 5：后台运行训练脚本
创建独立 Python 脚本以实现持久化运行：
cat > train_script.py << EOF from ultralytics import YOLO model = YOLO("yolov8n.pt") model.train(data="coco8.yaml", epochs=100, imgsz=640) EOF使用nohup后台运行：
nohup python train_script.py > train.log 2>&1 &可通过tail -f train.log实时监控训练进度。
4. 实际应用 Demo 示例
4.1 快速上手代码整合版
以下是一个完整的端到端示例，涵盖模型加载、训练、推理全流程：
from ultralytics import YOLO # Step 1: 加载预训练模型 model = YOLO("yolov8n.pt") # Step 2: （可选）打印模型信息 model.info() # Step 3: 训练模型 results = model.train( data="coco8.yaml", epochs=100, imgsz=640, batch=16, name="quick_demo" ) # Step 4: 图像推理 results = model("assets/bus.jpg") # Step 5: 保存可视化结果 results[0].save("detections_with_boxes.jpg")提示：更多使用示例可参考官方文档：https://docs.ultralytics.com/zh/models/yolov8/#yolov8-usage-examples
4.2 自定义数据集适配建议
若需使用自有数据集，请遵循以下步骤：
组织数据目录结构：
dataset/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ └── data.yaml编写
data.yaml文件，指定类别数量与名称：
train: ./dataset/images/train val: ./dataset/images/val nc: 3 names: ['cat', 'dog', 'person']- 修改训练调用中的
data参数指向新配置：
model.train(data="./dataset/data.yaml", epochs=100)5. 总结
本文系统介绍了基于YOLO-V8 深度学习镜像的两种主要使用模式——Jupyter Notebook和SSH 远程终端，并结合实际代码演示了从环境初始化到模型训练、推理的完整流程。
- Jupyter 模式更适合初学者、教学演示和交互式调试，具备良好的可视化能力；
- SSH 模式则更适合自动化脚本、长期任务调度和服务器级部署，稳定性强且资源利用率高。
无论采用哪种方式，该镜像均提供了开箱即用的 YOLOv8.3 开发环境，显著提升了研发效率。结合 Ultralytics 强大的 API 设计，开发者可以快速实现目标检测、实例分割等多种视觉任务。
对于希望进一步提升性能的用户，建议探索以下方向：
- 使用更大模型（如
yolov8x）提升精度 - 启用混合精度训练（
amp=True）加快速度 - 结合 TensorRT 实现边缘设备部署
掌握这两种使用模式，将为您在计算机视觉领域的研究与工程落地打下坚实基础。
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。
