Train Ultralytics YOLO11 bằng tích hợp JupyterLab

Làm việc với các model thị giác máy tính có thể rất thú vị, đặc biệt khi bạn thấy model của mình hoạt động hiệu quả. Thông thường, quy trình phát triển thị giác máy tính bao gồm một số bước đơn giản như chuẩn bị dataset và fine-tune model, chẳng hạn như Ultralytics YOLO11. Tuy nhiên, một vài phần trong quy trình này có thể gây khó khăn cho người mới bắt đầu, chẳng hạn như thiết lập môi trường phát triển. Đó chính là lý do Ultralytics hỗ trợ các integration như JupyterLab để giúp các bước này trở nên dễ dàng hơn.

Cụ thể, JupyterLab integration cung cấp một môi trường phát triển tương tác, thân thiện với người dùng, giúp việc khám phá và thử nghiệm với các model thị giác máy tính trở nên đơn giản. JupyterLab cung cấp cho bạn một workspace tích hợp. Nhờ đó, bạn có thể bắt tay ngay vào việc khám phá và xây dựng các model thị giác máy tính mà không bị phân tâm bởi việc cài đặt và thiết lập môi trường.

Ví dụ, JupyterLab cung cấp các công cụ và tính năng như notebook để chạy code, trình soạn thảo văn bản để tạo tài liệu và terminal để tương tác với hệ thống. Trên thực tế, JupyterLab cho phép bạn dễ dàng thử nghiệm và huấn luyện các model Ultralytics YOLO11 trực tiếp trên máy tính. Trong bài viết này, chúng ta sẽ tìm hiểu integration của JupyterLab với YOLO11, cách hoạt động và những lợi ích mà integration này mang lại.

JupyterLab là gì?#

JupyterLab là một công cụ dựa trên web, giúp bạn viết và chạy code, sắp xếp dữ liệu cũng như tạo báo cáo trực quan tại cùng một nơi. Đây là một phần của Project Jupyter, được khởi xướng vào năm 2014 nhằm giúp việc lập trình trở nên tương tác và thân thiện hơn với người dùng. Được xây dựng như một phiên bản nâng cấp của Jupyter Notebook, công cụ này được phát hành lần đầu vào năm 2018 và thường được sử dụng cho các tác vụ như phân tích dữ liệu, tạo biểu đồ và xây dựng model machine learning.

JupyterLab cho phép bạn làm việc với code và dữ liệu theo cách tương tác, giúp việc thử nghiệm và khám phá ý tưởng trở nên đơn giản. Bạn cũng có thể tạo và chia sẻ các tài liệu kết hợp liền mạch code, văn bản và hình ảnh trực quan — rất phù hợp cho cộng tác và thuyết trình. Ngoài ra, giao diện linh hoạt của JupyterLab cho phép bạn sắp xếp các công cụ như notebook, file văn bản và terminal cạnh nhau; đồng thời, bạn có thể thêm plugin để mở rộng chức năng, đáp ứng nhu cầu của project.

Hình 1. Các thành phần của JupyterLab.

Dưới đây là một số tính năng thú vị khác của JupyterLab:

• Dễ dàng tạo project: JupyterLab giúp bạn dễ dàng tạo và chia sẻ project với các nội dung trực quan như biểu đồ, đồ thị và dashboard, cùng với hình ảnh, video và các phương tiện khác.

• Cộng tác với người khác: Bạn có thể dễ dàng cộng tác với những người khác bằng cách chia sẻ notebook và theo dõi các thay đổi thông qua các công cụ như Git.

• Phù hợp cho người mới bắt đầu: JupyterLab phổ biến trong lớp học để giảng dạy lập trình và phân tích dữ liệu, trong nghiên cứu để kiểm thử ý tưởng, cũng như trong phát triển phần mềm cho các tác vụ như kiểm thử phần mềm và quản lý workflow dữ liệu.

Sử dụng JupyterLab để làm việc trên các project Ultralytics YOLO11#

Giờ đây, khi đã hiểu rõ hơn về JupyterLab, hãy cùng tìm hiểu chính xác JupyterLab integration bao gồm những gì và cách bạn có thể tận dụng integration này khi làm việc với Ultralytics YOLO11.

JupyterLab là một công cụ tuyệt vời để làm việc với các project sử dụng model Ultralytics YOLO11. Công cụ này đơn giản hóa quy trình phát triển bằng cách cung cấp một môi trường tất cả trong một, nơi bạn có thể quản lý các tác vụ và tài liệu mà không cần chuyển đổi giữa các nền tảng. Giao diện tương tác cho phép bạn chạy code và xem kết quả ngay lập tức, rất phù hợp để khám phá dữ liệu hoặc tìm hiểu hiệu suất của model YOLO11. Bạn cũng có thể sử dụng các extension như Plotly để tạo biểu đồ tương tác, giúp trực quan hóa và tinh chỉnh các model YOLO11.

Ví dụ, giả sử bạn đang thực hiện một project đổi mới ứng dụng AI trong lĩnh vực y tế. Bạn dự định custom-train Ultralytics YOLO11 để hỗ trợ bác sĩ phát hiện đối tượng theo thời gian thực trong các khối u trên ảnh X-quang hoặc ảnh chụp CT. YOLO11 có thể được huấn luyện bằng dataset gồm các ảnh y tế đã gán nhãn, làm nổi bật cả vùng bình thường và bất thường. Với JupyterLab integration, bạn có thể huấn luyện và fine-tune các model YOLO11 trực tiếp trong một môi trường cộng tác, thân thiện với code. Integration này cũng cung cấp các công cụ để quản lý dataset, chạy experiment và đánh giá độ chính xác của model, giúp việc áp dụng AI thị giác trong y tế trở nên dễ dàng và hiệu quả hơn.

JupyterLab integration hoạt động như thế nào#

Custom-train các model Ultralytics YOLO11 trên JupyterLab rất đơn giản. Nền tảng này tương tự sản phẩm tiền nhiệm là Jupyter Notebook hoặc Google Colab, đồng thời cung cấp một môi trường được cấu hình sẵn, giúp bạn dễ dàng bắt đầu.

Để thiết lập JupyterLab cho project YOLO11, trước tiên hãy tải file tutorial.ipynb từ repository GitHub của Ultralytics và lưu vào thư mục bạn muốn. Tiếp theo, mở bất kỳ trình soạn thảo code hoặc terminal nào và thực thi lệnh pip install jupyterlab để cài đặt JupyterLab. Nền tảng sẽ tự động mở và hiển thị cửa sổ như bên dưới.

Hình 2. Trang khởi động ban đầu của JupyterLab.

Sau khi cài đặt hoàn tất, hãy chuyển đến thư mục đã lưu file notebook và chạy lệnh jupyter lab để khởi chạy nền tảng. Thao tác này sẽ mở JupyterLab trong trình duyệt web mặc định, nơi bạn có thể tải file tutorial.ipynb và bắt đầu khám phá YOLO11. Trong môi trường tương tác này, bạn có thể chạy code trong notebook theo từng cell, điều chỉnh các thiết lập và xem kết quả ngay lập tức. JupyterLab giúp bạn dễ dàng xem output, ghi chú và thử các cấu hình khác nhau tại cùng một nơi.

Hình 3. Mở notebook tutorial.ipynb của Ultralytics YOLO11 trong giao diện JupyterLab.

Để hiểu rõ hơn về quy trình huấn luyện các model Ultralytics YOLO và các best practice, bạn có thể tham khảo tài liệu chính thức của Ultralytics.

Lựa chọn JupyterLab integration: điểm nổi bật#

Khi khám phá tài liệu về các integration của Ultralytics, bạn sẽ nhận thấy có rất nhiều integration để lựa chọn. Một số integration thậm chí còn cung cấp các tính năng tương tự nhau. Ví dụ, Google Colab integration cung cấp môi trường kiểu notebook hỗ trợ huấn luyện YOLO11, bao gồm custom-train một model pre-trained cho các tác vụ cụ thể. Với rất nhiều integration, điều quan trọng là cần ghi nhớ điểm độc đáo của JupyterLab integration.

Một trong những ưu điểm chính của JupyterLab integration là khả năng hỗ trợ extension. Các extension này có thể tạo ra khác biệt đáng kể trong project thị giác máy tính và tinh gọn quy trình phát triển model. Chẳng hạn, bạn có thể sử dụng các extension Git để theo dõi tiến độ, chia sẻ công việc với người khác và đảm bảo code luôn được duy trì tốt — tất cả mà không cần rời khỏi giao diện JupyterLab.

Dưới đây là một số lý do khác khiến JupyterLab integration có thể là lựa chọn tuyệt vời cho project của bạn:

• Dễ dàng quản lý cell: Việc quản lý các cell khác nhau trong JupyterLab rất đơn giản. Thay vì cắt và dán thủ công, bạn có thể kéo thả cell để sắp xếp lại.

• Sao chép cell giữa các notebook: Bạn có thể dễ dàng sao chép cell giữa các notebook khác nhau bằng cách kéo thả cell từ notebook này sang notebook khác.

• Nhiều chế độ xem: JupyterLab hỗ trợ nhiều chế độ xem cho cùng một notebook, đặc biệt hữu ích với các notebook dài. Bạn có thể mở các phần khác nhau cạnh nhau để so sánh hoặc khám phá, và mọi thay đổi trong một chế độ xem sẽ xuất hiện ở chế độ xem còn lại.

• Dễ dàng chuyển sang chế độ xem notebook cổ điển: Với những người quen thuộc hơn với giao diện Jupyter Notebook cổ điển, JupyterLab cung cấp tùy chọn chuyển ngược dễ dàng. Bạn chỉ cần thay “/lab” trong liên kết trình duyệt bằng “/tree” để quay lại chế độ xem notebook quen thuộc.

Các ứng dụng của JupyterLab integration và Ultralytics YOLO11#

Tiếp theo, hãy cùng khám phá một số ứng dụng thực tế của việc làm việc với Ultralytics YOLO11 bằng JupyterLab integration.

Ví dụ, một developer làm việc với công nghệ giám sát động vật hoang dã có thể sử dụng JupyterLab integration để huấn luyện một model YOLO11. Bằng cách custom-train YOLO11, họ có thể xây dựng các ứng dụng thị giác máy tính nhận diện các loài có nguy cơ tuyệt chủng từ hình ảnh do drone ghi lại. JupyterLab giúp quy trình này trở nên dễ dàng hơn bằng cách cung cấp một workspace duy nhất để khám phá dữ liệu, tiền xử lý và huấn luyện model. Developer có thể chạy code, kiểm thử model và xem kết quả tại cùng một nơi, giúp workflow luôn đơn giản và có tổ chức.

Hình 4. Ví dụ sử dụng các model Ultralytics YOLO để phát hiện các loài động vật hoang dã.

Ngoài bảo tồn động vật hoang dã, sự kết hợp đáng tin cậy giữa Ultralytics YOLO11 và JupyterLab có thể được sử dụng trong nhiều ứng dụng thực tế, chẳng hạn như:

• Thị giác máy tính trong nông nghiệp: Khả năng hỗ trợ nhiều tác vụ thị giác máy tính của Ultralytics YOLO11 có thể hỗ trợ phát hiện bệnh trên cây trồng, theo dõi sự phát triển của cây hoặc nhận diện cỏ dại từ ảnh drone hoặc ảnh vệ tinh, trong khi JupyterLab tinh gọn việc phân tích dữ liệu và tối ưu hóa model.

• Kiểm soát chất lượng trong sản xuất: Bằng cách phân tích hình ảnh theo thời gian thực, Ultralytics YOLO11 có thể nhận diện lỗi sản phẩm trên dây chuyền lắp ráp, trong khi JupyterLab cung cấp môi trường tập trung để tinh chỉnh model và đánh giá kết quả.

• AI trong logistics: Các tác vụ như theo dõi hàng tồn kho và quét kiện hàng có thể được tự động hóa bằng YOLO11, model này phát hiện các đối tượng trong hình ảnh và đặt bounding box quanh chúng để chỉ ra vị trí, trong khi JupyterLab cung cấp các công cụ để huấn luyện, đánh giá và kiểm thử model hiệu quả bằng dữ liệu logistics.

Lợi ích của JupyterLab integration#

Dưới đây là tổng quan nhanh về một số cách độc đáo mà JupyterLab integration mang lại lợi ích cho AI thị giác nói chung:

• Truy cập từ xa và khả năng mở rộng: JupyterLab có thể chạy trên cả nền tảng cloud và server từ xa, cho phép truy cập các tài nguyên điện toán mạnh mẽ và hỗ trợ nghiên cứu cộng tác.

• Hỗ trợ nhiều ngôn ngữ lập trình: Mặc dù Python là ngôn ngữ được sử dụng phổ biến nhất, JupyterLab vẫn hỗ trợ các ngôn ngữ khác như R, Julia và Scala, mang lại tính linh hoạt cho nhiều workflow khác nhau.

• Tích hợp dữ liệu: JupyterLab tích hợp liền mạch với cơ sở dữ liệu, cloud storage và các công cụ xử lý dữ liệu, giúp xử lý dễ dàng hơn các dataset lớn cần thiết cho việc huấn luyện AI thị giác.

Những điểm chính#

JupyterLab integration là một công cụ hữu ích, giúp việc làm việc với các model thị giác máy tính như Ultralytics YOLO11 trở nên dễ dàng hơn. Công cụ này cung cấp một workspace duy nhất, nơi bạn có thể sắp xếp dữ liệu, huấn luyện và kiểm thử các model tùy chỉnh cũng như làm việc với các developer khác. Với các extension và add-on hữu ích, bạn có thể tập trung vào việc xây dựng và cải thiện model thay vì lo lắng về thiết lập môi trường làm việc.

Dù bạn đang góp phần bảo vệ động vật hoang dã, cải thiện ảnh chụp y tế hay kiểm tra chất lượng sản phẩm trong nhà máy, JupyterLab integration được Ultralytics hỗ trợ sẽ giúp quy trình trở nên đơn giản và hiệu quả hơn.

Hãy tham gia cộng đồng của chúng tôi và xem repository GitHub hoặc các hướng dẫn để tìm hiểu về AI. Bạn cũng có thể khám phá thêm các ứng dụng như thị giác máy tính trong sản xuất hoặc AI trong xe tự lái trên các trang giải pháp của chúng tôi.