Huấn luyện Ultralytics YOLO11 sử dụng tích hợp JupyterLab

Làm việc với các model computer vision có thể rất thú vị, đặc biệt là khi bạn thấy model của mình hoạt động tốt. Thông thường, quy trình phát triển computer vision bao gồm một số bước đơn giản, như chuẩn bị tập dữ liệu và tinh chỉnh các model, chẳng hạn như Ultralytics YOLO11. Tuy nhiên, có một vài phần trong quy trình này có thể gây khó khăn cho người mới bắt đầu như thiết lập môi trường phát triển. Đó chính là lý do tại sao Ultralytics hỗ trợ các tích hợp như JupyterLab giúp đơn giản hóa các bước này.

Cụ thể, tích hợp JupyterLab cung cấp một môi trường phát triển tương tác và thân thiện với người dùng, giúp việc khám phá và thử nghiệm các computer vision models trở nên đơn giản. JupyterLab cung cấp cho bạn một không gian làm việc tích hợp. Bằng cách sử dụng nó, bạn có thể bắt tay ngay vào việc khám phá và xây dựng các computer vision models 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 của mình. Trong bài viết này, chúng ta sẽ khám phá tích hợp của nó với YOLO11, cách nó hoạt động và những lợi ích mà nó mang lại.

JupyterLab là gì?#

JupyterLab là một công cụ dựa trên web giúp bạn viết và chạy code, sắp xếp dữ liệu và tạo các báo cáo trực quan tại cùng một nơi. Nó là một phần của Project Jupyter, bắt đầu vào năm 2014 để làm cho việc lập trình trở nên tương tác và thân thiện hơn với người dùng. Được xây dựng như một bản nâng cấp cho Jupyter Notebook, nó 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 các model machine learning.

JupyterLab cho phép bạn làm việc với code và dữ liệu một cách tương tác, giúp việc thử nghiệm và khám phá các ý tưởng trở nên đơn giản. Bạn cũng có thể tạo và chia sẻ các tài liệu kết hợp liền mạch giữa code, văn bản và hình ảnh - rất lý tưởng cho việc cộng tác và trình bày. Hơn nữa, giao diện linh hoạt của nó cho phép bạn sắp xếp các công cụ như notebook, tệp văn bản và terminal cạnh nhau, và các plugin có thể được thêm vào để mở rộng hơn nữa chức năng của nó nhằm phù hợp với nhu cầu dự án của bạn.

Hình 1. Các thành phần của JupyterLab.

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

• Tạo dự án dễ dàng: JupyterLab giúp việc tạo và chia sẻ các dự án với các hình ảnh trực quan như biểu đồ, đồ thị và bảng điều khiển trở nên dễ dàng, cùng với hình ảnh, video và các phương tiện truyền thông khác.

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

• Tuyệt vời cho người mới bắt đầu: Nó rất phổ biến trong môi trường lớp học để giảng dạy lập trình và phân tích dữ liệu, trong nghiên cứu để thử nghiệm các ý tưởng, và trong phát triển cho các tác vụ như kiểm thử phần mềm và quản lý quy trình dữ liệu.

Sử dụng JupyterLab để thực hiện các dự án Ultralytics YOLO11#

Bây giờ chúng ta đã hiểu rõ hơn về JupyterLab là gì, hãy cùng khám phá xem sự tích hợp JupyterLab bao gồm những gì và cách bạn có thể tận dụng nó khi làm việc với Ultralytics YOLO11.

JupyterLab là một công cụ tuyệt vời để làm việc trên các dự án với Ultralytics YOLO11 models. Nó 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 phải chuyển đổi giữa các nền tảng. Giao diện tương tác cho phép bạn chạy mã và xem kết quả ngay lập tức, điều này hoàn hảo để khám phá dữ liệu hoặc tìm hiểu cách YOLO11 model của bạn đang hoạt động. Bạn cũng có thể sử dụng các tiện ích mở rộng như Plotly để tạo biểu đồ tương tác giúp trực quan hóa và tinh chỉnh các YOLO11 models của bạn.

Ví dụ, giả sử bạn đang làm việc trong một dự án đổi mới sáng tạo liên quan đến AI trong y tế. Bạn đang lên kế hoạch custom-train Ultralytics YOLO11 để hỗ trợ các bác sĩ phát hiện đối tượng khối u theo thời gian thực trong hình ảnh chụp X-quang hoặc chụp cắt lớp vi tính (CT). YOLO11 có thể được huấn luyện bằng tập dữ liệu gồm các hình ảnh y tế được gán nhãn làm nổi bật cả vùng bình thường và bất thường. Với tích hợp JupyterLab, bạn có thể huấn luyện và tinh chỉnh các model YOLO11 trực tiếp trong môi trường cộng tác, thân thiện với mã nguồn. Nền tảng này cũng cung cấp các công cụ để quản lý tập dữ liệu, chạy thử nghiệm và xác thực độ chính xác của model, giúp việc áp dụng vision AI in healthcare trở nên dễ dàng và hiệu quả hơn.

Cách thức hoạt động của tích hợp JupyterLab#

Việc huấn luyện tùy chỉnh các model Ultralytics YOLO11 trên JupyterLab rất đơn giản. Nền tảng này tương tự như phiên bản tiền nhiệm của nó 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 dự án YOLO11 của bạn, hãy bắt đầu bằng cách tải xuống tệp tutorial.ipynb từ kho lưu trữ GitHub của Ultralytics và lưu nó vào thư mục ưa thích của bạn. Tiếp theo, mở bất kỳ trình soạn thảo mã 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 hình dưới đây.

Hình 2. Trang khởi động ban đầu của JupyterLab.

Khi quá trình cài đặt hoàn tất, hãy điều hướng đến thư mục nơi bạn đã lưu tệp notebook và chạy lệnh jupyter lab để khởi启动 nền tảng. Thao tác này sẽ mở JupyterLab trong trình duyệt web mặc định của bạn, nơi bạn có thể tải tệp tutorial.ipynb và bắt đầu khám phá YOLO11. Trong môi trường tương tác này, bạn có thể chạy mã trong từng ô của notebook, điều chỉnh cài đặt và xem kết quả ngay lập tức. JupyterLab giúp bạn dễ dàng xem kết quả đầu ra, ghi chú và thử nghiệm các thiết lập khác nhau tất cả ở một nơi.

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

Để hiểu rõ hơn về quy trình huấn luyện Ultralytics YOLO models và các phương pháp hay nhất, bạn có thể tham khảo tài liệu chính thức của Ultralytics.

Lựa chọn tích hợp JupyterLab: tại sao nó nổi bật#

Trong khi khám phá tài liệu tích hợp của Ultralytics, bạn sẽ nhận thấy có rất nhiều tích hợp để lựa chọn. Một số trong số chúng thậm chí còn cung cấp các tính năng tương tự. Ví dụ, tích hợp Google Colab cung cấp môi trường kiểu notebook hỗ trợ huấn luyện YOLO11, bao gồm cả việc custom-train một pre-trained model cho các tác vụ cụ thể. Với rất nhiều tích hợp, điều quan trọng là phải ghi nhớ điều gì làm cho tích hợp JupyterLab trở nên độc đáo.

Một trong những ưu điểm chính của việc sử dụng tích hợp JupyterLab là sự hỗ trợ cho các extension. Những extension này có thể tạo ra sự khác biệt đáng kể trong dự án thị giác máy tính của bạn và hợp lý hóa quy trình phát triển model. Ví dụ, bạn có thể sử dụng các extension Git để theo dõi tiến trình của mình, chia sẻ công việc với những người khác và đảm bảo code của bạn luôn được bảo trì tốt – tất cả mà không cần rời khỏi giao diện JupyterLab.

Dưới đây là một số lý do khác tại sao các tích hợp JupyterLab có thể là lựa chọn tuyệt vời cho dự án của bạn:

• Quản lý ô dễ dàng: Việc quản lý các ô khác nhau trong JupyterLab rất dễ dàng. Thay vì phương pháp cắt và dán tẻ nhạt, bạn có thể kéo và thả các ô để sắp xếp lại chúng.

• Sao chép ô giữa các notebook: Bạn có thể dễ dàng sao chép các ô giữa các notebook khác nhau bằng cách kéo và thả các ô 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 cho các notebook dài. Bạn có thể mở các phần khác nhau cạnh nhau để so sánh hoặc khám phá chúng, và bất kỳ thay đổi nào bạn thực hiện trong chế độ xem này sẽ xuất hiện ở chế độ xem kia.

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

Các ứng dụng của sự tích hợp JupyterLab và Ultralytics YOLO11#

Tiếp theo, hãy cùng khám phá một số ứng dụng thực tế khi làm việc trên Ultralytics YOLO11 bằng cách sử dụng tích hợp JupyterLab.

Ví dụ, một nhà phát triển đang làm việc về các công nghệ giám sát động vật hoang dã có thể sử dụng tích hợp JupyterLab để huấn luyện một YOLO11 model. Bằng cách custom-training YOLO11, họ có thể xây dựng các ứng dụng computer vision để xác định các loài có nguy cơ tuyệt chủng từ cảnh quay bằng drone. JupyterLab giúp quá trình này dễ dàng hơn bằng cách cung cấp một không gian làm việc duy nhất để khám phá dữ liệu, tiền xử lý và huấn luyện models. Các nhà phát triển có thể chạy mã, kiểm tra models và xem kết quả tất cả ở một nơi, giúp cho quy trình làm việc đơn giản và có tổ chức.

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

Bên cạnh công tác bảo tồn động vật hoang dã, sự kết hợp đáng tin cậy giữa Ultralytics YOLO11 và JupyterLab có thể được ứng dụng trong nhiều lĩnh vực thực tế khác nhau, chẳng hạn như:

• Computer vision in agriculture: Hỗ trợ của Ultralytics YOLO11 đối với các tác vụ computer vision khác nhau có thể hỗ trợ phát hiện bệnh ở cây trồng, theo dõi sự sinh trưởng của cây hoặc nhận diện cỏ dại từ hình ảnh máydrone hoặc vệ tinh, với JupyterLab giúp tinh gọn quá trình phân tích dữ liệu và tối ưu hóa model.

• Quality control in manufacturing: Bằng cách phân tích hình ảnh theo thời gian thực, Ultralytics YOLO11 có thể phát hiện lỗi của sản phẩm trên dây chuyền lắp ráp, trong khi JupyterLab cung cấp một 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 gói hàng có thể được tự động hóa bằng cách sử dụng YOLO11, phát hiện các đối tượng trong hình ảnh và đặt bounding boxes xung quanh chúng để chỉ ra vị trí của chúng, trong khi JupyterLab cung cấp các công cụ để huấn luyện, xác thực và kiểm tra models một cách hiệu quả bằng cách sử dụng dữ liệu logistics.

Lợi ích của tích hợp JupyterLab#

Dưới đây là một cái nhìn nhanh về một số cách độc đáo mà tích hợp JupyterLab mang lại lợi ích cho vision AI nói chung:

• Truy cập từ xa và khả năng mở rộng: Nó có thể chạy trên cả các nền tảng đám mây và máy chủ từ xa, cho phép truy cập vào các tài nguyên tính toán mạnh mẽ và nghiên cứu cộng tác.

• Hỗ trợ nhiều ngôn ngữ lập trình: Mặc dù Python là ngôn ngữ được sử dụng phổ biến nhất, JupyterLab hỗ trợ các ngôn ngữ khác như R, Julia và Scala, làm cho nó trở nên linh hoạt cho các quy trình công việc đa dạng.

• Tích hợp dữ liệu: JupyterLab tích hợp liền mạch với các cơ sở dữ liệu, lưu trữ đám mây và các công cụ xử lý dữ liệu, giúp việc xử lý các tập dữ liệu lớn cần thiết cho việc huấn luyện AI thị giác trở nên dễ dàng hơn.

Các điểm chính cần lưu ý#

Tích hợp JupyterLab là một công cụ hữu ích giúp việc làm việc với các computer vision model như Ultralytics YOLO11 trở nên dễ dàng hơn. Công cụ này cung cấp cho bạn một không gian làm việc duy nhất để tổ chức dữ liệu, huấn luyện và kiểm thử các custom model, đồng thời cộng tác với các developer khác. Với các tiện ích mở rộng và tiện ích bổ sung hữu ích, bạn có thể tập trung vào việc xây dựng và cải thiện các model của mình thay vì lo lắng về việc thiết lập môi trường làm việc.

Cho dù bạn đang giúp bảo vệ động vật hoang dã, cải thiện các bản quét y tế, hay kiểm tra chất lượng sản phẩm trong các nhà máy, tích hợp JupyterLab được hỗ trợ bởi Ultralytics làm cho quy trình trở nên đơn giản và hiệu quả hơn.

Hãy tham gia cộng đồng của chúng tôi và xem kho lưu trữ GitHub hoặc các hướng dẫn của chúng tôi để tìm hiểu về AI. Bạn cũng có thể khám phá thêm các ứng dụng như computer vision trong sản xuất hoặc AI trong xe tự hành trên các trang giải pháp của chúng tôi.