Huấn luyện Ultralytics YOLO11 bằng tích hợp JupyterLab

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

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 với các mô hình computer vision trở nên đơn giản. Jupyterlab cung cấp cho bạn một không gian làm việc tích hợp. Sử dụng nó, bạn có thể đi sâu vào khám phá và xây dựng các mô hình computer vision 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 sổ tay để chạy mã, trình soạn thảo văn bản để tạo tài liệu và thiết bị đầu cuối để tương tác với hệ thống. Trên thực tế, JupyterLab cho phép bạn dễ dàng thử nghiệm và huấn luyện các mô hình Ultralytics YOLO11 trực tiếp trên máy tính của mình. Trong bài viết này, chúng ta sẽ khám phá sự tích hợp của nó với YOLO11, cách thức 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 báo cáo trực quan, tất cả ở cùng một nơi. Nó là một phần của Project Jupyter, được khởi động vào năm 2014 để làm cho việc viết code 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 tiên vào năm 2018 và thường được sử dụng cho các tác vụ như phân tích dữ liệu, tạo biểu đồ và xây dựng mô hình 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 code, văn bản và hình ảnh - lý tưởng cho việc cộng tác và thuyết trình. 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, đồng thời có thể thêm các plugin để mở rộng thêm chức năng của nó cho phù hợp với nhu cầu dự án của bạn.

‍

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

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

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

• Tuyệt vời cho người mới bắt đầu: Nó phổ biến trong các lớp học để dạy viết mã và phân tích dữ liệu, trong nghiên cứu để kiểm tra ý tưởng và trong phát triển cho các tác vụ như kiểm tra phần mềm và quản lý quy trình làm việc dữ liệu.

Sử dụng JupyterLab để làm việc trên các dự án Ultralytics YOLO11

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

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

Ví dụ: giả sử bạn đang thực hiện một dự án đổi mới liên quan đến AI trong lĩnh vực chăm sóc sức khỏe. Bạn đang lên kế hoạch tùy chỉnh huấn luyện YOLO11 để giúp các bác sĩ phát hiện đối tượng theo thời gian thực các khối u trong hình ảnh chụp X-quang hoặc CT. YOLO11 có thể được huấn luyện bằng cách sử dụng bộ dữ liệu hình ảnh y tế được dán nhãn, làm nổi bật cả khu vực bình thường và bất thường. Với tích hợp JupyterLab, bạn có thể huấn luyện và tinh chỉnh các mô hình YOLO11 trực tiếp trong một môi trường cộng tác, thân thiện với mã. Nó cũng cung cấp các công cụ để quản lý bộ dữ liệu, chạy thử nghiệm và xác thực độ chính xác của mô hình, giúp việc áp dụng Vision AI trong lĩnh vực chăm sóc sức khỏe trở nên dễ dàng và hiệu quả hơn.

Cách tích hợp JupyterLab hoạt động

Việc huấn luyện tùy chỉnh các mô hình YOLO11 trên JupyterLab rất đơn giản. Nền tảng này tương tự như nền tảng tiền nhiệm của nó, Jupyter Notebook hoặc Google Colab, và 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 Ultralytics GitHub và lưu nó vào thư mục bạn muốn. Tiếp theo, hãy mở bất kỳ trình soạn thảo mã hoặc thiết bị đầu cuối nào và thực thi lệnh `pip install jupyterlab` để cài đặt JupyterLab. Nền tảng sẽ tự động mở và hiển thị cửa sổ hiển thị bên dưới.

‍

Sau khi quá trình cài đặt hoàn tất, hãy điều hướng đến thư mục nơi bạn đã lưu tệp sổ tay và chạy lệnh `jupyter lab` để khởi chạy 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 ô sổ tay theo từng ô, điều chỉnh cài đặt và xem kết quả ngay lập tức. JupyterLab giúp bạn dễ dàng xem đầu ra, ghi chú và thử các thiết lập khác nhau ở cùng một nơi.

‍

Để hiểu rõ hơn về quy trình đào tạo các mô hình Ultralytics YOLO 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 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 một môi trường kiểu notebook hỗ trợ huấn luyện YOLO11, bao gồm cả việc tùy chỉnh huấn luyện một mô hình đã được huấn luyện trước 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 hỗ trợ các extension. Các extension này có thể tạo ra một sự khác biệt đáng kể trong dự án thị giác máy tính của bạn và hợp lý hóa quy trình phát triển mô hình. Ví dụ: bạn có thể sử dụng các extension Git để theo dõi tiến trình của mình, chia sẻ công việc của bạn với những người khác và đảm bảo mã 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 khiến việc tích hợp JupyterLab có thể là một lựa chọn tuyệt vời cho dự án của bạn:

• Quản lý ô (cell) 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 của cùng một sổ tay, điều này đặc biệt hữu ích cho các sổ tay 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 ở một chế độ xem sẽ xuất hiện ở chế độ xem khác.

• Dễ dàng chuyển sang chế độ xem sổ tay cổ điển: Đối với những người quen thuộc hơn với giao diện Jupyter Notebook cổ điển, JupyterLab cung cấp một cách dễ dàng để chuyển đổi trở lại. Bạn chỉ cần thay thế “/lab” trong liên kết trình duyệt bằng “/tree” để trở về chế độ xem sổ tay quen thuộc.

Các ứng dụng của tích hợp JupyterLab và YOLO11

Tiếp theo, hãy khám phá một số ứng dụng thực tế của việc làm việc trên YOLO11 bằng tích hợp JupyterLab.

Ví dụ: một nhà phát triển làm việc trên các công nghệ giám sát động vật hoang dã có thể sử dụng tích hợp JupyterLab để huấn luyện mô hình YOLO11. Bằng cách huấn luyện tùy chỉnh YOLO11, họ có thể xây dựng các ứng dụng thị giác máy tính để xác định các loài có nguy cơ tuyệt chủng từ cảnh quay trên máy bay không người lái. 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 mô hình. Các nhà phát triển có thể chạy mã, kiểm tra mô hình và xem kết quả ở cùng một nơi, giúp quy trình làm việc đơn giản và có tổ chức.

‍

Ngoài công tác bảo tồn động vật hoang dã, sự kết hợp đáng tin cậy giữa YOLOv11 và JupyterLab có thể được sử dụng trong nhiều ứng dụng thực tế, chẳng hạn như:

• Thị giác máy tính trong nông nghiệp: Hỗ trợ của YOLO11 cho các tác vụ thị giác máy tính khác nhau có thể hỗ trợ phát hiện bệnh cây trồng, theo dõi sự phát triển của cây trồng hoặc xác định cỏ dại từ hình ảnh máy bay không người lái hoặc vệ tinh, với JupyterLab giúp đơn giản hóa việc phân tích dữ liệu và tối ưu hóa mô hình.

• Kiểm soát chất lượng trong sản xuất: Bằng cách phân tích hình ảnh theo thời gian thực, YOLO11 có thể xác định các lỗi trong sản phẩm trên dây chuyền lắp ráp, trong khi JupyterLab cung cấp một môi trường tập trung để tinh chỉnh các mô hình 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 YOLO11, công cụ này phát hiện các đối tượng trong hình ảnh và đặt các hộp giới hạn xung quanh chúng để cho biết vị trí của chúng, trong khi JupyterLab cung cấp các công cụ để huấn luyện, xác thực và kiểm tra mô hình hiệu quả bằng dữ liệu logistics.

Lợi ích của tích hợp JupyterLab

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

• Khả năng truy cập và mở rộng từ xa: Nó có thể chạy trên cả nền tảng đám mây và máy chủ từ xa, cho phép truy cập vào các tài nguyên máy tính mạnh mẽ và nghiên cứu hợp 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 làm việc đa dạng.

• Tích hợp dữ liệu: JupyterLab tích hợp liền mạch với cơ sở dữ liệu, bộ nhớ đám mây và các công cụ xử lý dữ liệu, giúp bạn dễ dàng xử lý các bộ dữ liệu lớn cần thiết cho quá trình huấn luyện Vision AI.

Những điều cần nhớ

Tích hợp JupyterLab là một công cụ hữu ích giúp làm việc với các mô hình thị giác máy tính như YOLO11 trở nên dễ dàng hơn. Nó cung cấp cho bạn một không gian làm việc duy nhất, nơi bạn có thể sắp xếp dữ liệu, huấn luyện và kiểm thử các mô hình tùy chỉnh, đồng thời làm việc với các nhà phát triển khác. Với các tiện ích mở rộng và bổ trợ hữu ích, bạn có thể tập trung vào việc xây dựng và cải thiện mô hình 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 ảnh chụp y tế hay kiểm tra chất lượng sản phẩm trong nhà máy, tích hợp JupyterLab được hỗ trợ bởi Ultralytics giúp quá trình này trở nên đơn giản và hiệu quả hơn.

Tham gia cộng đồng của chúng tôi và xem kho lưu trữ GitHub hoặc 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 lái trên các trang giải pháp của chúng tôi.