Huấn luyện Ultralytics YOLO11 bằng tích hợp JupyterLab

Phát triển model thị giác máy tính có thể rất thú vị, đặc biệt khi bạn thấy model hoạt động tốt. Thông thường, quy trình phát triển thị giác máy tính gồm một số bước đơn giản, chẳng hạn như chuẩn bị dataset và tinh chỉnh model như Ultralytics YOLO11. Tuy nhiên, một số 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 tích hợp như JupyterLab, giúp đơn giản hóa những bước này.

Cụ thể, tích hợp JupyterLab cung cấp môi trường phát triển tương tác, thân thiện với người dùng, giúp việc khám phá và thử nghiệm 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 khám phá và xây dựng 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 model Ultralytics YOLO11 trực tiếp trên máy tính. Trong bài viết này, chúng ta sẽ tìm hiểu về tích hợp này với YOLO11, cách hoạt động và những lợi ích mà tích hợp mang lại.

JupyterLab là gì?#

JupyterLab là công cụ nền tảng web giúp bạn viết và chạy code, sắp xếp dữ liệu cũng như tạo báo cáo trực quan tại một nơi. Đây là một phần của Project Jupyter, được khởi động vào năm 2014 nhằm giúp việc lập trình trở nên tương tác và thân thiện với người dùng hơn. Được phát triển như một phiên bản nâng cấp của Jupyter Notebook, công cụ này ra mắt 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 tương tác với code và dữ liệu, giúp việc thử nghiệm và khám phá ý tưởng trở nên đơn giản. Bạn cũng có thể tạo và chia sẻ tài liệu kết hợp code, văn bản và hình ảnh — rất phù hợp cho hoạt động cộng tác và thuyết trình. Ngoài ra, giao diện linh hoạt của JupyterLab cho phép bạn sắp xếp các công cụ như notebook, tệp văn bản và terminal cạnh nhau; đồng thời có thể bổ sung plugin để mở rộng chức năng, đáp ứng nhu cầu dự án.

Hình 1. Các thành phần của JupyterLab.

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 dự án với các nội dung trực quan như biểu đồ, đồ thị và dashboard, cùng với hình ảnh, video và các loại phương tiện khác.
• Cộng tác với người khác: Bạn có thể dễ dàng cộng tác với người khác bằng cách chia sẻ notebook và theo dõi các thay đổi qua những 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 chứng 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 thực hiện các dự án Ultralytics YOLO11#

Giờ đây khi đã hiểu rõ hơn JupyterLab là gì, hãy cùng tìm hiểu chính xác tích hợp JupyterLab bao gồm những gì và cách tận dụng tích hợp này khi làm việc với Ultralytics YOLO11.

JupyterLab là công cụ hữu ích để làm việc với các model Ultralytics YOLO11 trong dự án. Nền tảng này đơn giản hóa quy trình phát triển bằng cách cung cấp môi trường tất cả trong một, nơi bạn có thể quản lý 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 hữu ích khi khám phá dữ liệu hoặc tìm hiểu hiệu năng của model YOLO11. Bạn cũng có thể sử dụng các tiện ích mở rộng như Plotly để tạo biểu đồ tương tác, hỗ trợ trực quan hóa và tinh chỉnh các model YOLO11.

Ví dụ, giả sử bạn đang thực hiện một dự án đổi mới có ứng dụng AI trong lĩnh vực y tế. Bạn dự định huấn luyện tùy chỉnh Ultralytics YOLO11 để hỗ trợ bác sĩ phát hiện khối u theo thời gian thực trong ảnh X-quang hoặc CT. YOLO11 có thể được huấn luyện bằng dataset gồm các hình ảnh y tế đã gán nhãn, làm nổi bật cả khu vực bình thường và bất thường. Với tích hợp JupyterLab, bạn có thể huấn luyện và tinh chỉnh model YOLO11 trực tiếp trong môi trường hỗ trợ cộng tác và làm việc với code. Tích hợp này cũng cung cấp công cụ quản lý dataset, chạy thử nghiệm và xác thực độ chính xác của model, giúp việc ứng dụng AI thị giác trong lĩnh vực y tế trở nên dễ dàng và hiệu quả hơn.

Cách tích hợp JupyterLab hoạt động#

Việc huấn luyện tùy chỉnh các model Ultralytics YOLO11 trên JupyterLab rất đơn giản. Nền tảng này tương tự phiên bản tiền nhiệm Jupyter Notebook và Google Colab, đồng thời cung cấp môi trường được cấu hình sẵn giúp bạn dễ dàng bắt đầu.

Để thiết lập JupyterLab cho dự án YOLO11, trước tiên hãy tải tệp tutorial.ipynb từ repository GitHub của Ultralytics và lưu vào thư mục bạn muốn (notebook này sau đó đã được cập nhật để sử dụng Ultralytics YOLO26). Tiếp theo, mở terminal và chạy lệnh pip install jupyterlab để cài đặt JupyterLab. Sau khi khởi chạy (xem bước tiếp theo), JupyterLab sẽ hiển thị trang khởi động như minh họa bên dưới.

Hình 2. Trang khởi chạy ban đầu của JupyterLab.

Sau khi cài đặt hoàn tất, hãy chuyển đến thư mục đã lưu tệp 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 tệp tutorial.ipynb và bắt đầu khám phá YOLO11. Trong môi trường tương tác này, bạn có thể chạy code trong notebook 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 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 phương pháp hay nhất, bạn có thể tham khảo hướng dẫn mẹo huấn luyện model của Ultralytics.

Lựa chọn tích hợp JupyterLab: điểm nổi bật#

Khi tìm hiểu tài liệu tích hợp của Ultralytics, bạn sẽ thấy có rất nhiều tích hợp để lựa chọn. Một số tích hợp thậm chí còn có các tính năng tương tự. Ví dụ, tích hợp Google Colab cung cấp môi trường dạng notebook hỗ trợ huấn luyện YOLO11, bao gồm cả huấn luyện tùy chỉnh model được huấn luyện trước cho các tác vụ cụ thể. Với nhiều lựa chọn tích hợp như vậy, bạn cần lưu ý điều gì làm nên sự độc đáo của tích hợp JupyterLab.

Một trong những ưu điểm chính của tích hợp JupyterLab là hỗ trợ extension. Các extension này có thể tạo khác biệt đáng kể cho dự án thị giác máy tính và tinh gọn quy trình phát triển model. Chẳng hạn, bạn có thể dùng extension Git để theo dõi tiến độ, chia sẻ công việc với người khác và đảm bảo code 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 lựa chọn phù hợp cho dự án của bạn:

• Dễ dàng quản lý cell: Việc quản lý các cell khác nhau trong JupyterLab rất đơn giản. Thay vì thao tác cắt và dán tẻ nhạt, bạn có thể kéo và thả cell để sắp xếp lại.
• Sao chép cell giữa các notebook: Bạn có thể dễ dàng sao chép cell giữa các notebook bằng cách kéo và 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 notebook dài. Bạn có thể mở các phần khác nhau cạnh nhau để so sánh hoặc khám phá; mọi thay đổi trong chế độ xem này sẽ xuất hiện ở chế độ xem kia.
• Dễ dàng chuyển về giao diện notebook cổ điển: Với những người quen thuộc hơn với giao diện Jupyter Notebook cổ điển, JupyterLab cho phép chuyển về giao diện đó dễ dàng. Bạn chỉ cần thay “/lab” trong liên kết trình duyệt bằng “/tree” để quay lại giao diện notebook quen thuộc.

Các ứng dụng của tích hợp JupyterLab và Ultralytics YOLO11#

Tiếp theo, hãy cùng khám phá một số ứng dụng thực tiễn khi làm việc với Ultralytics YOLO11 qua tích hợp JupyterLab.

Ví dụ, nhà phát triển làm việc với công nghệ giám sát động vật hoang dã có thể dùng tích hợp JupyterLab để huấn luyện model YOLO11. Bằng cách huấn luyện tùy chỉnh YOLO11, họ có thể xây dựng ứng dụng thị giác máy tính nhận diện các loài có nguy cơ tuyệt chủng từ video drone. JupyterLab đơn giản hóa quy trình này bằng cách cung cấp một workspace duy nhất để khám phá dữ liệu, tiền xử lý và huấn luyện model. Nhà phát triển 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 model Ultralytics YOLO để phát hiện các loài động vật hoang dã.

Ngoài lĩnh vực bảo tồn động vật hoang dã, sự kết hợp giữa Ultralytics YOLO11 và JupyterLab có thể được ứng dụng trong nhiều tình huống 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 giúp phát hiện bệnh cây trồng, theo dõi sự phát triển của cây hoặc nhận diện cỏ dại từ hình ảnh drone hay vệ tinh; JupyterLab giúp tinh gọn quá trình 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 lĩnh vực logistics: Các tác vụ như theo dõi hàng tồn kho và quét kiện hàng có thể được tự động hóa bằng YOLO11. Model phát hiện đối tượng trong hình ảnh và đặt bounding box quanh đối tượng để chỉ vị trí, trong khi JupyterLab cung cấp công cụ huấn luyện, xác thực và kiểm thử model hiệu quả bằng dữ liệu logistics.

Lợi ích của tích hợp JupyterLab#

Dưới 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:

• Truy cập từ xa và khả năng mở rộng: Tích hợp có thể chạy trên cả nền tảng đám mây và máy chủ từ xa, cho phép truy cập tài nguyên tính toán mạnh mẽ và hỗ trợ nghiên cứu cộng tác.
• Hỗ trợ nhiều ngôn ngữ lập trình: Python là ngôn ngữ được sử dụng phổ biến nhất, nhưng JupyterLab còn hỗ trợ các ngôn ngữ khác như R, Julia và Scala, phù hợp với nhiều workflow khác nhau.
• Tích hợp dữ liệu: JupyterLab tích hợp với cơ sở dữ liệu, dịch vụ lưu trữ đám mây và công cụ xử lý dữ liệu, giúp xử lý dễ dàng hơn các tập dữ liệu lớn cần thiết cho việc huấn luyện AI thị giác.

Điểm chính cần ghi nhớ#

Tích hợp JupyterLab là công cụ hữu ích giúp làm việc với các model thị giác máy tính như Ultralytics YOLO11 trở nên dễ dàng hơn. Công cụ cung cấp một workspace duy nhất để sắp xếp dữ liệu, huấn luyện và kiểm thử model tùy chỉnh cũng như cộng tác với nhà phát triển khác. Với các extension và tiện ích bổ sung hữu ích, bạn có thể tập trung xây dựng và cải thiện model thay vì lo lắng về việc thiết lập môi trường làm việc.

Dù bạn đang góp phần bảo vệ động vật hoang dã, cải thiện hình ảnh y tế hay kiểm tra chất lượng sản phẩm tại nhà máy, tích hợp JupyterLab do Ultralytics hỗ trợ đều giúp quy trình đơn giản và hiệu quả hơn.

Tham gia cộng đồng và xem repository GitHub của chúng tôi, hoặc tham khảo 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.