Meet YOLO26: next-gen vision AI.

Link to this sectionHướng dẫn sử dụng JupyterLab để huấn luyện các model YOLO26 của bạn#

Việc xây dựng các model deep learning có thể rất khó khăn, đặc biệt khi bạn không có các công cụ hoặc môi trường phù hợp để làm việc. Nếu bạn đang gặp vấn đề này, JupyterLab có thể là giải pháp phù hợp cho bạn. JupyterLab là một nền tảng dựa trên web thân thiện với người dùng, giúp việc viết code trở nên linh hoạt và tương tác hơn. Bạn có thể sử dụng nó để xử lý các tập dữ liệu lớn, tạo các model phức tạp và thậm chí cộng tác với những người khác, tất cả tại một nơi.

Bạn có thể sử dụng JupyterLab để thực hiện các dự án liên quan đến Ultralytics YOLO26 models. JupyterLab là một lựa chọn tuyệt vời cho việc phát triển và thử nghiệm model hiệu quả. Nó giúp việc bắt đầu thử nghiệm và huấn luyện các model YOLO26 ngay từ máy tính của bạn trở nên dễ dàng. Hãy cùng tìm hiểu sâu hơn về JupyterLab, các tính năng chính và cách bạn có thể sử dụng nó để huấn luyện các model YOLO26.

Link to this sectionJupyterLab là gì?#

JupyterLab là một nền tảng mã nguồn mở dựa trên web được thiết kế để làm việc với các Jupyter notebook, code và dữ liệu. Đây là bản nâng cấp từ giao diện Jupyter Notebook truyền thống, cung cấp trải nghiệm người dùng linh hoạt và mạnh mẽ hơn.

JupyterLab cho phép bạn làm việc với các notebook, trình chỉnh sửa văn bản, terminal và các công cụ khác tại cùng một nơi. Thiết kế linh hoạt của nó cho phép bạn sắp xếp không gian làm việc theo nhu cầu và giúp thực hiện dễ dàng hơn các tác vụ như phân tích dữ liệu, trực quan hóa và machine learning. JupyterLab cũng hỗ trợ cộng tác thời gian thực, làm cho nó trở nên lý tưởng cho các dự án nhóm trong nghiên cứu và khoa học dữ liệu.

Link to this sectionCác tính năng chính của JupyterLab#

Dưới đây là một số tính năng chính khiến JupyterLab trở thành lựa chọn tuyệt vời cho việc phát triển và thử nghiệm model:

  • Không gian làm việc tất cả trong một (All-in-One Workspace): JupyterLab là nơi đáp ứng mọi nhu cầu về khoa học dữ liệu của bạn. Không giống như Jupyter Notebook cổ điển vốn có các giao diện riêng biệt cho việc chỉnh sửa văn bản, truy cập terminal và notebook, JupyterLab tích hợp tất cả các tính năng này vào một môi trường thống nhất. Bạn có thể xem và chỉnh sửa nhiều định dạng tệp khác nhau, bao gồm JPEG, PDF và CSV, ngay trong JupyterLab. Không gian làm việc tất cả trong một cho phép bạn truy cập mọi thứ cần thiết trong tầm tay, tối ưu hóa quy trình làm việc và tiết kiệm thời gian của bạn.
  • Bố cục linh hoạt (Flexible Layouts): Một trong những tính năng nổi bật của JupyterLab là bố cục linh hoạt. Bạn có thể kéo, thả và thay đổi kích thước các tab để tạo ra một bố cục cá nhân hóa giúp bạn làm việc hiệu quả hơn. Thanh bên trái có thể thu gọn giúp giữ các tab thiết yếu như trình duyệt tệp, các kernel đang chạy và bảng lệnh trong tầm tay. Bạn có thể mở nhiều cửa sổ cùng lúc, cho phép bạn thực hiện đa nhiệm và quản lý dự án hiệu quả hơn.
  • Bảng điều khiển code tương tác (Interactive Code Consoles): Các bảng điều khiển code (code console) trong JupyterLab cung cấp một không gian tương tác để kiểm tra các đoạn code hoặc hàm. Chúng cũng đóng vai trò như một bản ghi các tính toán được thực hiện trong một notebook. Việc tạo một console mới cho một notebook và xem tất cả hoạt động của kernel rất đơn giản. Tính năng này đặc biệt hữu ích khi bạn đang thử nghiệm các ý tưởng mới hoặc khắc phục sự cố trong code của mình.
  • Xem trước Markdown (Markdown Preview): Làm việc với các tệp Markdown hiệu quả hơn trong JupyterLab nhờ tính năng xem trước đồng thời. Khi bạn viết hoặc chỉnh sửa tệp Markdown, bạn có thể thấy kết quả đã định dạng trong thời gian thực. Điều này giúp bạn dễ dàng kiểm tra lại xem tài liệu của mình đã hoàn hảo chưa, giúp bạn không phải chuyển đổi qua lại giữa chế độ chỉnh sửa và chế độ xem trước.
  • Chạy code từ tệp văn bản (Run Code from Text Files): Nếu bạn đang chia sẻ một tệp văn bản chứa code, JupyterLab giúp bạn dễ dàng chạy nó ngay trong nền tảng. Bạn có thể bôi đen đoạn code và nhấn Shift + Enter để thực thi. Điều này rất tuyệt vời để xác minh nhanh các đoạn code và giúp đảm bảo rằng code bạn chia sẻ có chức năng và không có lỗi.

Link to this sectionTại sao bạn nên sử dụng JupyterLab cho các dự án YOLO26 của mình?#

Có nhiều nền tảng để phát triển và đánh giá các model machine learning, vậy điều gì làm cho JupyterLab trở nên nổi bật? Hãy cùng khám phá một số khía cạnh độc đáo mà JupyterLab mang lại cho các dự án machine learning của bạn:

  • Quản lý ô (cell) dễ dàng: Việc quản lý các ô trong JupyterLab rất đơn giản. Thay vì phương pháp cắt và dán rườm rà, bạn chỉ cần kéo và thả các ô để sắp xếp lại chúng.
  • Sao chép ô giữa các notebook: JupyterLab giúp việc sao chép các ô giữa các notebook khác nhau trở nên đơn giản. Bạn có thể kéo và thả các ô từ notebook này sang notebook khác.
  • Dễ dàng chuyển sang chế độ xem Classic Notebook: Đối với những người nhớ giao diện Jupyter Notebook cổ điển, JupyterLab cung cấp một cách chuyển đổi quay lại dễ dàng. Chỉ cần thay thế /lab trong URL bằng /tree để quay lại chế độ xem notebook quen thuộc.
  • Nhiều chế độ xem (Multiple Views): JupyterLab hỗ trợ nhiều chế độ xem cho cùng một notebook, điều này đặc biệt hữu ích cho các notebook dài. Bạn có thể mở các phần khác nhau cạnh nhau để so sánh hoặc khám phá, và mọi thay đổi được thực hiện trong một chế độ xem đều được phản ánh ở chế độ xem kia.
  • Chủ đề có thể tùy chỉnh (Customizable Themes): JupyterLab bao gồm chủ đề Dark tích hợp cho notebook, hoàn hảo cho các phiên làm việc đêm khuya. Ngoài ra còn có các chủ đề cho trình chỉnh sửa văn bản và terminal, cho phép bạn tùy chỉnh giao diện của toàn bộ không gian làm việc.

Link to this sectionCác vấn đề thường gặp khi làm việc với JupyterLab#

Khi làm việc với JupyterLab, bạn có thể gặp phải một số vấn đề phổ biến. Dưới đây là một số mẹo để giúp bạn điều hướng nền tảng một cách suôn sẻ:

  • Quản lý các kernel: Các kernel rất quan trọng vì chúng quản lý kết nối giữa code bạn viết trong JupyterLab và môi trường nơi nó chạy. Chúng cũng có thể truy cập và chia sẻ dữ liệu giữa các notebook. Khi bạn đóng một Jupyter Notebook, kernel có thể vẫn đang chạy vì các notebook khác có thể đang sử dụng nó. Nếu bạn muốn tắt hoàn toàn một kernel, bạn có thể chọn nó, nhấp chuột phải và chọn "Shut Down Kernel" từ menu bật lên.
  • Cài đặt các gói Python: Đôi khi, bạn có thể cần các gói Python bổ sung không được cài đặt sẵn trên máy chủ. Bạn có thể dễ dàng cài đặt các gói này trong thư mục home hoặc môi trường ảo bằng cách sử dụng lệnh python -m pip install package-name. Để xem tất cả các gói đã cài đặt, hãy sử dụng python -m pip list.
  • Triển khai API Flask/FastAPI tới Posit Connect: Bạn có thể triển khai các API Flask và FastAPI của mình tới Posit Connect bằng cách sử dụng gói rsconnect-python từ terminal. Làm như vậy giúp việc tích hợp các ứng dụng web của bạn với JupyterLab và chia sẻ chúng với những người khác dễ dàng hơn.
  • Cài đặt các tiện ích mở rộng (Extensions) cho JupyterLab: JupyterLab hỗ trợ nhiều tiện ích mở rộng khác nhau để tăng cường chức năng. Bạn có thể cài đặt và tùy chỉnh các tiện ích này để phù hợp với nhu cầu của mình. Để biết hướng dẫn chi tiết, hãy tham khảo JupyterLab Extensions Guide để biết thêm thông tin.
  • Sử dụng nhiều phiên bản Python: Nếu bạn cần làm việc với các phiên bản Python khác nhau, bạn có thể sử dụng các Jupyter kernel được cấu hình với các phiên bản Python khác nhau.

Link to this sectionCách sử dụng JupyterLab để thử nghiệm YOLO26#

JupyterLab giúp việc thử nghiệm với YOLO26 trở nên dễ dàng. Để bắt đầu, hãy làm theo các bước đơn giản sau.

Link to this sectionBước 1: Cài đặt JupyterLab#

Trước tiên, bạn cần cài đặt JupyterLab. Mở terminal của bạn và chạy lệnh:

Cài đặt
# Install the required package for JupyterLab
pip install jupyterlab

Link to this sectionBước 2: Tải xuống Notebook hướng dẫn YOLO26#

Tiếp theo, hãy tải xuống tệp tutorial.ipynb từ kho lưu trữ GitHub của Ultralytics. Lưu tệp này vào bất kỳ thư mục nào trên máy cục bộ của bạn.

Link to this sectionBước 3: Khởi chạy JupyterLab#

Điều hướng đến thư mục nơi bạn đã lưu tệp notebook bằng terminal. Sau đó, chạy lệnh sau để khởi chạy JupyterLab:

Cách sử dụng
jupyter lab

Sau khi bạn đã chạy lệnh này, nó sẽ mở JupyterLab trong trình duyệt web mặc định của bạn, như hiển thị dưới đây.

Hình ảnh cho thấy cách JupyterLab mở trên trình duyệt

Link to this sectionBước 4: Bắt đầu thử nghiệm#

Trong JupyterLab, hãy mở notebook tutorial.ipynb. Bây giờ bạn có thể bắt đầu chạy các ô để khám phá và thử nghiệm với YOLO26.

Hình ảnh hiển thị YOLO26 Notebook đã mở trong JupyterLab

Môi trường tương tác của JupyterLab cho phép bạn sửa đổi code, trực quan hóa kết quả đầu ra và ghi lại các kết quả nghiên cứu của mình tại một nơi. Bạn có thể thử các cấu hình khác nhau và hiểu cách hoạt động của YOLO26.

Để hiểu chi tiết về quy trình huấn luyện model và các phương pháp tốt nhất, hãy tham khảo hướng dẫn Huấn luyện Model YOLO26. Hướng dẫn này sẽ giúp bạn tận dụng tối đa các thử nghiệm của mình và đảm bảo bạn đang sử dụng YOLO26 một cách hiệu quả.

Link to this sectionTiếp tục học về JupyterLab#

Nếu bạn muốn tìm hiểu thêm về JupyterLab, dưới đây là các tài nguyên để giúp bạn bắt đầu:

  • Tài liệu JupyterLab: Đi sâu vào Tài liệu JupyterLab chính thức để khám phá các tính năng và khả năng của nó. Đây là một cách tuyệt vời để hiểu cách sử dụng công cụ mạnh mẽ này một cách tối đa.
  • Thử với Binder: Thử nghiệm với JupyterLab mà không cần cài đặt bất cứ thứ gì bằng cách sử dụng Binder, cho phép bạn khởi chạy một phiên bản JupyterLab trực tiếp trong trình duyệt của mình. Đây là một cách tuyệt vời để bắt đầu thử nghiệm ngay lập tức.
  • Hướng dẫn cài đặt: Để có hướng dẫn từng bước về việc cài đặt JupyterLab trên máy cục bộ, hãy xem hướng dẫn cài đặt.
  • Huấn luyện Ultralytics YOLO26 sử dụng JupyterLab: Tìm hiểu thêm về các ứng dụng thực tế của việc sử dụng JupyterLab với các model YOLO26 trong bài đăng blog chi tiết này.

Link to this sectionTóm tắt#

Chúng ta đã khám phá cách JupyterLab có thể là một công cụ mạnh mẽ để thử nghiệm các model Ultralytics YOLO26. Sử dụng môi trường tương tác và linh hoạt của nó, bạn có thể dễ dàng thiết lập JupyterLab trên máy cục bộ và bắt đầu làm việc với YOLO26. JupyterLab giúp đơn giản hóa việc huấn luyện và đánh giá các model của bạn, trực quan hóa kết quả đầu ra và ghi lại các kết quả nghiên cứu tại cùng một nơi.

Không giống như các nền tảng khác như Google Colab, JupyterLab chạy cục bộ trên máy của bạn, mang lại cho bạn nhiều quyền kiểm soát hơn đối với môi trường máy tính của mình trong khi vẫn cung cấp trải nghiệm notebook tương tác. Điều này làm cho nó đặc biệt có giá trị đối với các nhà phát triển cần truy cập nhất quán vào môi trường phát triển của họ mà không phụ thuộc vào tài nguyên đám mây.

Để biết thêm chi tiết, hãy truy cập Trang FAQ JupyterLab.

Bạn quan tâm đến các tích hợp YOLO26 khác? Hãy xem hướng dẫn tích hợp Ultralytics để khám phá các công cụ và khả năng bổ sung cho các dự án machine learning của bạn.

Link to this sectionCâu hỏi thường gặp#

Link to this sectionLàm thế nào để sử dụng JupyterLab để huấn luyện model YOLO26?#

Để huấn luyện model YOLO26 bằng JupyterLab:

  1. Cài đặt JupyterLab và gói Ultralytics:

    pip install jupyterlab ultralytics

  2. Khởi chạy JupyterLab và mở một notebook mới.

  3. Nhập (import) model YOLO và tải một model đã được huấn luyện sẵn:

    from ultralytics import YOLO

model = YOLO("yolo26n.pt")

  4. Huấn luyện model trên tập dữ liệu tùy chỉnh của bạn:

    results = model.train(data="path/to/your/data.yaml", epochs=100, imgsz=640)

  5. Trực quan hóa kết quả huấn luyện bằng các khả năng vẽ đồ thị tích hợp của JupyterLab:

    import matplotlib

from ultralytics.utils.plotting import plot_results

matplotlib.use("inline")  # or 'notebook' for interactive
plot_results("runs/detect/train/results.csv")

Môi trường tương tác của JupyterLab cho phép bạn dễ dàng sửa đổi các tham số, trực quan hóa kết quả và lặp lại quy trình huấn luyện model của mình.

Link to this sectionĐâu là các tính năng chính của JupyterLab khiến nó phù hợp cho các dự án YOLO26?#

JupyterLab cung cấp một số tính năng làm cho nó trở nên lý tưởng cho các dự án YOLO26:

  1. Thực thi code tương tác: Kiểm tra và gỡ lỗi (debug) các đoạn code YOLO26 trong thời gian thực.
  2. Trình duyệt tệp tích hợp: Dễ dàng quản lý các tập dữ liệu, trọng số model (model weights) và các tệp cấu hình.
  3. Bố cục linh hoạt: Sắp xếp nhiều notebook, terminal và cửa sổ kết quả cạnh nhau để quy trình làm việc hiệu quả.
  4. Hiển thị đầu ra phong phú: Trực quan hóa các kết quả phát hiện YOLO26, đường cong huấn luyện và các chỉ số hiệu suất model ngay trong dòng (inline).
  5. Hỗ trợ Markdown: Ghi lại các thử nghiệm và kết quả nghiên cứu YOLO26 của bạn bằng văn bản và hình ảnh phong phú.
  6. Hệ sinh thái tiện ích mở rộng: Nâng cao chức năng với các tiện ích mở rộng cho kiểm soát phiên bản, tính toán từ xa, v.v.

Những tính năng này cho phép trải nghiệm phát triển liền mạch khi làm việc với các model YOLO26, từ chuẩn bị dữ liệu đến triển khai model.

Link to this sectionLàm cách nào để tối ưu hóa hiệu suất model YOLO26 bằng JupyterLab?#

Để tối ưu hóa hiệu suất model YOLO26 trong JupyterLab:

  1. Sử dụng tính năng autobatch để xác định kích thước lô (batch size) tối ưu:

    from ultralytics.utils.autobatch import autobatch

optimal_batch_size = autobatch(model)

  2. Triển khai điều chỉnh siêu tham số (hyperparameter tuning) sử dụng các thư viện như Ray Tune:

    from ultralytics.utils.tuner import run_ray_tune

best_results = run_ray_tune(model, data="path/to/data.yaml")

  3. Trực quan hóa và phân tích các chỉ số model bằng các khả năng vẽ đồ thị của JupyterLab:

    from ultralytics.utils.plotting import plot_results

plot_results("runs/detect/train/results.csv")

  4. Thử nghiệm với các kiến trúc model khác nhau và các định dạng xuất để tìm ra sự cân bằng tốt nhất giữa tốc độ và độ chính xác cho trường hợp sử dụng cụ thể của bạn.

Môi trường tương tác của JupyterLab cho phép lặp lại nhanh chóng và phản hồi theo thời gian thực, giúp việc tối ưu hóa các model YOLO26 của bạn hiệu quả hơn.

Link to this sectionLàm thế nào để xử lý các vấn đề phổ biến khi làm việc với JupyterLab và YOLO26?#

Khi làm việc với JupyterLab và YOLO26, bạn có thể gặp phải một số vấn đề phổ biến. Đây là cách xử lý chúng:

  1. Các vấn đề về bộ nhớ GPU:

    • Sử dụng torch.cuda.empty_cache() để xóa bộ nhớ GPU giữa các lần chạy.
    • Điều chỉnh batch size hoặc kích thước hình ảnh để phù hợp với bộ nhớ GPU của bạn.

  2. Xung đột gói (Package conflicts):

    • Tạo một môi trường conda riêng biệt cho các dự án YOLO26 của bạn để tránh xung đột.
    • Sử dụng !pip install package_name trong một ô của notebook để cài đặt các gói còn thiếu.

  3. Kernel bị treo (Kernel crashes):

    • Khởi động lại kernel và chạy từng ô một để xác định đoạn code có vấn đề.
    • Kiểm tra rò rỉ bộ nhớ trong code của bạn, đặc biệt là khi xử lý các tập dữ liệu lớn.
Người đóng góp
GLglenn-jocher9RIRizwanMunawar2LALaughing-q2Y-Y-T-G1WIWillie Maddox1MAMatthewNoyce1AMambitious-octopus1ABabirami-vina1

Bình luận