Hướng dẫn sử dụng JupyterLab để huấn luyện model YOLO26
Việc xây dựng model deep learning trở nên dễ dàng hơn trong môi trường tương tác, nơi mã, dữ liệu và kết quả được đặt cạnh nhau. JupyterLab là nền tảng web giúp việc viết mã trở nên linh hoạt và có tính tương tác. Bạn có thể dùng nền tảng này để xử lý tập dữ liệu lớn, xây dựng model phức tạp và cộng tác với người khác, tất cả tại cùng một nơi.
Bạn có thể dùng JupyterLab để thực hiện dự án liên quan đến model Ultralytics YOLO26. Nền tảng này cho phép bạn bắt đầu thử nghiệm và huấn luyện model YOLO26 ngay trên máy tính. Hướng dẫn này giới thiệu JupyterLab, các tính năng chính và cách dùng nền tảng để huấn luyện model YOLO26.
JupyterLab là gì?#
JupyterLab là nền tảng mã nguồn mở trên web được thiết kế để làm việc với Jupyter notebook, mã và dữ liệu. Đây là giao diện thế hệ tiếp theo của Project Jupyter, mở rộng Jupyter Notebook cổ điển với không gian làm việc linh hoạt hơn.
JupyterLab cho phép bạn làm việc với notebook, trình soạn thảo văn bản, terminal và các công cụ khác tại cùng một nơi. Thiết kế linh hoạt giúp bạn sắp xếp không gian làm việc theo nhu cầu và dễ dàng thực hiện các tác vụ như phân tích dữ liệu, trực quan hóa và machine learning. JupyterLab cũng hỗ trợ cộng tác theo thời gian thực, rất hữu ích cho các dự án nhóm trong lĩnh vực nghiên cứu và khoa học dữ liệu.
Các tính năng chính của JupyterLab#
Sau đây là một số tính năng chính giúp JupyterLab hữu ích cho việc phát triển và thử nghiệm model:
- Không gian làm việc tất cả trong một: Không giống Jupyter Notebook cổ điển vốn có giao diện riêng cho việc chỉnh sửa văn bản, truy cập terminal và notebook, JupyterLab tích hợp tất cả tính năng này vào một môi trường thống nhất. Bạn có thể xem và chỉnh sửa nhiều định dạng tệp, bao gồm JPEG, PDF và CSV, ngay trong JupyterLab để mọi thứ cần thiết luôn nằm trong cùng một không gian làm việc.
- Bố cục linh hoạt: Bạn có thể kéo, thả và đổi kích thước các tab để tạo bố cục phù hợp với nhu cầu, giúp làm việc hiệu quả hơn. Thanh bên trái có thể thu gọn giúp bạn truy cập nhanh các tab thiết yếu như trình duyệt tệp, kernel đang chạy và bảng lệnh. Bạn có thể mở nhiều cửa sổ cùng lúc, nhờ đó thực hiện nhiều tác vụ và quản lý dự án hiệu quả hơn.
- Console code tương tác: Console code trong JupyterLab cung cấp không gian tương tác để thử các đoạn code hoặc hàm. Console cũng ghi lại các phép tính được thực hiện trong notebook. Bạn có thể dễ dàng tạo console mới cho notebook và xem toàn bộ hoạt động của kernel. Tính năng này đặc biệt hữu ích khi thử nghiệm ý tưởng mới hoặc khắc phục sự cố trong code.
- Xem trước Markdown: JupyterLab giúp làm việc với tệp Markdown hiệu quả hơn nhờ tính năng xem trước đồng thời. Khi viết hoặc chỉnh sửa tệp Markdown, bạn có thể xem đầu ra đã định dạng theo thời gian thực. Nhờ vậy, bạn dễ dàng kiểm tra tài liệu hiển thị đúng mà không cần chuyển đổi giữa chế độ chỉnh sửa và xem trước.
- Chạy mã từ tệp văn bản: Nếu bạn chia sẻ tệp văn bản có mã, JupyterLab giúp dễ dàng chạy mã trực tiếp trên nền tảng. Bạn có thể chọn đoạn mã rồi nhấn Shift + Enter để thực thi. Tính năng này hữu ích khi cần nhanh chóng xác minh các đoạn mã và xác nhận mã bạn chia sẻ chạy đúng như dự kiến.
Vì sao nên dùng JupyterLab cho các dự án YOLO26?#
Có nhiều nền tảng để phát triển và đánh giá model machine learning. Sau đây là một số khía cạnh của JupyterLab hữu ích cho các dự án machine learning:
- Quản lý ô dễ dàng: Thay vì cắt và dán các ô, bạn có thể kéo thả chúng để sắp xếp lại notebook.
- Sao chép cell giữa các notebook: JupyterLab giúp bạn dễ dàng sao chép cell giữa các notebook khác nhau. Bạn có thể kéo thả cell từ notebook này sang notebook khác.
- Dễ dàng chuyển về giao diện Notebook cổ điển: Nếu muốn sử dụng lại giao diện Jupyter Notebook cổ điển, bạn có thể dễ dàng chuyển về giao diện đó trong JupyterLab. Chỉ cần thay
/labtrong URL bằng/treeđể quay lại giao diện notebook quen thuộc. - Nhiều chế độ xem: JupyterLab hỗ trợ nhiều chế độ xem 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 đều được phản ánh ở chế độ xem kia.
- Giao diện tùy chỉnh: JupyterLab tích hợp sẵn giao diện tối cho notebook. Trình soạn thảo văn bản và terminal cũng có các giao diện riêng, cho phép bạn tùy chỉnh diện mạo của toàn bộ không gian làm việc.
Các vấn đề thường gặp khi làm việc với JupyterLab#
Khi làm việc với JupyterLab, bạn có thể gặp một số vấn đề thường gặp. Dưới đây là một vài mẹo giúp bạn sử dụng nền tảng thuận lợi hơn:
- Quản lý kernel: Kernel rất quan trọng vì quản lý kết nối giữa code bạn viết trong JupyterLab và môi trường thực thi code. Khi bạn đóng Jupyter Notebook, kernel vẫn chạy trên server để bạn có thể quay lại tiếp tục công việc kéo dài sau đó. Nếu muốn tắt hoàn toàn kernel, bạn có thể chọn kernel, nhấp chuột phải và chọn "Shut Down Kernel" trong menu bật lên.
- Cài đặt gói Python: Đôi khi, bạn có thể cần thêm các gói Python chưa được cài đặt sẵn trên máy chủ. Bạn có thể cài đặt các gói này trong thư mục home hoặc môi trường ảo bằng lệnh
python -m pip install package-name. Để xem tất cả các gói đã cài đặt, hãy dùngpython -m pip list. - Triển khai API Flask/FastAPI lên Posit Connect: Bạn có thể triển khai API Flask và FastAPI lên Posit Connect bằng package rsconnect-python từ terminal. Cách này giúp tích hợp ứng dụng web với JupyterLab và chia sẻ ứng dụng với người khác dễ dàng hơn.
- Cài đặt tiện ích mở rộng JupyterLab: JupyterLab hỗ trợ nhiều tiện ích mở rộng để bổ sung chức năng. Bạn có thể cài đặt và tùy chỉnh các tiện ích này theo nhu cầu.
- Sử dụng nhiều phiên bản Python: Nếu cần làm việc với các phiên bản Python khác nhau, bạn có thể dùng các Jupyter kernel được cấu hình với từng phiên bản Python.
Cách dùng JupyterLab để dùng thử YOLO26#
JupyterLab giúp bạn dễ dàng thử nghiệm YOLO26. Hãy làm theo các bước sau để bắt đầu.
Bước 1: Cài đặt JupyterLab#
Trước tiên, bạn cần cài đặt JupyterLab. Mở terminal và chạy lệnh:
# Install the required package for JupyterLab
pip install jupyterlabBước 2: Tải notebook hướng dẫn YOLO26#
Tiếp theo, tải file tutorial.ipynb từ kho lưu trữ GitHub của Ultralytics. Lưu file này vào bất kỳ thư mục nào trên máy cục bộ.
Bước 3: Khởi chạy JupyterLab#
Dùng terminal để chuyển đến thư mục đã lưu file notebook. Sau đó, chạy lệnh sau để khởi chạy JupyterLab:
jupyter labSau khi chạy lệnh này, JupyterLab sẽ mở trong trình duyệt web mặc định của bạn, như minh họa bên dưới.

Bước 4: Bắt đầu thử nghiệm#
Trong JupyterLab, mở notebook tutorial.ipynb. Giờ đây, bạn có thể chạy các ô để khám phá và thử nghiệm với YOLO26.

Môi trường tương tác của JupyterLab cho phép bạn chỉnh sửa mã, trực quan hóa kết quả và ghi lại những phát hiện—all tại một nơi. Bạn có thể thử các cấu hình khác nhau và tìm hiểu cách YOLO26 hoạt động.
Để hiểu chi tiết 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 khai thác tối đa các thử nghiệm và đảm bảo bạn sử dụng YOLO26 hiệu quả.
Tiếp tục tìm hiểu về JupyterLab#
Nếu muốn tìm hiểu thêm về JupyterLab, dưới đây là một số tài nguyên giúp bạn bắt đầu:
- Tài liệu JupyterLab: Tìm hiểu các tính năng và khả năng của JupyterLab trong tài liệu chính thức.
- Thử với Binder: Thử nghiệm JupyterLab mà không cần cài đặt bằng Binder, công cụ cho phép khởi chạy phiên bản JupyterLab trực tiếp trong trình duyệt.
- Hướng dẫn cài đặt: Xem hướng dẫn cài đặt để biết các bước cài JupyterLab trên máy cục bộ.
- Huấn luyện Ultralytics YOLO11 bằng JupyterLab: Tìm hiểu thêm về ứng dụng thực tế của JupyterLab với các model Ultralytics YOLO trong bài đăng blog này.
Tóm tắt#
Hướng dẫn này trình bày cách dùng JupyterLab để thử nghiệm model Ultralytics YOLO26. Bạn có thể thiết lập JupyterLab trên máy cục bộ và bắt đầu làm việc với YOLO26 chỉ trong vài phút. JupyterLab giúp bạn dễ dàng huấn luyện và đánh giá model, trực quan hóa đầu ra và ghi lại kết quả, tất cả tại cùng một nơi.
Không giống các nền tảng đám mây như Google Colab, JupyterLab chạy cục bộ trên máy tính, giúp bạn kiểm soát môi trường điện toán tốt hơn mà vẫn có trải nghiệm notebook tương tác. Điều này đặc biệt hữu ích cho nhà phát triển cần truy cập nhất quán vào môi trường phát triển mà không phụ thuộc vào tài nguyên đám mây.
Để biết thêm chi tiết, hãy truy cập Trang Câu hỏi thường gặp về JupyterLab.
Câu hỏi thường gặp#
Để huấn luyện model YOLO26 bằng JupyterLab:
-
Cài đặt JupyterLab và package Ultralytics:
pip install jupyterlab ultralytics -
Khởi chạy JupyterLab và mở notebook mới.
-
Import lớp YOLO và tải model YOLO26n đã huấn luyện trước:
from ultralytics import YOLO model = YOLO("yolo26n.pt") -
Huấn luyện model trên dataset tùy chỉnh của bạn:
results = model.train(data="path/to/your/data.yaml", epochs=100, imgsz=640) -
Trực quan hóa kết quả huấn luyện bằng các tính năng vẽ biểu đồ tích hợp của JupyterLab:
from ultralytics.utils.plotting import plot_results plot_results("runs/detect/train/results.csv") # lưu results.png cạnh results.csv
Môi trường tương tác của JupyterLab cho phép bạn sửa đổi tham số, trực quan hóa kết quả và lặp lại quy trình huấn luyện model.
-
JupyterLab cung cấp một số tính năng phù hợp với các dự án YOLO26:
- Thực thi mã tương tác: Kiểm thử và gỡ lỗi các đoạn mã YOLO26 theo thời gian thực.
- Trình duyệt file tích hợp: Dễ dàng quản lý dataset, trọng số model và file cấu hình.
- Bố cục linh hoạt: Sắp xếp nhiều notebook, terminal và cửa sổ đầu ra cạnh nhau để có quy trình làm việc hiệu quả.
- Hiển thị đầu ra phong phú: Trực quan hóa kết quả phát hiện, đường cong huấn luyện và chỉ số hiệu năng của model YOLO26 ngay trong notebook.
- Hỗ trợ Markdown: Ghi lại các thử nghiệm và phát hiện về YOLO26 bằng văn bản định dạng phong phú và hình ảnh.
- Hệ sinh thái extension: Mở rộng chức năng bằng các extension hỗ trợ kiểm soát phiên bản, điện toán từ xa và nhiều tính năng khác.
Các tính năng này hỗ trợ quy trình làm việc liền mạch khi làm việc với model YOLO26, từ chuẩn bị dữ liệu đến triển khai model.
Để tối ưu hiệu năng model YOLO26 trong JupyterLab:
-
Dùng AutoBatch để chọn batch size lớn nhất phù hợp với bộ nhớ GPU:
results = model.train(data="path/to/data.yaml", batch=-1) -
Thực hiện tinh chỉnh siêu tham số bằng các thư viện như Ray Tune:
result_grid = model.tune(data="path/to/data.yaml", use_ray=True) -
Trực quan hóa và phân tích các chỉ số model bằng tính năng vẽ biểu đồ của JupyterLab:
from ultralytics.utils.plotting import plot_results plot_results("runs/detect/train/results.csv") # lưu results.png cạnh results.csv -
Thử nghiệm các kiến trúc model và định dạng export khác nhau để tìm 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 nhanh và nhận phản hồi theo thời gian thực, giúp tối ưu model YOLO26 dễ dàng hơn.
-
Khi làm việc với JupyterLab và YOLO26, bạn có thể gặp một số vấn đề phổ biến. Dưới đây là cách xử lý:
-
Vấn đề bộ nhớ GPU:
- Dùng
torch.cuda.empty_cache()để giải phóng bộ nhớ GPU giữa các lần chạy. - Điều chỉnh batch size hoặc kích thước ảnh để phù hợp với bộ nhớ GPU.
- Dùng
-
Xung đột package:
- Tạo một môi trường conda riêng cho các dự án YOLO26 để tránh xung đột.
- Dùng
!pip install package_nametrong một ô notebook để cài đặt các package còn thiếu.
-
Kernel gặp sự cố:
- Khởi động lại kernel và chạy từng ô một để xác định đoạn mã gây ra sự cố.
- Kiểm tra rò rỉ bộ nhớ trong mã, đặc biệt khi xử lý dataset lớn.
-
Bình luận2
Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.
new-php
"This guide seems helpful, but there are a few things that could be improved. The steps for training YOLO11 models in JupyterLab are unclear in some parts, and it would be great to see more detailed explanations, especially for beginners. I also noticed that some important configurations for training weren’t mentioned, which could cause confusion for users trying to set up the environment correctly.
It would be really helpful to include sample images or screenshots to clarify key steps. Otherwise, new users might struggle with understanding the exact flow.
For more details, check out:
JupyterLab Installation GuideThis version should come across as more critical and focused on the potential issues. Feel free to adjust further!
Glenn JocherUltralytics@new-php thank you for your feedback! We'll review the guide to improve clarity in training steps and configurations. For detailed YOLO11 training examples in JupyterLab, see our FAQ section with code snippets and best practices. Visual enhancements are planned for future updates.