Ultralytics YOLO27:
Get Started

Hướng dẫn sử dụng JupyterLab để huấn luyện model YOLO26#

Việc xây dựng model deep learning có thể khó khăn, nhất là khi bạn không có công cụ hoặc môi trường phù hợp. Nếu gặp vấn đề này, JupyterLab có thể là giải pháp phù hợp. JupyterLab là nền tảng web thân thiện với người dùng, giúp việc viết code linh hoạt và tương tác hơn. Bạn có thể dùng nền tảng này để xử lý dataset lớn, tạo model phức tạp và cộng tác với người khác, tất cả tại cùng một nơi.

Bạn có thể dùng JupyterLab để thực hiện các dự án liên quan đến model Ultralytics YOLO26. JupyterLab là lựa chọn tuyệt vời để phát triển và thử nghiệm model hiệu quả. Nền tảng này giúp bạn dễ dàng bắt đầu thử nghiệm và huấn luyện model YOLO26 ngay trên máy tính. Hãy cùng tìm hiểu sâu hơn về JupyterLab, các tính năng chính và cách dùng nền tảng này để huấn luyện model YOLO26.

JupyterLab là gì?#

JupyterLab là nền tảng web mã nguồn mở được thiết kế để làm việc với Jupyter notebook, code và dữ liệu. Đây là phiên bản nâng cấp của giao diện Jupyter Notebook truyền thống, mang đến trải nghiệm người dùng linh hoạt và mạnh mẽ 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 workspace theo nhu cầu, đồng thời hỗ trợ các tác vụ như phân tích dữ liệu, trực quan hóa và machine learning. JupyterLab cũng hỗ trợ cộng tác theo thời gian thực, phù hợp cho các dự án nhóm trong nghiên cứu và khoa học dữ liệu.

Các tính năng chính của JupyterLab#

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

  • Workspace tất cả trong một: JupyterLab đáp ứng mọi nhu cầu về khoa học dữ liệu tại cùng một nơi. Khác với Jupyter Notebook cổ điển, vốn có giao diện riêng cho chỉnh sửa văn bản, truy cập terminal và notebook, JupyterLab tích hợp tất cả những tính năng này trong một môi trường thống nhất. Bạn có thể xem và chỉnh sửa nhiều định dạng file, bao gồm JPEG, PDF và CSV, ngay trong JupyterLab. Workspace tất cả trong một giúp bạn dễ dàng truy cập mọi thứ cần thiết, tinh giản quy trình làm việc và tiết kiệm thời gian.
  • Bố cục linh hoạt: 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 bố cục phù hợp, 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 file, kernel đang chạy và bảng lệnh. Bạn có thể mở nhiều cửa sổ cùng lúc để làm nhiều việc 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 file Markdown hiệu quả hơn nhờ tính năng xem trước đồng thời. Khi viết hoặc chỉnh sửa file Markdown, bạn có thể xem đầu ra đã định dạng theo thời gian thực. Nhờ đó, việc kiểm tra tài liệu hiển thị chính xác trở nên dễ dàng hơn, không cần chuyển qua lại giữa chế độ chỉnh sửa và xem trước.
  • Chạy code từ file văn bản: Nếu bạn chia sẻ file văn bản có code, JupyterLab giúp bạn chạy code đó trực tiếp trên nền tảng. Bạn có thể chọn đoạn code và nhấn Shift + Enter để thực thi. Tính năng này hữu ích để nhanh chóng xác minh các đoạn code, đồng thời giúp đảm bảo code bạn chia sẻ hoạt động tốt và không có lỗi.

Vì sao nên dùng JupyterLab cho các dự án YOLO26?#

Có nhiều nền tảng để phát triển và đánh giá model machine learning, vậy điều gì khiến JupyterLab nổi bật? Hãy cùng tìm hiểu một số điểm riêng mà JupyterLab mang lại cho các dự án machine learning của bạn:

  • Quản lý cell dễ dàng: Việc quản lý cell trong JupyterLab rất đơn giản. Thay vì cách cắt và dán rườm rà, bạn chỉ cần kéo thả cell để sắp xếp lại.
  • 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 /lab trong URL bằng /tree để 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.
  • Chủ đề tùy chỉnh: JupyterLab tích hợp chủ đề tối cho notebook, phù hợp với những buổi viết code khuya. Ngoài ra còn có các chủ đề cho trình soạn thảo văn bản và terminal, cho phép bạn tùy chỉnh giao diện của toàn bộ workspace.

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 chạy code đó. Kernel cũng có thể truy cập và chia sẻ dữ liệu giữa các notebook. Khi đóng Jupyter Notebook, kernel vẫn có thể đang chạy vì notebook khác có thể đang sử dụng kernel đó. Nếu muốn tắt hẳn kernel, bạn có thể chọn kernel, nhấp chuột phải và chọn "Shut Down Kernel" trong menu bật lên.
  • Cài đặt package Python: Đôi khi, bạn có thể cần thêm các package Python chưa được cài sẵn trên server. Bạn có thể dễ dàng cài đặt các package này trong thư mục home hoặc môi trường ảo bằng lệnh python -m pip install package-name. Để xem tất cả package đã cài đặt, hãy dùng python -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 tăng cường chức năng. Bạn có thể cài đặt và tùy chỉnh các tiện ích này theo nhu cầu. Để xem hướng dẫn chi tiết, hãy tham khảo Hướng dẫn về tiện ích mở rộng JupyterLab.
  • 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. Để bắt đầu, hãy làm theo các bước đơn giản sau.

Bước 1: Cài đặt JupyterLab#

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

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

Bước 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:

Cách sử dụng
jupyter lab

Sau khi chạy lệnh này, JupyterLab sẽ mở trong trình duyệt web mặc định của bạn, như minh họa bên dưới.

Hình ảnh minh họa cách JupyterLab mở trong trình duyệt

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.

Hình ảnh notebook YOLO26 đã mở trong JupyterLab

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: Khám phá các tính năng và khả năng của JupyterLab trong tài liệu chính thức. Đây là cách tuyệt vời để hiểu cách khai thác tối đa công cụ mạnh mẽ này.
  • Dùng thử với Binder: Thử nghiệm với JupyterLab mà không cần cài đặt bằng Binder, công cụ cho phép bạn khởi chạy một phiên bản JupyterLab trực tiếp ngay trong trình duyệt. Đây là cách tuyệt vời để bắt đầu thử nghiệm ngay lập tức.
  • Hướng dẫn cài đặt: Xem hướng dẫn cài đặt để biết các bước cài JupyterLab trên máy cục bộ.
  • Huấn luyện Ultralytics YOLO26 bằng JupyterLab: Tìm hiểu thêm về các ứng dụng thực tiễn của JupyterLab với các model YOLO26 trong bài viết blog chi tiết này.

Tóm tắt#

Chúng ta đã tìm hiểu cách JupyterLab có thể là một công cụ mạnh mẽ để thử nghiệm các model Ultralytics YOLO26. Với môi trường linh hoạt và tương tác, bạn có thể dễ dàng thiết lập JupyterLab trên máy cục bộ và bắt đầu làm việc với YOLO26. JupyterLab giúp bạn dễ dàng huấn luyện và đánh giá các model, trực quan hóa kết quả và ghi lại những phát hiện tại cùng một nơi.

Khác với các nền tảng khác như Google Colab, JupyterLab chạy cục bộ trên máy của bạn, cho phép bạn kiểm soát môi trường tính toán tốt hơn mà vẫn cung cấp trải nghiệm notebook tương tác. Điều này đặc biệt hữu ích với các nhà phát triển cần truy cập ổn định 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.

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

Câu hỏi thường gặp#

  • Để huấn luyện model YOLO26 bằng JupyterLab:

    1. Cài đặt JupyterLab và package Ultralytics:

      pip install jupyterlab ultralytics

    2. Khởi chạy JupyterLab và mở notebook mới.

    3. Import model YOLO và tải model đã huấn luyện trước:

      from ultralytics import YOLO

model = YOLO("yolo26n.pt")

    4. Huấn luyện model trên dataset 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 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 dễ dàng chỉnh sửa tham số, trực quan hóa kết quả và lặp lại quy trình huấn luyện model.

  • JupyterLab cung cấp một số tính năng khiến nền tảng này trở nên lý tưởng cho các dự án YOLO26:

    1. Thực thi mã tương tác: Kiểm thử và gỡ lỗi các đoạn mã YOLO26 theo thời gian thực.
    2. Trình duyệt file tích hợp: Dễ dàng quản lý dataset, trọng số model và file cấu hình.
    3. Bố cục linh hoạt: Sắp xếp nhiều notebook, terminal và cửa sổ đầu ra cạnh nhau để tối ưu quy trình làm việc.
    4. 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.
    5. Hỗ trợ Markdown: Ghi lại các thử nghiệm và phát hiện về YOLO26 bằng văn bản định dạng phong phú và hình ảnh.
    6. 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.

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

  • Để tối ưu hiệu năng model YOLO26 trong JupyterLab:

    1. Dùng AutoBatch để chọn batch size lớn nhất phù hợp với bộ nhớ GPU:

      results = model.train(data="path/to/data.yaml", batch=-1)

    2. 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)

    3. 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

    4. 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 hỗ trợ lặp nhanh và phản hồi theo thời gian thực, giúp tối ưu các model YOLO26 hiệu quả hơn.

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

    1. 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.

    2. Xung đột package:

      • Tạo một môi trường conda riêng cho các dự án YOLO26 để tránh xung đột.
      • Dùng !pip install package_name trong một ô notebook để cài đặt các package còn thiếu.

    3. 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.
Người đóng góp
GLglenn-jocher12RAraimbekovm2RIRizwanMunawar2LALaughing-q2Y-Y-T-G1WIWillieMaddox1MAMatthewNoyce1AMambitious-octopus1ABabirami-vina1

Bình luận