Trang chủ

Giới thiệu Ultralytics YOLO26, phiên bản mới nhất của model phát hiện đối tượng và phân đoạn ảnh thời gian thực được đánh giá cao. YOLO26 được xây dựng trên các tiến bộ của deep learning và computer vision, với khả năng suy luận end-to-end không cần NMS và được tối ưu hóa cho triển khai tại biên. Thiết kế tinh gọn giúp model phù hợp với nhiều ứng dụng và dễ dàng thích ứng với các nền tảng phần cứng khác nhau, từ các thiết bị biên đến các API đám mây. Đối với các hệ thống sản xuất ổn định, cả YOLO26 và YOLO11 đều được khuyến nghị sử dụng.

Khám phá tài liệu Ultralytics, một nguồn tài nguyên toàn diện được thiết kế để giúp bạn hiểu và tận dụng các tính năng cũng như khả năng của nó. Cho dù bạn là một chuyên gia machine learning dày dặn kinh nghiệm hay người mới bắt đầu trong lĩnh vực này, trung tâm này hướng đến việc tối đa hóa tiềm năng của YOLO trong các dự án của bạn.

Yêu cầu Giấy phép Enterprise cho mục đích thương mại tại Ultralytics Licensing.

Bắt đầu từ đâu

YOLO: Lịch sử tóm tắt

YOLO (You Only Look Once), một model object detection và phân đoạn ảnh phổ biến, được phát triển bởi Joseph Redmon và Ali Farhadi tại Đại học Washington. Ra mắt năm 2015, YOLO trở nên phổ biến nhờ tốc độ và độ chính xác cao.

• YOLOv2, ra mắt năm 2016, đã cải tiến model gốc bằng cách kết hợp batch normalization, anchor boxes và dimension clusters.
• YOLOv3, ra mắt năm 2018, đã tăng cường hơn nữa hiệu suất của model bằng cách sử dụng mạng xương sống (backbone network) hiệu quả hơn, nhiều anchor hơn và spatial pyramid pooling.
• YOLOv4 được phát hành vào năm 2020, giới thiệu các cải tiến như data augmentation Mosaic, một đầu dò không dùng anchor mới và một loss function.
• mới. YOLOv5 tiếp tục cải thiện hiệu suất của model và bổ sung các tính năng mới như tối ưu hóa siêu tham số, theo dõi thử nghiệm tích hợp và tự động xuất ra các định dạng xuất phổ biến.YOLOv5
• YOLOv6 được mã nguồn mở bởi Meituan vào năm 2022 và được sử dụng trong nhiều robot giao hàng tự động của công ty.
• YOLOv7 đã bổ sung thêm các tác vụ như ước tính tư thế (pose estimation) trên tập dữ liệu COCO keypoints.
• YOLOv8 được Ultralytics phát hành năm 2023, giới thiệu các tính năng mới và cải tiến nhằm nâng cao hiệu suất, sự linh hoạt và hiệu quả, hỗ trợ đầy đủ các tác vụ AI thị giác.
• YOLOv9 giới thiệu các phương pháp sáng tạo như Programmable Gradient Information (PGI) và Generalized Efficient Layer Aggregation Network (GELAN).
• YOLOv10 được tạo ra bởi các nhà nghiên cứu từ Tsinghua University sử dụng Ultralytics Python package, mang lại các tiến bộ thời gian thực bằng cách giới thiệu đầu dò End-to-End loại bỏ yêu cầu Non-Maximum Suppression (NMS).object detection: Ra mắt vào tháng 9 năm 2024, YOLO11 mang lại hiệu suất tuyệt vời trên nhiều tác vụ, bao gồm
• YOLO11: Ra mắt vào tháng 9 năm 2024, YOLO11 mang lại hiệu suất tuyệt vời trên nhiều tác vụ, bao gồm object detection, segmentation, pose estimation, tracking, và classification, cho phép triển khai trên nhiều ứng dụng và lĩnh vực AI đa dạng.
• YOLO26 🚀: Model YOLO thế hệ tiếp theo của Ultralytics được tối ưu hóa để triển khai tại biên với khả năng suy luận end-to-end không cần NMS.

Giấy phép YOLO: Ultralytics YOLO được cấp phép như thế nào?

Ultralytics cung cấp hai tùy chọn cấp phép để phù hợp với các trường hợp sử dụng đa dạng:

• Giấy phép AGPL-3.0: Giấy phép mã nguồn mở OSI-approved này rất lý tưởng cho sinh viên và những người đam mê, thúc đẩy sự hợp tác mở và chia sẻ kiến thức. Xem tệp LICENSE để biết thêm chi tiết.
• Giấy phép Enterprise: Được thiết kế cho mục đích thương mại, giấy phép này cho phép tích hợp liền mạch phần mềm và các model AI của Ultralytics vào các sản phẩm và dịch vụ thương mại, bỏ qua các yêu cầu mã nguồn mở của AGPL-3.0. Nếu kịch bản của bạn liên quan đến việc nhúng các giải pháp của chúng tôi vào một dịch vụ thương mại, hãy liên hệ qua Ultralytics Licensing.

Chiến lược cấp phép của chúng tôi được thiết kế để đảm bảo rằng mọi cải tiến đối với các dự án mã nguồn mở của chúng tôi đều được đóng góp trở lại cho cộng đồng. Chúng tôi tin tưởng vào mã nguồn mở và sứ mệnh của chúng tôi là đảm bảo rằng các đóng góp của chúng tôi có thể được sử dụng và mở rộng theo những cách mang lại lợi ích cho tất cả mọi người.

Sự phát triển của Object Detection

Object detection đã phát triển đáng kể qua nhiều năm, từ các kỹ thuật computer vision truyền thống sang các model deep learning tiên tiến. YOLO family of models đã đi đầu trong sự phát triển này, liên tục vượt qua các giới hạn về khả năng thực thi trong object detection thời gian thực.

Cách tiếp cận độc đáo của YOLO xử lý object detection như một bài toán hồi quy đơn lẻ, dự đoán bounding boxes và xác suất lớp trực tiếp từ toàn bộ hình ảnh trong một lần đánh giá. Phương pháp mang tính cách mạng này đã làm cho các model YOLO nhanh hơn đáng kể so với các máy dò hai giai đoạn trước đó trong khi vẫn duy trì độ chính xác cao.

Với mỗi phiên bản mới, YOLO đã giới thiệu những cải tiến về kiến trúc và các kỹ thuật sáng tạo giúp nâng cao hiệu suất trên nhiều chỉ số. YOLO26 tiếp tục truyền thống này bằng cách kết hợp những tiến bộ mới nhất trong nghiên cứu computer vision, đặc trưng bởi khả năng suy luận end-to-end không cần NMS và triển khai tối ưu tại biên cho các ứng dụng thực tế.

FAQ

Ultralytics YOLO là gì và nó cải thiện việc phát hiện đối tượng như thế nào?

Ultralytics YOLO là series YOLO (You Only Look Once) được đánh giá cao cho các tác vụ phát hiện đối tượng và phân đoạn ảnh theo thời gian thực. Model mới nhất, YOLO26, phát triển dựa trên các phiên bản trước bằng cách giới thiệu quy trình inference end-to-end không cần NMS và tối ưu hóa cho việc triển khai trên edge. YOLO hỗ trợ đa dạng các tác vụ vision AI như phát hiện, phân đoạn, ước tính tư thế (pose estimation), tracking và phân loại. Kiến trúc hiệu quả của nó đảm bảo tốc độ và độ chính xác vượt trội, giúp nó phù hợp cho nhiều ứng dụng khác nhau, bao gồm các thiết bị edge và cloud API.

Làm thế nào để tôi bắt đầu với việc cài đặt và thiết lập YOLO?

Bắt đầu với YOLO rất nhanh chóng và đơn giản. Bạn có thể cài đặt package Ultralytics bằng pip và sẵn sàng sử dụng trong vài phút. Đây là lệnh cài đặt cơ bản:

pip install -U ultralytics

Để có hướng dẫn chi tiết từng bước, hãy truy cập trang Quickstart của chúng tôi. Tài nguyên này sẽ giúp bạn các chỉ dẫn cài đặt, thiết lập ban đầu và chạy model đầu tiên của mình.

Làm thế nào để tôi train một custom YOLO model trên tập dữ liệu của mình?

Việc train một custom YOLO model trên tập dữ liệu của bạn bao gồm một vài bước chi tiết:

1. Chuẩn bị tập dữ liệu đã gán nhãn (annotated dataset).
2. Cấu hình các tham số huấn luyện trong file YAML.
3. Sử dụng lệnh yolo TASK train để bắt đầu huấn luyện. (Mỗi TASK có các tham số riêng)

Dưới đây là ví dụ code cho Tác vụ Phát hiện Đối tượng (Object Detection Task):

from ultralytics import YOLO

# Load a pretrained YOLO model (you can choose n, s, m, l, or x versions)
model = YOLO("yolo26n.pt")

# Start training on your custom dataset
model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)

Để có hướng dẫn chi tiết, hãy xem hướng dẫn Huấn luyện Model của chúng tôi, bao gồm các ví dụ và mẹo để tối ưu hóa quy trình huấn luyện của bạn.

Các tùy chọn cấp phép (licensing) nào có sẵn cho Ultralytics YOLO?

Ultralytics cung cấp hai tùy chọn cấp phép cho YOLO:

• Giấy phép AGPL-3.0AGPL-3.0: Giấy phép nguồn mở này rất lý tưởng cho mục đích giáo dục và phi thương mại, thúc đẩy sự hợp tác mở.
• Giấy phép EnterpriseEnterprise License: Được thiết kế cho các ứng dụng thương mại, cho phép tích hợp liền mạch phần mềm Ultralytics vào các sản phẩm thương mại mà không bị ràng buộc bởi các hạn chế của giấy phép AGPL-3.0.

Để biết thêm chi tiết, hãy truy cập trang Licensing của chúng tôi.

Ultralytics YOLO có thể được sử dụng để theo dõi đối tượng (tracking) theo thời gian thực như thế nào?

Ultralytics YOLO hỗ trợ tracking nhiều đối tượng hiệu quả và có thể tùy chỉnh. Để sử dụng các tính năng tracking, bạn có thể sử dụng lệnh yolo track như minh họa dưới đây:

from ultralytics import YOLO

# Load a pretrained YOLO model
model = YOLO("yolo26n.pt")

# Start tracking objects in a video
# You can also use live video streams or webcam input
model.track(source="path/to/video.mp4")

Để có hướng dẫn chi tiết về thiết lập và chạy tracking đối tượng, hãy xem tài liệu Track Mode của chúng tôi, giải thích về cấu hình và các ứng dụng thực tế trong các kịch bản thời gian thực.