中文 · 한국어 · 日本語 · Русский · Deutsch · Français · Español · Português · Türkçe · Tiếng Việt · العربية
Tài liệu YOLO của Ultralytics#
Ultralytics YOLO là một dòng model thị giác máy tính thời gian thực dành cho phát hiện đối tượng, phân đoạn instance, phân đoạn ngữ nghĩa, ước tính độ sâu, phân loại, ước tính tư thế, bounding box định hướng và theo dõi, được cung cấp qua một package Python và CLI. YOLO26 được xây dựng dựa trên những tiến bộ trong deep learning và thị giác máy tính, với tùy chọn suy luận end-to-end không cần NMS và khả năng triển khai trên edge được tối ưu hóa. 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 thiết bị edge đến API đám mây. Đối với workload production ổn định, chúng tôi khuyến nghị cả YOLO26 và YOLO11.
Khám phá Tài liệu Ultralytics, nguồn tài nguyên toàn diện về package YOLO và CLI, cũng như Nền tảng Ultralytics, bổ sung khả năng gán nhãn dữ liệu, huấn luyện trên đám mây và triển khai trên cùng các model. Dù bạn là người có kinh nghiệm về machine learning hay mới bắt đầu trong lĩnh vực này, những tài nguyên này sẽ giúp bạn tận dụng YOLO hiệu quả nhất trong các dự án.
Yêu cầu Giấy phép Enterprise để sử dụng cho mục đích thương mại tại Cấp phép Ultralytics.
Khám phá bản xem trước YOLO27, bao gồm thông tin chi tiết về kiến trúc, kết quả benchmark sơ bộ và ví dụ sử dụng sau khi phát hành. Các model đang trong giai đoạn R&D cuối cùng, dự kiến ra mắt vào cuối năm nay; hiện model chưa khả dụng và chưa có ngày ra mắt cụ thể.
Chuyển đổi một ảnh thành bản đồ độ sâu, với khoảng cách tính bằng mét cho từng pixel.
Bắt đầu chỉ với hai lệnh#
# Install the ultralytics package from PyPI
pip install ultralytics
# Detect objects in an image with a pretrained YOLO26 model
yolo predict model=yolo26n.pt source='https://github.com/ultralytics/assets/releases/download/v0.0.0/bus.jpg'Trọng số model và ảnh ví dụ sẽ tự động được tải xuống, còn kết quả đã gắn chú thích sẽ được lưu vào thư mục mà lệnh in ra, runs/detect/predict trong lần chạy đầu tiên.
Xem hướng dẫn Bắt đầu nhanh để tìm hiểu mọi phương thức cài đặt và thực hiện dự đoán đầu tiên.
Bạn muốn làm gì?#
Tinh chỉnh model YOLO26 pretrained trên dataset của riêng bạn, điều chỉnh augmentation và hyperparameter cho quá trình huấn luyện đa GPU
Tải model pretrained và lấy bounding box, mask hoặc keypoint chỉ với vài dòng Python hoặc một lệnh CLI
Theo dõi đối tượng bằng ID ổn định với TrackTrack (mặc định), BoT-SORT, ByteTrack, OC-SORT, Deep OC-SORT hoặc FastTracker
Ứng dụng thị giác có sẵn để đếm đối tượng, tạo heatmap, quản lý hàng đợi, cảnh báo an ninh và theo dõi bài tập thể dục, không cần huấn luyện
Export model đã huấn luyện sang ONNX, TensorRT hoặc OpenVINO để suy luận nhanh trên thiết bị edge, phần cứng di động và máy chủ đám mây
So sánh YOLO26, YOLO11, SAM 3, RT-DETR và mọi kiến trúc được hỗ trợ khác theo tốc độ, độ chính xác và trường hợp sử dụng
Tra cứu class, function và chữ ký method của Python API, được tự động tạo từ mã nguồn trong mỗi bản phát hành mới
Dòng model mới nhất được Ultralytics phát hành mang đến tùy chọn suy luận end-to-end không cần NMS và sự cân bằng tốt hơn giữa độ chính xác với độ trễ so với YOLO11
Cách tổ chức tài liệu#
Hầu hết lệnh yolo trong workflow model tuân theo cùng một cú pháp, yolo [TASK] MODE ARGS, trong đó Task là tùy chọn; tài liệu này được tổ chức theo ba phần tương ứng, cùng một lối tắt:
- Task trả lời câu hỏi bạn muốn làm gì với ảnh: phát hiện, phân đoạn instance, phân đoạn ngữ nghĩa, ước tính độ sâu, phân loại, ước tính tư thế hoặc bounding box định hướng.
- Mode trả lời câu hỏi bạn sử dụng model như thế nào: huấn luyện, đánh giá, dự đoán, export, theo dõi hoặc benchmark.
- Args cấu hình lệnh, từ model cần chạy với
model=đến các hyperparameter nhưepochsvàimgsz. - Solutions là lối tắt: một ứng dụng hoàn chỉnh, chẳng hạn đếm đối tượng hoặc cảnh báo an ninh, không cần dùng Task và Mode.
Mọi phần còn lại đều hỗ trợ cú pháp đó: Models liệt kê mọi kiến trúc có thể truyền vào model= — YOLO26, YOLO11, SAM 3, RT-DETR và nhiều model khác — Datasets cung cấp dữ liệu dùng để huấn luyện từng Task, Guides là bộ sưu tập phong phú các hướng dẫn chuyên sâu về triển khai phần cứng, tinh chỉnh hyperparameter, chuyển đổi dataset và hướng dẫn toàn diện về dự án, Integrations kết nối pipeline với các công cụ huấn luyện và triển khai bạn đang sử dụng, còn phần Reference ghi lại mọi class và function trong Python API.
Ngoài package Python, còn có hai nền tảng khác sử dụng cùng các model: Nền tảng Ultralytics để gán nhãn, huấn luyện và triển khai trên đám mây, cùng Ultralytics Inference, một thư viện Rust độc lập và CLI để chạy model đã export mà không cần runtime Python.
Giấy phép YOLO: Ultralytics YOLO được cấp phép như thế nào?#
Ultralytics cung cấp hai tùy chọn cấp phép để đáp ứng nhiều trường hợp sử dụng khác nhau:
- Giấy phép AGPL-3.0: Giấy phép nguồn mở này, được OSI phê duyệt, phù hợp với sinh viên và người đam mê, đồng thời khuyến khích cộng tác mở và chia sẻ kiến thức. Xem file LICENSE để biết thêm chi tiết.
- Giấy phép Enterprise: Dành cho mục đích phát triển và production, giấy phép này cho phép tích hợp liền mạch phần mềm và model AI của Ultralytics vào sản phẩm, dịch vụ doanh nghiệp, bao gồm công cụ nội bộ, workflow tự động và triển khai production, đồng thời không phải tuân theo các yêu cầu nguồn mở của AGPL-3.0. Để bắt đầu, vui lòng liên hệ với chúng tôi qua Cấp phép Ultralytics.
Chiến lược cấp phép của chúng tôi được thiết kế để đảm bảo mọi cải tiến đối với các dự án nguồn mở đều được đóng góp trở lại cho cộng đồng. Chúng tôi tin tưởng vào nguồn mở và sứ mệnh của chúng tôi là đảm bảo những đóng góp có thể được sử dụng và mở rộng theo cách mang lại lợi ích cho tất cả mọi người.
Câu hỏi thường gặp#
Ultralytics YOLO là dòng YOLO (Chỉ nhìn một lần) nổi tiếng, dành cho phát hiện đối tượng và phân đoạn ảnh thời gian thực. Model mới nhất, YOLO26, phát triển dựa trên các phiên bản trước bằng cách bổ sung tùy chọn suy luận end-to-end không cần NMS và khả năng triển khai trên edge được tối ưu hóa. YOLO hỗ trợ nhiều tác vụ AI thị giác, chẳng hạn như phát hiện, phân đoạn instance, phân đoạn ngữ nghĩa, ước tính độ sâu, phân loại, ước tính tư thế và bounding box định hướng, đồng thời có thể theo dõi các đối tượng được phát hiện qua từng frame video. Kiến trúc hiệu quả giúp đảm bảo tốc độ và độ chính xác cao, phù hợp với nhiều ứng dụng, bao gồm thiết bị edge và API đám mây.
Bắt đầu sử dụng YOLO rất nhanh chóng và đơn giản. Cài đặt package Ultralytics từ pip bằng
pip install ultralytics, sau đó chạy dự đoán đầu tiên vớiyolo predict model=yolo26n.pt— trọng số model sẽ tự động được tải xuống. Để xem hướng dẫn toàn diện về conda, Docker và cài đặt từ mã nguồn, hãy truy cập trang Bắt đầu nhanh.Huấn luyện model YOLO tùy chỉnh trên dataset của bạn gồm một số bước chi tiết:
- Chuẩn bị dataset đã gắn nhãn và mô tả dataset trong file YAML.
- Tải model pretrained, chẳng hạn
YOLO("yolo26n.pt")trong Python. - Bắt đầu huấn luyện bằng
model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)hoặc từ dòng lệnh bằngyolo detect train data=path/to/dataset.yaml epochs=100 imgsz=640.
Để xem hướng dẫn chi tiết từng bước, hãy tham khảo hướng dẫn Huấn luyện model, bao gồm ví dụ và mẹo tối ưu hóa quy trình huấn luyện.
Ultralytics cung cấp hai tùy chọn cấp phép cho YOLO:
- Giấy phép AGPL-3.0: Giấy phép nguồn mở này phù hợp với mục đích giáo dục và phi thương mại, đồng thời khuyến khích cộng tác mở.
- Giấy phép Enterprise: Dành cho mục đích phát triển và production, bao gồm công cụ nội bộ, workflow tự động và triển khai production, đồng thời không phải tuân theo các yêu cầu nguồn mở của AGPL-3.0.
Để biết thêm chi tiết, hãy truy cập trang Cấp phép.
Ultralytics YOLO hỗ trợ theo dõi đa đối tượng hiệu quả và có thể tùy chỉnh. Gọi
YOLO("yolo26n.pt").track(source="path/to/video.mp4")trong Python hoặc chạyyolo track source=path/to/video.mp4từ dòng lệnh — cả hai đều hoạt động với file video, luồng trực tiếp và dữ liệu đầu vào từ webcam. Để xem hướng dẫn chi tiết về cách thiết lập và chạy theo dõi đối tượng, hãy tham khảo tài liệu Track Mode, giải thích cấu hình và các ứng dụng thực tế trong tình huống thời gian thực.
