中文 · 한국어 · 日本語 · Русский · Deutsch · Français · Español · Português · Türkçe · Tiếng Việt · العربية
Tài liệu Ultralytics YOLO#
Ultralytics YOLO là 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, hộp giới hạn định hướng và theo dõi, được cung cấp thông qua một package Python và CLI. YOLO26 được phát triển 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 tối ưu trên thiết bị edge. 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 Ultralytics Platform, 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 trong lĩnh vực machine learning hay mới tìm hiểu, những tài nguyên này sẽ giúp bạn khai thác tối đa YOLO trong các dự án của mình.
Yêu cầu Enterprise License để sử dụng cho mục đích thương mại tại Ultralytics Licensing.
Khám phá bản xem trước YOLO27, bao gồm chi tiết về kiến trúc, benchmark sơ bộ và ví dụ sử dụng sau khi phát hành. Các model đang trong giai đoạn R&D cuối cùng và dự kiến ra mắt vào cuối năm nay; hiện model chưa khả dụng và chưa có ngày ra mắt cụ thể.
Chuyển 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; trong lần chạy đầu tiên, thư mục đó là runs/detect/predict.
Xem hướng dẫn Quickstart để biết mọi phương thức cài đặt và cách thực hiện dự đoán đầu tiên.
Bạn muốn làm gì?#
Fine-tune model YOLO26 pretrained trên dataset của riêng bạn, tinh chỉnh augmentation và hyperparameter để huấn luyện đa GPU
Tải model pretrained và nhận bounding box, mask hoặc keypoint chỉ với vài dòng Python hoặc một lệnh CLI
Theo dõi đối tượng bằng ID duy trì xuyên suốt 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, phát 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 source trong mỗi bản phát hành mới
Dòng model mới nhất được Ultralytics phát hành cung cấp tùy chọn suy luận end-to-end không cần NMS và sự cân bằng giữa độ chính xác với độ trễ được cải thiện so với YOLO11
Cách tổ chức tài liệu#
Hầu hết lệnh yolo trong quy trình làm việc với model đều tuân theo 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 với 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 hộp 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 bằng
model=đến các hyperparameter nhưepochsvàimgsz. - Solutions là lối tắt: một ứng dụng hoàn chỉnh, chẳng hạn như đếm đối tượng hoặc cảnh báo an ninh, không cần dùng Task và Mode.
Mọi nội dung khác đều hỗ trợ cú pháp này: Models liệt kê mọi kiến trúc bạn có thể truyền vào model= — YOLO26, YOLO11, SAM 3, RT-DETR và nhiều model khác — Datasets cung cấp dữ liệu để huấn luyện cho từng Task, Guides là bộ sưu tập rộng 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 mục Reference ghi lại mọi class và function trong Python API.
Ngoài package Python, còn có hai nền tảng khác hoạt động trên cùng các model: Ultralytics Platform dùng cho gán nhãn, huấn luyện và triển khai trên đám mây; và Ultralytics Inference, một thư viện Rust độc lập cùng 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:
- 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 thúc đẩy cộng tác mở và chia sẻ kiến thức. Xem tệp LICENSE để biết thêm chi tiết.
- Enterprise License: Dành cho phát triển và sử dụng trong production, giấy phép này cho phép tích hợp liền mạch phần mềm và các model AI của Ultralytics vào sản phẩm, dịch vụ doanh nghiệp, bao gồm công cụ nội bộ, workflow tự động và triển khai production, mà không phải tuân theo các yêu cầu nguồn mở của AGPL-3.0. Để bắt đầu, vui lòng liên hệ với chúng tôi qua Ultralytics Licensing.
Chiến lược cấp phép của chúng tôi được thiết kế để đảm bảo mọi cải tiến trong 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 các đóng góp có thể được sử dụng và phát triển theo những cách mang lại lợi ích cho mọi người.
Câu hỏi thường gặp#
Ultralytics YOLO là dòng YOLO nổi tiếng (Bạn chỉ nhìn một lần) 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 tối ưu trên thiết bị edge. 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 hộp giới hạn định hướng, đồng thời có thể theo dõi các đối tượng được phát hiện qua các 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 với 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 đầy đủ về conda, Docker và cài đặt từ source, hãy truy cập trang Quickstart.Huấn luyện model YOLO tùy chỉnh trên dataset của bạn gồm một số bước chi tiết:
- Chuẩn bị dataset đã gán nhãn và mô tả dataset trong tệp YAML.
- Tải model pretrained, chẳng hạn như
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 Train a Model, bao gồm các 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 thúc đẩy cộng tác mở.
- Enterprise License: Dành cho phát triển và sử dụng trong production, bao gồm công cụ nội bộ, workflow tự động và triển khai production, mà không phải tuân theo các yêu cầu nguồn mở của AGPL-3.0.
Để biết thêm chi tiết, hãy truy cập trang Licensing của chúng tôi.
Ultralytics YOLO hỗ trợ theo dõi nhiều 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 tệp video, luồng trực tiếp và đầu vào webcam. Để xem hướng dẫn chi tiết về cách thiết lập và chạy tính năng theo dõi đối tượng, hãy tham khảo tài liệu Track Mode, trong đó giải thích cấu hình và các ứng dụng thực tế trong tình huống thời gian thực.
