Hướng dẫn toàn diện về Ultralytics YOLO#

Chào mừng bạn đến với Hướng dẫn YOLO của Ultralytics. Các hướng dẫn toàn diện của chúng tôi baoفر các khía cạnh khác nhau của mô hình YOLO object detection, từ huấn luyện và dự đoán cho đến triển khai. Được xây dựng trên PyTorch, YOLO nổi bật với tốc độ vượt trội và accuracy trong các tác vụ phát hiện đối tượng thời gian thực.

Dù bạn là người mới bắt đầu hay chuyên gia trong lĩnh vực deep learning, các hướng dẫn của chúng tôi cung cấp những thông tin chi tiết có giá trị về việc triển khai và tối ưu hóa YOLO cho các dự án computer vision của bạn.

Hướng dẫn#

Các hướng dẫn được nhóm theo giai đoạn dự án — từ thiết lập môi trường và chuẩn bị dữ liệu đến huấn luyện, đánh giá, triển khai, tối ưu hóa suy luận và phần cứng biên — để bạn có thể truy cập trực tiếp vào bước mình đang thực hiện.

Bắt đầu & Lập kế hoạch#

• Conda Quickstart: Hướng dẫn từng bước để thiết lập môi trường Conda cho Ultralytics. Tìm hiểu cách cài đặt và bắt đầu sử dụng gói Ultralytics một cách hiệu quả với Conda.
• Docker Quickstart: Hướng dẫn hoàn chỉnh về cách thiết lập và sử dụng các mô hình Ultralytics YOLO với Docker. Tìm hiểu cách cài đặt Docker, quản lý hỗ trợ GPU và chạy các mô hình YOLO trong các container cô lập để phát triển và triển khai nhất quán.
• AzureML Quickstart: Làm quen và bắt đầu chạy các mô hình Ultralytics YOLO trên nền tảng Machine Learning Azure của Microsoft. Tìm hiểu cách huấn luyện, triển khai và mở rộng quy mô các dự án phát hiện đối tượng của bạn trên đám mây.
• Modal Quickstart: Chạy Ultralytics YOLO26 trên nền tảng đám mây serverless của Modal, bao gồm xác thực, suy luận GPU và các tác vụ huấn luyện với lưu trữ bền vững — không cần quản lý cơ sở hạ tầng.
• Defining A Computer Vision Project's Goals: Tìm hiểu cách xác định hiệu quả các mục tiêu rõ ràng và đo lường được cho dự án computer vision của bạn. Nắm bắt tầm quan trọng của một tuyên bố vấn đề được xác định rõ ràng và cách nó tạo ra lộ trình cho dự án của bạn.
• Steps of a Computer Vision Project: Tìm hiểu về các bước chính trong một dự án computer vision, bao gồm xác định mục tiêu, lựa chọn mô hình, chuẩn bị dữ liệu và đánh giá kết quả.
• YOLO Architecture Explained: Theo dõi quá trình kiến trúc YOLO tiến hóa từ YOLOv3 đến YOLO26 qua các phần backbone, neck và detection head, bao gồm thiết kế C2f, C3k2, chú ý C2PSA, không neo (anchor-free) và không NMS (NMS-free).

Chuẩn bị dữ liệu#

• Data Collection and Annotation: Khám phá các công cụ, kỹ thuật và phương pháp hay nhất để thu thập và gán nhãn dữ liệu nhằm tạo ra các đầu vào chất lượng cao cho các mô hình computer vision của bạn.
• Preprocessing Annotated Data: Tìm hiểu tiền xử lý dữ liệu cho computer vision với YOLO26, bao gồm thay đổi kích thước ảnh, chuẩn hóa, chia tách tập dữ liệu, tăng cường dữ liệu và phân tích dữ liệu khám phá (EDA).
• YOLO Data Augmentation: Làm chủ toàn diện các kỹ thuật tăng cường dữ liệu trong YOLO, từ các phép biến đổi cơ bản đến các chiến lược nâng cao nhằm cải thiện độ bền vững và hiệu suất của mô hình.
• COCO to YOLO Conversion: Hướng dẫn hoàn chỉnh về cách chuyển đổi các chú thích JSON COCO sang định dạng YOLO để huấn luyện. Bao gồm phát hiện, phân đoạn và các điểm đặc trưng, cùng với việc ánh xạ ID lớp và các lỗi chuyển đổi thường gặp.
• COCO JSON Training: Huấn luyện YOLO trực tiếp trên các chú thích JSON COCO mà không cần chuyển đổi sang định dạng YOLO, sử dụng lớp tập dữ liệu và bộ huấn luyện tùy chỉnh.

Huấn luyện & Tinh chỉnh#

• Tips for Model Training: Khám phá các mẹo về tối ưu hóa batch sizes, sử dụng mixed precision, áp dụng trọng số đã huấn luyện trước và nhiều nội dung khác để việc huấn luyện mô hình computer vision trở nên dễ dàng hơn.
• Fine-Tuning YOLO on Custom Data: Hướng dẫn hoàn chỉnh về tinh chỉnh YOLO26 trên các tập dữ liệu tùy chỉnh bằng trọng số đã huấn luyện trước, bao gồm học chuyển giao, đóng băng lớp, lựa chọn bộ tối ưu hóa, huấn luyện hai giai đoạn và khắc phục sự cố.
• YOLO26 Training Recipe: Tài liệu đầy đủ về các siêu tham số, đường ống tăng cường và cài đặt bộ tối ưu hóa được sử dụng để huấn luyện các điểm kiểm tra cơ sở chính thức của YOLO26 trên COCO, kèm theo hướng dẫn tinh chỉnh thực tế.
• Hyperparameter Tuning: Khám phá cách tối ưu hóa các mô hình YOLO của bạn bằng cách tinh chỉnh siêu tham số sử dụng lớp Tuner và các thuật toán tiến hóa di truyền.
• Knowledge Distillation: Tìm hiểu cách cải thiện hiệu suất mô hình bằng cách chuyển giao kiến thức từ mô hình giáo viên lớn hơn sang mô hình học sinh nhỏ hơn sử dụng phương pháp chưng cất dựa trên đặc trưng.
• K-Fold Cross Validation: Tìm hiểu cách cải thiện khả năng tổng quát hóa của mô hình bằng kỹ thuật xác thực chéo K-Fold.
• Customizing Trainer: Tìm hiểu cách kế thừa bộ huấn luyện YOLO để ghi log các chỉ số tùy chỉnh, thêm hàm mất mát có trọng số theo lớp, tùy chỉnh việc lưu mô hình, đóng băng/mở đóng băng phần backbone và đặt tốc độ học theo từng lớp.
• Model YAML Configuration Guide: Tìm hiểu sâu toàn diện về các định nghĩa kiến trúc mô hình của Ultralytics. Khám phá định dạng YAML, hiểu hệ thống phân giải mô-đun và học cách tích hợp các mô-đun tùy chỉnh một cách mượt mà.

Đánh giá & Xử lý sự cố#

• YOLO Performance Metrics ⭐ QUAN TRỌNG: Hiểu các chỉ số chính như mAP, IoU và F1 score được sử dụng để đánh giá hiệu suất các mô hình YOLO của bạn. Bao gồm các ví dụ thực tế và mẹo về cách cải thiện độ chính xác và tốc độ phát hiện.
• Thông tin chi tiết về Đánh giá Model và Fine-Tuning: Đánh giá các model computer vision bằng các metrics như mAP và IoU, sau đó thực hiện các hành động dựa trên những gì metrics phơi bày để cải thiện độ chính xác của việc phát hiện.
• Model Testing: Tìm hiểu cách kiểm thử các mô hình computer vision trên dữ liệu chưa từng thấy, xác thực các mô hình YOLO26 và phát hiện hiện tượng học quá khớp (overfitting), học kém (underfitting) và rò rỉ dữ liệu trước khi triển khai.
• YOLO Common Issues ⭐ KHUYẾN NGHỊ: Các giải pháp thực tế và mẹo khắc phục sự cố cho các vấn đề thường gặp nhất khi làm việc với các mô hình Ultralytics YOLO.
• Maintaining Your Computer Vision Model: Hiểu các thực hành chính để giám sát, duy trì và ghi chép tài liệu cho các mô hình computer vision nhằm đảm bảo độ chính xác, phát hiện bất thường và giảm thiểu hiện tượng trôi dạt dữ liệu.

Triển khai & Phục vụ#

• Model Deployment Options: Tổng quan về các định dạng model deployment của YOLO như ONNX, OpenVINO và TensorRT, kèm theo ưu nhược điểm cho từng loại để định hướng chiến lược triển khai của bạn.
• Best Practices for Model Deployment: Tìm hiểu các mẹo và phương pháp hay nhất để triển khai mô hình hiệu quả trong các dự án computer vision, tập trung vào tối ưu hóa, khắc phục sự cố và bảo mật.
• Export Non-YOLO Models: Sử dụng các tiện ích xuất độc lập của Ultralytics để chuyển đổi bất kỳ torch.nn.Module nào (timm, torchvision, tùy chỉnh) sang ONNX, TorchScript, OpenVINO, CoreML, NCNN, MNN, PaddlePaddle, ExecuTorch và TensorFlow SavedModel.
• End-to-End Detection: Hiểu về tính năng phát hiện đầu-cuối không cần NMS của YOLO26, khả năng tương thích xuất, các thay đổi định dạng đầu ra và cách di chuyển từ các mô hình YOLO cũ hơn.
• Triton Inference Server Integration: Tìm hiểu về việc tích hợp Ultralytics YOLO26 với Triton Inference Server của NVIDIA để triển khai suy luận deep learning có thể mở rộng và hiệu quả.
• YOLO Thread-Safe Inference: Hướng dẫn thực hiện suy luận với các mô hình YOLO theo cách an toàn luồng (thread-safe). Tìm hiểu tầm quan trọng của an toàn luồng và các phương pháp hay nhất để ngăn chặn tình trạng tranh chấp điều kiện (race conditions) và đảm bảo các dự đoán nhất quán.
• ROS Quickstart: Tìm hiểu cách tích hợp YOLO với Hệ điều hành Robot (ROS) để phát hiện đối tượng thời gian thực trong các ứng dụng robot, bao gồm ảnh Đám mây Điểm (Point Cloud) và ảnh Chiều sâu (Depth images).
• Vertex AI Deployment with Docker: Hướng dẫn đơn giản hóa để đóng gói các mô hình YOLO bằng Docker và triển khai chúng trên Google Cloud Vertex AI—bao gồm xây dựng, đẩy, tự động mở rộng quy mô và giám sát.

Tối ưu hóa suy luận#

• SAHI Tiled Inference: Hướng dẫn toàn diện về việc tận dụng các khả năng suy luận cắt lát của SAHI với YOLO26 để phát hiện đối tượng trong ảnh có độ phân giải cao.
• OpenVINO Latency vs Throughput Modes: Tìm hiểu các kỹ thuật tối ưu hóa độ trễ (latency) và thông lượng (throughput) để đạt hiệu suất suy luận YOLO tối đa.
• NVIDIA DALI GPU Preprocessing: Loại bỏ các điểm nghẽn tiền xử lý CPU bằng cách chạy các tác vụ thay đổi kích thước letterbox, đệm và chuẩn hóa của YOLO trên GPU sử dụng NVIDIA DALI, kết hợp tích hợp Triton Inference Server.
• Isolating Segmentation Objects: Quy trình và giải thích từng bước về cách trích xuất và/hoặc cô lập các đối tượng từ hình ảnh sử dụng Ultralytics Segmentation.
• View Inference Images in a Terminal: Sử dụng terminal tích hợp của VSCode để xem kết quả suy luận khi sử dụng các phiên Remote Tunnel hoặc SSH.

Phần cứng biên & nhúng#

• NVIDIA Jetson: Hướng dẫn khởi ầu nhanh để triển khai các mô hình YOLO trên các thiết bị NVIDIA Jetson.
• Raspberry Pi: Hướng dẫn khởi đầu nhanh để chạy các mô hình YOLO trên phần cứng Raspberry Pi mới nhất.
• DeepStream on NVIDIA Jetson: Hướng dẫn khởi đầu nhanh để triển khai các mô hình YOLO trên thiết bị NVIDIA Jetson sử dụng DeepStream và TensorRT.
• Edge TPU on Raspberry Pi: Google Edge TPU tăng tốc suy luận YOLO trên Raspberry Pi.
• NVIDIA DGX Spark: Hướng dẫn khởi đầu nhanh để triển khai các mô hình YOLO trên thiết bị NVIDIA DGX Spark.
• DL Streamer on Intel: Hướng dẫn khởi đầu nhanh để triển khai các mô hình YOLO26 trên thiết bị Intel Core Ultra Series 3 sử dụng DL Streamer và OpenVINO™.

Đóng góp cho Hướng dẫn của chúng tôi#

Chúng tôi hoan nghênh sự đóng góp từ cộng đồng! Nếu bạn đã làm chủ một khía cạnh cụ thể nào đó của Ultralytics YOLO chưa được đề cập trong các hướng dẫn của chúng tôi, chúng tôi khuyến khích bạn chia sẻ chuyên môn của mình. Viết hướng dẫn là một cách tuyệt vời để đóng góp lại cho cộng đồng và giúp chúng tôi làm cho tài liệu của mình trở nên toàn diện và thân thiện với người dùng hơn.

Để bắt đầu, vui lòng đọc Contributing Guide của chúng tôi để biết các nguyên tắc về cách mở một Pull Request (PR). Khi thêm một hướng dẫn mới, hãy đặt nó vào danh mục ở trên phù hợp với giai đoạn dự án của nó và giữ nó ở dạng một loại trang duy nhất — hướng dẫn từng bước, cách làm tập trung vào nhiệm vụ, hoặc tài liệu tham khảo — để bộ sưu tập dễ duyệt khi phát triển. Chúng tôi rất mong chờ những đóng góp của bạn.

Câu hỏi thường gặp#