Hướng dẫn toàn diện về Ultralytics YOLO#

Chào mừng bạn đến với các hướng dẫn YOLO của Ultralytics. Các hướng dẫn toàn diện của chúng tôi trình bày nhiều khía cạnh khác nhau của model phát hiện đối tượng YOLO, từ huấn luyện và dự đoán đến triển khai. Được xây dựng trên PyTorch, YOLO nổi bật nhờ tốc độ vượt trội và độ chính xác trong các tác vụ phát hiện đối tượng theo thời gian thực.

Dù bạn là người mới bắt đầu hay chuyên gia về deep learning, các hướng dẫn của chúng tôi cung cấp những thông tin hữu ích về cách triển khai và tối ưu hóa YOLO cho các dự án computer vision của bạn.

Hướng dẫn#

Các hướng dẫn được nhóm theo từng giai đoạn của dự án — từ thiết lập môi trường và chuẩn bị dữ liệu đến huấn luyện, đánh giá, triển khai, tối ưu hóa inference và phần cứng biên — để bạn có thể chuyển thẳng đến bước đang thực hiện.

Bắt đầu & lập kế hoạch#

• Hướng dẫn bắt đầu nhanh với Conda: Hướng dẫn từng bước thiết lập môi trường Conda cho Ultralytics. Tìm hiểu cách cài đặt và bắt đầu sử dụng package Ultralytics hiệu quả với Conda.
• Hướng dẫn bắt đầu nhanh với Docker: Hướng dẫn đầy đủ về cách thiết lập và sử dụng model Ultralytics YOLO với Docker. Tìm hiểu cách cài đặt Docker, quản lý hỗ trợ GPU và chạy model YOLO trong các container độc lập để đảm bảo quy trình phát triển và triển khai nhất quán.
• Hướng dẫn bắt đầu nhanh với AzureML: Bắt đầu sử dụng model 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 trên cloud.
• Hướng dẫn bắt đầu nhanh với Modal: Chạy Ultralytics YOLO26 trên nền tảng cloud serverless của Modal, bao gồm xác thực, inference GPU và các job huấn luyện với bộ nhớ lưu trữ liên tục — không cần quản lý hạ tầng.
• Xác định mục tiêu cho dự án computer vision: Tìm hiểu từng bước cách xác định hiệu quả các mục tiêu rõ ràng và có thể đo lường cho dự án computer vision của bạn. Tìm hiểu tầm quan trọng của việc xác định rõ bài toán và cách việc này tạo lộ trình cho dự án.
• Các bước thực hiện dự án computer vision: Tìm hiểu các bước chính trong một dự án computer vision, bao gồm xác định mục tiêu, chọn model, chuẩn bị dữ liệu và đánh giá kết quả.
• Giải thích kiến trúc YOLO: Theo dõi quá trình phát triển của kiến trúc YOLO từ YOLOv3 đến YOLO26 qua backbone, neck và detection head, bao gồm C2f, C3k2, cơ chế attention C2PSA, thiết kế không dùng anchor và không dùng NMS.

Chuẩn bị dữ liệu#

• Thu thập và gán nhãn dữ liệu: Khám phá các công cụ, kỹ thuật và phương pháp tốt nhất để thu thập và gán nhãn dữ liệu, tạo đầu vào chất lượng cao cho model computer vision.
• Tiền xử lý dữ liệu đã gán nhãn: Tìm hiểu cách tiền xử lý dữ liệu cho computer vision với YOLO26, bao gồm thay đổi kích thước ảnh, chuẩn hóa, chia tập dữ liệu, tăng cường dữ liệu và phân tích dữ liệu khám phá (EDA).
• Tăng cường dữ liệu YOLO: Nắm vững toàn bộ các kỹ thuật tăng cường dữ liệu trong YOLO, từ những phép biến đổi cơ bản đến các chiến lược nâng cao nhằm cải thiện độ bền vững và hiệu năng của model.
• Chuyển đổi COCO sang YOLO: Hướng dẫn đầy đủ về cách chuyển đổi annotation COCO JSON sang định dạng YOLO để huấn luyện. Nội dung bao gồm phát hiện, phân đoạn và keypoint, cùng với ánh xạ class ID và các lỗi thường gặp khi chuyển đổi.
• Huấn luyện với COCO JSON: Huấn luyện YOLO trực tiếp trên annotation COCO JSON mà không cần chuyển sang định dạng YOLO, bằng cách sử dụng class dataset và trainer tùy chỉnh.

Huấn luyện & fine-tune#

• Mẹo huấn luyện model: Khám phá các mẹo tối ưu hóa batch size, sử dụng độ chính xác hỗn hợp, áp dụng trọng số pretrained và nhiều cách khác để đơn giản hóa việc huấn luyện model computer vision.
• Fine-tune YOLO trên dữ liệu tùy chỉnh: Hướng dẫn đầy đủ về cách fine-tune YOLO26 trên dataset tùy chỉnh với trọng số pretrained, bao gồm transfer learning, đóng băng layer, lựa chọn optimizer, huấn luyện hai giai đoạn và khắc phục sự cố.
• Công thức huấn luyện YOLO26: Tài liệu đầy đủ về hyperparameter, pipeline tăng cường dữ liệu và thiết lập optimizer được sử dụng để huấn luyện các checkpoint YOLO26 base chính thức trên COCO, kèm hướng dẫn fine-tune thực tế.
• Tinh chỉnh hyperparameter: Tìm hiểu cách tối ưu hóa model YOLO bằng cách fine-tune hyperparameter thông qua class Tuner và các thuật toán tiến hóa di truyền.
• Chưng cất tri thức: Tìm hiểu cách cải thiện hiệu năng model bằng cách truyền tri thức từ model teacher lớn hơn sang model student nhỏ hơn thông qua phương pháp chưng cất dựa trên feature.
• Kiểm định chéo K-Fold: Tìm hiểu cách cải thiện khả năng khái quát hóa của model bằng kỹ thuật kiểm định chéo K-Fold.
• Tùy chỉnh Trainer: Tìm hiểu cách tạo subclass từ YOLO trainer để ghi log metric tùy chỉnh, thêm loss có trọng số theo class, tùy chỉnh cách lưu model, đóng băng/bỏ đóng băng backbone và thiết lập learning rate theo từng layer.
• Hướng dẫn cấu hình YAML cho model: Tìm hiểu chuyên sâu toàn diện về các định nghĩa kiến trúc model của Ultralytics. Khám phá định dạng YAML, tìm hiểu hệ thống phân giải module và cách tích hợp liền mạch các module tùy chỉnh.

Đánh giá & khắc phục sự cố#

• Metric hiệu năng YOLO ⭐ THIẾT YẾU: Tìm hiểu các metric chính như mAP, IoU và điểm F1 được dùng để đánh giá hiệu năng của model YOLO. Nội dung gồm các ví dụ thực tế và mẹo cải thiện độ chính xác cũng như tốc độ phát hiện.
• Thông tin chuyên sâu về đánh giá và fine-tune model: Đánh giá model computer vision bằng các metric như mAP và IoU, sau đó dựa trên những gì các metric cho thấy để cải thiện độ chính xác phát hiện.
• Kiểm thử model: Tìm hiểu cách kiểm thử model computer vision trên dữ liệu chưa từng thấy, xác thực model YOLO26 và phát hiện overfitting, underfitting cũng như rò rỉ dữ liệu trước khi triển khai.
• Các vấn đề thường gặp với YOLO ⭐ ĐƯỢC ĐỀ XUẤT: Các giải pháp thực tế và mẹo khắc phục sự cố thường gặp nhất khi làm việc với model Ultralytics YOLO.
• Duy trì model computer vision: Tìm hiểu các phương pháp chính để giám sát, duy trì và ghi tài liệu cho model computer vision nhằm đảm bảo độ chính xác, phát hiện điểm bất thường và giảm thiểu data drift.

Triển khai & cung cấp dịch vụ#

• Các tùy chọn triển khai model: Tổng quan về các định dạng triển khai model YOLO như ONNX, OpenVINO và TensorRT, cùng ưu nhược điểm của từng định dạng để hỗ trợ xây dựng chiến lược triển khai.
• Phương pháp tốt nhất để triển khai model: Tìm hiểu các mẹo và phương pháp tốt nhất để triển khai model hiệu quả trong dự án computer vision, tập trung vào tối ưu hóa, khắc phục sự cố và bảo mật.
• Export model không phải YOLO: Sử dụng tiện ích export độc lập của Ultralytics để chuyển đổi bất kỳ torch.nn.Module nào (timm, torchvision, tùy chỉnh) sang TorchScript, ONNX, OpenVINO, CoreML, Core AI, TensorFlow SavedModel, PaddlePaddle, MNN, NCNN và ExecuTorch.
• Phát hiện end-to-end: Chọn inference có NMS hoặc không NMS, đồng thời tìm hiểu định dạng đầu ra và khả năng tương thích khi export.
• Tích hợp Triton Inference Server: Tìm hiểu sâu về tích hợp Ultralytics YOLO26 với Triton Inference Server của NVIDIA để triển khai inference deep learning có khả năng mở rộng và hiệu quả.
• Inference YOLO an toàn với đa luồng: Hướng dẫn thực hiện inference với model YOLO theo cách an toàn với đa luồng. Tìm hiểu tầm quan trọng của tính an toàn đa luồng và các phương pháp tốt nhất để ngăn race condition, đảm bảo dự đoán nhất quán.
• Hướng dẫn bắt đầu nhanh với ROS: Tìm hiểu cách tích hợp YOLO với Hệ điều hành Robot (ROS) để phát hiện đối tượng theo thời gian thực trong các ứng dụng robot, bao gồm Point Cloud và ảnh độ sâu.
• Triển khai trên Vertex AI bằng Docker: Hướng dẫn tinh gọn cách đóng gói model YOLO bằng Docker và triển khai trên Google Cloud Vertex AI — bao gồm build, push, tự động mở rộng quy mô và giám sát.

Tối ưu hóa inference#

• Inference chia ảnh SAHI: Hướng dẫn toàn diện về cách khai thác khả năng inference theo lát cắt của SAHI với YOLO26 để phát hiện đối tượng trong ảnh độ phân giải cao.
• Chế độ độ trễ và thông lượng của OpenVINO: Tìm hiểu các kỹ thuật tối ưu hóa độ trễ và thông lượng để đạt hiệu năng inference YOLO tối ưu.
• Tiền xử lý GPU bằng NVIDIA DALI: Loại bỏ điểm nghẽn tiền xử lý trên CPU bằng cách chạy các bước resize letterbox, padding và chuẩn hóa YOLO trên GPU thông qua NVIDIA DALI, kèm tích hợp Triton Inference Server.
• Tách riêng đối tượng phân đoạn: Công thức từng bước và giải thích cách trích xuất và/hoặc tách riêng đối tượng khỏi ảnh bằng Ultralytics Segmentation.
• Xem ảnh inference trong terminal: Sử dụng terminal tích hợp của VSCode để xem kết quả inference khi dùng phiên Remote Tunnel hoặc SSH.

Phần cứng biên & nhúng#

• NVIDIA Jetson: Hướng dẫn bắt đầu nhanh để triển khai model YOLO trên thiết bị NVIDIA Jetson.
• Raspberry Pi: Hướng dẫn bắt đầu nhanh để chạy model YOLO trên phần cứng Raspberry Pi mới nhất.
• DeepStream trên NVIDIA Jetson: Hướng dẫn bắt đầu nhanh để triển khai model YOLO trên thiết bị NVIDIA Jetson bằng DeepStream và TensorRT.
• Edge TPU trên Raspberry Pi: Google Edge TPU tăng tốc inference YOLO trên Raspberry Pi.
• NVIDIA DGX Spark: Hướng dẫn bắt đầu nhanh để triển khai model YOLO trên thiết bị NVIDIA DGX Spark.
• DL Streamer trên Intel: Hướng dẫn bắt đầu nhanh để triển khai model YOLO26 trên thiết bị Intel Core Ultra Series 3 bằng DL Streamer và OpenVINO™.

Đóng góp cho hướng dẫn#

Chúng tôi luôn hoan nghênh đóng góp từ cộng đồng! Nếu bạn đã nắm vững một khía cạnh cụ thể của Ultralytics YOLO chưa được đề cập trong các hướng dẫn, chúng tôi khuyến khích bạn chia sẻ chuyên môn của mình. Viết hướng dẫn là cách tuyệt vời để đóng góp cho cộng đồng và giúp chúng tôi làm cho tài liệu toàn diện, dễ sử dụng hơn.

Để bắt đầu, vui lòng đọc Hướng dẫn đóng góp của chúng tôi để biết cách tạo Pull Request (PR). Khi thêm hướng dẫn mới, hãy đặt hướng dẫn trong danh mục phía trên phù hợp với giai đoạn dự án và giữ nội dung ở một dạng trang duy nhất — hướng dẫn từng bước, bài hướng dẫn tập trung vào một tác vụ hoặc tài liệu tham khảo — để bộ sưu tập luôn dễ tra cứu khi phát triển. Chúng tôi mong chờ các đóng góp của bạn.

Câu hỏi thường gặp#