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 bao gồm nhiều khía cạnh khác nhau của mô hình phát hiện đối tượng YOLO, từ huấn luyện và dự đoán đến triển khai. Được xây dựng trên PyTorch, YOLO nổi bật về tốc độ vượt trội và độ chính xác trong các tác vụ phát hiện đối tượng theo thời gian thực.
Cho dù bạn là người mới bắt đầu hay là chuyên gia về học sâu, các hướng dẫn của chúng tôi cung cấp những hiểu biết có giá trị về việc triển khai và tối ưu hóa YOLO cho các dự án thị giác máy tính của bạn. Hãy cùng nhau khám phá!
Xem: Tổng quan về Hướng dẫn Ultralytics YOLO11
Hướng dẫn
Dưới đây là một bản tổng hợp các hướng dẫn chuyên sâu để giúp bạn nắm vững các khía cạnh khác nhau của Ultralytics YOLO.
- Các vấn đề thường gặp về YOLO ⭐ ĐƯỢC ĐỀ XUẤT: Các giải pháp thiết thực và mẹo khắc phục sự cố cho các vấn đề thường gặp nhất khi làm việc với các mô hình Ultralytics YOLO.
- Các chỉ số hiệu suất YOLO ⭐ THIẾT YẾU: Tìm hiểu các chỉ số chính như mAP, IoU và điểm F1 được sử dụng để đánh giá hiệu suất của các mô hình YOLO của bạn. Bao gồm các ví dụ thực tế và các mẹo về cách cải thiện độ chính xác và tốc độ phát hiện.
- Suy luận an toàn theo luồng YOLO 🚀 MỚI: Hướng dẫn thực hiện suy luận với các mô hình YOLO theo cách an toàn theo luồng. Tìm hiểu tầm quan trọng của an toàn luồng và các phương pháp hay nhất để ngăn chặn tình trạng tranh chấp dữ liệu và đảm bảo dự đoán nhất quán.
- YOLO Data Augmentation 🚀 MỚI: Nắm vững toàn bộ các kỹ thuật tăng cường dữ liệu trong YOLO, từ các phép biến đổi cơ bản đến các chiến lược nâng cao để cải thiện độ mạnh mẽ và hiệu suất của mô hình.
- Các tùy chọn triển khai mô hình: Tổng quan về các định dạng triển khai mô hình YOLO như ONNX, OpenVINO và TensorRT, với ưu và nhược điểm của từng định dạng để thông báo cho chiến lược triển khai của bạn.
- K-Fold Cross Validation 🚀 MỚI: Tìm hiểu cách cải thiện khả năng khái quát hóa mô hình bằng kỹ thuật K-Fold cross-validation.
- Điều chỉnh siêu tham số 🚀 MỚI: Khám phá cách tối ưu hóa các mô hình YOLO của bạn bằng cách tinh chỉnh các siêu tham số bằng lớp Tuner và các thuật toán tiến hóa di truyền.
- Suy luận theo ô SAHI 🚀 MỚI: Hướng dẫn toàn diện về việc tận dụng các khả năng suy luận được phân đoạn của SAHI với YOLO11 để phát hiện đối tượng trong hình ảnh có độ phân giải cao.
- AzureML Quickstart 🚀 MỚI: Bắt đầu và chạy với 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.
- Conda Quickstart 🚀 MỚI: 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 🚀 MỚI: Hướng dẫn đầy đủ để 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 biệt lập để phát triển và triển khai nhất quán.
- Raspberry Pi 🚀 MỚI: Hướng dẫn nhanh để chạy các mô hình YOLO trên phần cứng Raspberry Pi mới nhất.
- NVIDIA Jetson 🚀 MỚI: Hướng dẫn nhanh để triển khai các mô hình YOLO trên các thiết bị NVIDIA Jetson.
- DeepStream trên NVIDIA Jetson 🚀 MỚI: Hướng dẫn nhanh để triển khai các mô hình YOLO trên các thiết bị NVIDIA Jetson bằng DeepStream và TensorRT.
- Tích hợp Triton Inference Server 🚀 MỚI: Tìm hiểu về tích hợp Ultralytics YOLO11 với NVIDIA Triton Inference Server để triển khai suy luận deep learning hiệu quả và có khả năng mở rộng.
- Phân lập các đối tượng phân đoạn 🚀 MỚI: Hướng dẫn từng bước và giải thích về cách trích xuất và/hoặc phân lập các đối tượng từ hình ảnh bằng cách sử dụng Phân đoạn Ultralytics.
- Edge TPU trên Raspberry Pi: Google Edge TPU tăng tốc suy luận YOLO trên Raspberry Pi.
- Xem ảnh suy luận trong Terminal: Sử dụng terminal tích hợp của VSCode để xem kết quả suy luận khi sử dụng Remote Tunnel hoặc các phiên SSH.
- Chế độ Độ trễ so với Thông lượng OpenVINO - Tìm hiểu các kỹ thuật tối ưu hóa độ trễ và thông lượng để đạt hiệu suất suy luận YOLO cao nhất.
- ROS Quickstart 🚀 MỚI: Tìm hiểu cách tích hợp YOLO với Robot Operating System (ROS) để phát hiện đối tượng theo thời gian thực trong các ứng dụng robot, bao gồm Point Cloud và hình ảnh Depth.
- Các bước của một dự án thị giác máy tính 🚀 MỚI: Tìm hiểu về các bước chính liên quan đến một dự án thị giác máy tính, bao gồm xác định mục tiêu, lựa chọn mô hình, chuẩn bị dữ liệu và đánh giá kết quả.
- Xác định Mục tiêu của Dự án Thị giác Máy tính 🚀 MỚI: Tìm hiểu cách xác định hiệu quả các mục tiêu rõ ràng và có thể đo lường được cho dự án thị giác máy tính của bạn. Tìm hiểu tầm quan trọng của việc xác định vấn đề một cách rõ ràng và cách nó tạo ra lộ trình cho dự án của bạn.
- Thu thập và Chú thích Dữ liệu 🚀 MỚI: Khám phá các công cụ, kỹ thuật và phương pháp hay nhất để thu thập và chú thích dữ liệu nhằm tạo ra các đầu vào chất lượng cao cho các mô hình thị giác máy tính của bạn.
- Xử lý trước Dữ liệu đã Chú thích 🚀 MỚI: Tìm hiểu về xử lý trước và tăng cường dữ liệu hình ảnh trong các dự án thị giác máy tính bằng YOLO11, bao gồm chuẩn hóa, tăng cường tập dữ liệu, phân chia và phân tích dữ liệu thăm dò (EDA).
- Mẹo để Huấn luyện Mô hình 🚀 MỚI: Khám phá các mẹo về tối ưu hóa kích thước lô, sử dụng độ chính xác hỗn hợp, áp dụng trọng số được huấn luyện trước và hơn thế nữa để giúp việc huấn luyện mô hình thị giác máy tính của bạn trở nên dễ dàng.
- Thông tin chi tiết về Đánh giá và Tinh chỉnh Mô hình 🚀 MỚI: Nhận thông tin chi tiết về các chiến lược và phương pháp hay nhất để đánh giá và tinh chỉnh các mô hình thị giác máy tính của bạn. Tìm hiểu về quy trình lặp đi lặp lại để tinh chỉnh các mô hình nhằm đạt được kết quả tối ưu.
- Hướng dẫn về Kiểm tra Mô hình 🚀 MỚI: Hướng dẫn đầy đủ về kiểm tra các mô hình thị giác máy tính của bạn trong các môi trường thực tế. Tìm hiểu cách xác minh tính chính xác, độ tin cậy và hiệu suất phù hợp với các mục tiêu của dự án.
- Các phương pháp hay nhất để Triển khai Mô hình 🚀 MỚI: Tìm hiểu các mẹo và phương pháp hay nhất để triển khai hiệu quả các mô hình trong các dự án thị giác máy tính, tập trung vào tối ưu hóa, khắc phục sự cố và bảo mật.
- Duy trì Mô hình Thị giác Máy tính của Bạn 🚀 MỚI: Hiểu các phương pháp chính để giám sát, duy trì và ghi lại các mô hình thị giác máy tính để đảm bảo tính chính xác, phát hiện các điểm bất thường và giảm thiểu sự trôi dạt dữ liệu.
- Triển khai Vertex AI với Docker 🚀 MỚI: Hướng dẫn hợp lý hóa để chứa các mô hình YOLO bằng Docker và triển khai chúng trên Google Cloud Vertex AI—bao gồm xây dựng, đẩy, tự động mở rộng và giám sát.
Đóng góp vào Hướng dẫn của Chúng tôi
Chúng tôi hoan nghênh những đóng góp từ cộng đồng! Nếu bạn đã nắm vững một khía cạnh cụ thể nào đó của Ultralytics YOLO mà chưa được đề cập trong hướng dẫn của chúng tôi, chúng tôi khuyến khích bạn chia sẻ kiến thức chuyên môn của mình. Viết hướng dẫn là một cách tuyệt vời để đóng góp cho cộng đồng và giúp chúng tôi làm cho tài liệu của mình toàn diện và thân thiện hơn với người dùng.
Để bắt đầu, vui lòng đọc Hướng dẫn đóng góp của chúng tôi để biết hướng dẫn về cách mở một Pull Request (PR) 🛠️. Chúng tôi mong chờ những đóng góp của bạn!
Hãy cùng nhau xây dựng hệ sinh thái Ultralytics YOLO mạnh mẽ và đa năng hơn 🙏!
Câu hỏi thường gặp
Làm cách nào để huấn luyện một mô hình phát hiện đối tượng tùy chỉnh bằng Ultralytics YOLO?
Việc huấn luyện một mô hình phát hiện đối tượng tùy chỉnh với Ultralytics YOLO rất đơn giản. Bắt đầu bằng cách chuẩn bị tập dữ liệu của bạn ở định dạng chính xác và cài đặt gói Ultralytics. Sử dụng mã sau để bắt đầu huấn luyện:
Ví dụ
from ultralytics import YOLO
model = YOLO("yolo11n.pt") # Load a pre-trained YOLO model
model.train(data="path/to/dataset.yaml", epochs=50) # Train on custom dataset
yolo task=detect mode=train model=yolo11n.pt data=path/to/dataset.yaml epochs=50
Để biết định dạng tập dữ liệu chi tiết và các tùy chọn bổ sung, hãy tham khảo hướng dẫn Mẹo để Huấn luyện Mô hình của chúng tôi.
Tôi nên sử dụng những chỉ số hiệu suất nào để đánh giá mô hình YOLO của mình?
Đánh giá hiệu suất mô hình YOLO của bạn là rất quan trọng để hiểu được hiệu quả của nó. Các số liệu chính bao gồm Độ chính xác Trung bình (Mean Average Precision) (mAP), Intersection over Union (IoU) và điểm F1. Các số liệu này giúp đánh giá độ chính xác và độ chuẩn xác của các tác vụ phát hiện đối tượng. Bạn có thể tìm hiểu thêm về các số liệu này và cách cải thiện mô hình của mình trong hướng dẫn Số liệu Hiệu suất YOLO của chúng tôi.
Tại sao tôi nên sử dụng Ultralytics HUB cho các dự án thị giác máy tính của mình?
Ultralytics HUB là một nền tảng no-code giúp đơn giản hóa việc quản lý, huấn luyện và triển khai các mô hình YOLO. Nền tảng này hỗ trợ tích hợp liền mạch, theo dõi thời gian thực và huấn luyện trên đám mây, lý tưởng cho cả người mới bắt đầu và các chuyên gia. Tìm hiểu thêm về các tính năng của nó và cách nó có thể hợp lý hóa quy trình làm việc của bạn với hướng dẫn nhanh Ultralytics HUB của chúng tôi.
Những vấn đề thường gặp phải trong quá trình huấn luyện mô hình YOLO là gì và làm cách nào tôi có thể giải quyết chúng?
Các vấn đề thường gặp trong quá trình huấn luyện mô hình YOLO bao gồm lỗi định dạng dữ liệu, không tương thích kiến trúc mô hình và không đủ dữ liệu huấn luyện. Để giải quyết những vấn đề này, hãy đảm bảo tập dữ liệu của bạn được định dạng chính xác, kiểm tra các phiên bản mô hình tương thích và tăng cường dữ liệu huấn luyện của bạn. Để có danh sách đầy đủ các giải pháp, hãy tham khảo hướng dẫn Các Vấn Đề Thường Gặp về YOLO của chúng tôi.
Làm cách nào tôi có thể triển khai mô hình YOLO của mình để phát hiện đối tượng theo thời gian thực trên các thiết bị biên?
Việc triển khai các mô hình YOLO trên các thiết bị biên như NVIDIA Jetson và Raspberry Pi đòi hỏi phải chuyển đổi mô hình sang định dạng tương thích như TensorRT hoặc TFLite. Hãy làm theo hướng dẫn từng bước của chúng tôi để triển khai trên NVIDIA Jetson và Raspberry Pi để bắt đầu với việc phát hiện đối tượng thời gian thực trên phần cứng biên. Các hướng dẫn này sẽ hướng dẫn bạn cài đặt, cấu hình và tối ưu hóa hiệu suất.