Hướng dẫn toàn diện cho 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 detect đối tượng YOLO, từ huấn luyện và dự đoán đến triển khai. Được xây dựng trên PyTorch, YOLO nổi bật với tốc độ và độ chính xác vượt trội trong các tác vụ detect đối tượng theo thời gian thực.

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

Xem: Tổng quan Hướng dẫn Ultralytics YOLO26

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.

• Hướng dẫn kiểm thử mô hình: Một hướng dẫn kỹ lưỡng về cách kiểm thử các mô hình thị giác máy tính của bạn trong các cài đặt thực tế. Tìm hiểu cách xác minh độ chính xác, độ tin cậy và hiệu suất phù hợp với mục tiêu dự án.
• Bắt đầu nhanh với AzureML: Bắt đầu và vận hành các mô hình Ultralytics YOLO trên nền tảng Machine Learning Azure của Microsoft. Tìm hiểu cách huấn luyện, triển khai và mở rộng các dự án detect đối tượng của bạn trên đám mây.
• Các Thực hành Tốt nhất để Triển khai Mô hình: Tìm hiểu các mẹo và thực hành tốt nhất để triển khai mô hình hiệu quả trong các dự án thị giác máy tính, tập trung vào tối ưu hóa, khắc phục sự cố và bảo mật.
• 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 gói Ultralytics một cách hiệu quả với Conda.
• Thu thập và Ghi nhãn Dữ liệu: Khám phá các công cụ, kỹ thuật và thực hành tốt nhất để thu thập và ghi nhãn dữ liệu nhằm tạo ra đầu vào chất lượng cao cho các mô hình thị giác máy tính của bạn.
• DeepStream trên NVIDIA Jetson: Hướng dẫn bắt đầu nhanh để triển khai các mô hình YOLO trên các thiết bị NVIDIA Jetson bằng DeepStream và TensorRT.
• Xác định Mục tiêu của Dự án Thị giác Máy tính: 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. 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.
• Bắt đầu nhanh với Docker: Hướng dẫn đầy đủ 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 biệt lập để phát triển và triển khai nhất quán.
• Edge TPU trên Raspberry Pi: Google Edge TPU tăng tốc suy luận YOLO trên Raspberry Pi.
• Điều chỉnh Siêu tham số: 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.
• Thông tin chi tiết về Đánh giá và Tinh chỉnh Mô hình: Thu thập thông tin chi tiết về các chiến lược và thực hành tốt nhất để đánh giá và tinh chỉnh các mô hình thị giác máy tính của bạn. Tìm hiểu về quy trình lặp lại để tinh chỉnh mô hình nhằm đạt được kết quả tối ưu.
• Tách biệt các đối tượng segment: Công thức và giải thích từng bước về cách trích xuất và/hoặc tách biệt các đối tượng khỏi hình ảnh bằng cách sử dụng Ultralytics Segmentation.
• Kiểm định chéo K-Fold: Tìm hiểu cách cải thiện khả năng tổng quát hóa của mô hình bằng cách sử dụng kỹ thuật kiểm định chéo K-Fold.
• Duy trì Mô hình Thị giác Máy tính của Bạn: Hiểu các thực hành chính để giám sát, duy trì và ghi lại các mô hình thị giác máy tính nhằm đảm bảo độ chính xác, phát hiện các bất thường và giảm thiểu sự trôi dạt dữ liệu.
• 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.
• Hướng dẫn Cấu hình Mô hình YAML: 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 module và tìm hiểu cách tích hợp các module tùy chỉnh một cách liền mạch.
• NVIDIA DGX Spark: Hướng dẫn bắt đầu nhanh để triển khai các mô hình YOLO trên thiết bị NVIDIA DGX Spark.
• NVIDIA Jetson: Hướng dẫn bắt đầu nhanh để triển khai các mô hình YOLO trên các thiết bị NVIDIA Jetson.
• Chế độ Độ trễ so với Thông lượng của OpenVINO: Tìm hiểu các kỹ thuật tối ưu hóa độ trễ và thông lượng để đạt hiệu suất suy luận YOLO cao nhất.
• Tiền xử lý dữ liệu đã chú thích: Tìm hiểu về tiền xử lý và tăng cường dữ liệu hình ảnh trong các dự án thị giác máy tính sử dụng YOLO26, bao gồm chuẩn hóa, tăng cường tập dữ liệu, chia tách và phân tích dữ liệu khám phá (EDA).
• Raspberry Pi: Hướng dẫn bắt đầu nhanh để chạy các mô hình YOLO trên phần cứng Raspberry Pi mới nhất.
• Bắt đầu nhanh với ROS: Tìm hiểu cách tích hợp YOLO với Hệ điều hành Robot (ROS) để detect đối tượng theo thời gian thực trong các ứng dụng robot, bao gồm Point Cloud và hình ảnh Depth.
• Suy luận lát gạch SAHI: Hướng dẫn toàn diện về việc tận dụng khả năng suy luận lát cắt của SAHI với YOLO26 để detect đối tượng trong hình ảnh độ phân giải cao.
• Các Bước của một Dự án Thị giác Máy tính: 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.
• Mẹo Huấn luyện Mô hình: Khám phá các mẹo về tối ưu hóa kích thước batch, sử dụng mixed precision, áp dụng trọng số được huấn luyện trước, và nhiều hơn nữa để việc huấn luyện mô hình thị giác máy tính của bạn trở nên dễ dàng.
• Tích hợp Máy chủ Suy luận Triton: Tìm hiểu sâu về việc tích hợp Ultralytics YOLO26 với Máy chủ Suy luận Triton của NVIDIA để triển khai suy luận học sâu có khả năng mở rộng và hiệu quả.
• Triển khai Vertex AI với Docker: Hướng dẫn tinh gọn về cách 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.
• 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.
• 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.
• Tăng cường Dữ liệu YOLO: 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.
• YOLO Performance Metrics ⭐ QUAN TRỌNG: Tìm hiểu các số liệu chính như mAP, IoU và F1 score 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 detection.
• Suy luận YOLO An toàn luồng: Hướng dẫn thực hiện suy luận với các mô hình YOLO một cách an toàn luồng. Tìm hiểu tầm quan trọng của an toàn luồng và các thực hành tốt nhất để ngăn chặn điều kiện chạy đua và đảm bảo các dự đoán nhất quán.

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 đợi những đóng góp của bạn.

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:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # Load a pretrained YOLO model
model.train(data="path/to/dataset.yaml", epochs=50)  # Train on custom dataset

yolo task=detect mode=train model=yolo26n.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 chỉ số chính bao gồm Mean Average Precision (mAP), Intersection over Union (IoU) và điểm F1. Các chỉ số này giúp đánh giá độ chính xác và độ chuẩn xác của các tác vụ detect đối tượng. Bạn có thể tìm hiểu thêm về các chỉ số này và cách cải thiện mô hình của mình trong hướng dẫn YOLO Performance Metrics của chúng tôi.

Tại sao tôi nên sử dụng Nền tảng Ultralytics cho các dự án thị giác máy tính của mình?

Nền tảng Ultralytics là một nền tảng không mã hóa 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, track thời gian thực và huấn luyện trên đám mây, làm cho nó lý tưởng cho cả người mới bắt đầu và các chuyên gia. Khám phá thêm về các tính năng của nó và cách nó có thể hợp lý hóa quy trình làm việc của bạn với hướng dẫn khởi động nhanh Nền tảng Ultralytics 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?

Triển khai các mô hình YOLO trên các thiết bị biên như NVIDIA Jetson và Raspberry Pi yêu cầu chuyển đổi mô hình sang định dạng tương thích như TensorRT hoặc TFLite. Hãy làm theo các hướng dẫn từng bước của chúng tôi để triển khai trên NVIDIA Jetson và Raspberry Pi để bắt đầu với tính năng detect đối tượng thời gian thực trên phần cứng biên. Các hướng dẫn này sẽ hướng dẫn bạn qua quá trình cài đặt, cấu hình và tối ưu hóa hiệu suất.

📅 Được tạo 2 năm trước ✏️ Cập nhật 8 ngày trước

Bình luận