Các phương pháp hay nhất về Machine Learning và mẹo huấn luyện mô hình#

Giới thiệu#

Một trong những bước quan trọng nhất khi làm việc với một computer vision project là huấn luyện model. Trước khi đến bước này, bạn cần define your goals và collect and annotate your data. Sau khi preprocessing the data để đảm bảo dữ liệu sạch sẽ và đồng nhất, bạn có thể chuyển sang huấn luyện model của mình.

Model training là quá trình dạy cho model nhận diện các mẫu hình ảnh và đưa ra dự đoán từ dữ liệu của bạn, đồng thời nó quyết định trực tiếp đến độ chính xác của ứng dụng. Hướng dẫn này đi qua các best practice, kỹ thuật tối ưu hóa và mẹo khắc phục sự cố để giúp bạn huấn luyện các model computer vision một cách hiệu quả.

Cách huấn luyện mô hình Machine Learning#

Một mô hình thị giác máy tính được huấn luyện bằng cách điều chỉnh các tham số nội tại của nó để giảm thiểu sai số. Ban đầu, mô hình được cung cấp một tập hợp lớn các hình ảnh đã được dán nhãn. Nó đưa ra dự đoán về những gì có trong các hình ảnh đó, và các dự đoán này được so sánh với các nhãn hoặc nội dung thực tế để tính toán sai số. Các sai số này cho thấy dự đoán của mô hình cách xa các giá trị thực tế bao nhiêu.

Trong quá trình huấn luyện, model liên tục đưa ra dự đoán, tính toán sai số và cập nhật các tham số của nó thông qua một quá trình gọi là backpropagation. Trong quá trình này, model điều chỉnh các tham số bên trong (weights và biases) để giảm thiểu sai số. Bằng cách lặp lại chu kỳ này nhiều lần, model dần cải thiện độ chính xác. Theo thời gian, nó học được cách nhận diện các mẫu phức tạp như hình khối, màu sắc và kết cấu.

Quá trình học tập này giúp model computer vision có thể thực hiện nhiều tasks khác nhau, bao gồm object detection, instance segmentation, semantic segmentation và image classification. Mục tiêu cuối cùng là tạo ra một model có khả năng tổng quát hóa kiến thức sang các hình ảnh mới chưa từng thấy để nó có thể hiểu chính xác dữ liệu hình ảnh trong các ứng dụng thực tế.

Bây giờ chúng ta đã biết những gì đang diễn ra phía sau hậu trường khi huấn luyện một mô hình, hãy xem xét các điểm cần chú ý khi thực hiện huấn luyện.

Huấn luyện trên các tập dữ liệu lớn#

Có một vài khía cạnh khác nhau cần cân nhắc khi bạn dự định sử dụng tập dữ liệu lớn để huấn luyện mô hình. Ví dụ, bạn có thể điều chỉnh batch size, kiểm soát việc sử dụng GPU, chọn sử dụng huấn luyện đa quy mô (multiscale training), v.v. Hãy cùng đi sâu vào từng tùy chọn này.

Batch Size và sử dụng GPU#

Khi huấn luyện mô hình trên các tập dữ liệu lớn, việc sử dụng GPU hiệu quả là yếu tố then chốt. Batch size là một yếu tố quan trọng. Đây là số lượng mẫu dữ liệu mà mô hình Machine Learning xử lý trong một lần lặp huấn luyện. Sử dụng batch size tối đa mà GPU của bạn hỗ trợ giúp bạn tận dụng tối đa khả năng của nó và giảm thời gian huấn luyện mô hình. Tuy nhiên, bạn cần tránh việc cạn kiệt bộ nhớ GPU. Nếu gặp lỗi bộ nhớ, hãy giảm dần batch size cho đến khi mô hình huấn luyện ổn định.

Đối với YOLO26, bạn có thể thiết lập tham số batch trong Train mode arguments để phù hợp với dung lượng GPU của mình. Trên một thiết bị tăng tốc duy nhất, batch=-1 sẽ lập hồ sơ mô hình và chọn một batch size nhắm mục tiêu khoảng 60% mức sử dụng bộ nhớ; một phân số như batch=0.70 sẽ nhắm mục tiêu vào một tỷ lệ khác. Các lần chạy đa GPU yêu cầu kích thước batch toàn cục rõ ràng là bội số của số lượng thiết bị. Trên CPU và Apple silicon, AutoBatch sẽ cảnh báo và quay trở lại batch=16.

Huấn luyện trên tập con (Subset Training)#

Huấn luyện trên tập con là một chiến lược thông minh bao gồm việc huấn luyện mô hình trên một tập dữ liệu nhỏ hơn đại diện cho tập dữ liệu lớn. Nó có thể tiết kiệm thời gian và tài nguyên, đặc biệt là trong giai đoạn phát triển và thử nghiệm mô hình ban đầu. Nếu bạn đang thiếu thời gian hoặc đang thử nghiệm với các cấu hình mô hình khác nhau, huấn luyện trên tập con là một lựa chọn tốt.

Đối với YOLO26, bạn có thể dễ dàng thực hiện việc huấn luyện tập con với tham số fraction. Sử dụng một tỷ lệ như fraction=0.1 cho 10% dữ liệu huấn luyện, một số nguyên như fraction=300 cho chính xác 300 ảnh huấn luyện, hoặc một danh sách [train, val, test] như fraction=[300, 100, 0] để giới hạn từng phân tách và bỏ qua ảnh kiểm thử. Các danh sách hai phần tử như [300, 100] giữ nguyên phân tách kiểm thử đầy đủ. Các tập dữ liệu NDJSON chọn các bản ghi được phân bổ đều trước khi tải xuống, do đó các lần chạy lặp lại sẽ tái sử dụng chính xác tập con đó. Kỹ thuật này hỗ trợ các vòng lặp nhanh và tinh chỉnh trước khi cam kết sử dụng toàn bộ tập dữ liệu.

Huấn luyện đa quy mô (Multi-scale Training)#

Huấn luyện đa tỷ lệ là một kỹ thuật giúp cải thiện khả năng tổng quát hóa của mô hình bằng cách huấn luyện nó trên các hình ảnh có kích thước khác nhau. Mô hình của bạn có thể học cách phát hiện các đối tượng ở các tỷ lệ và khoảng cách khác nhau và trở nên mạnh mẽ hơn.

Ví dụ, khi bạn huấn luyện YOLO26, bạn có thể bật tính năng tăng cường tỷ lệ bằng cách thiết lập tham số scale. Tham số này điều chỉnh kích thước của hình ảnh huấn luyện theo một hệ số được chỉ định, mô phỏng các đối tượng ở các khoảng cách khác nhau. Ví dụ, thiết lập scale=0.5 sẽ phóng to ngẫu nhiên hình ảnh huấn luyện theo hệ số từ 0.5 đến 1.5 trong quá trình huấn luyện. Việc định cấu hình tham số này cho phép mô hình của bạn trải nghiệm nhiều tỷ lệ hình ảnh khác nhau và cải thiện khả năng phát hiện trên các kích thước đối tượng và kịch bản khác nhau.

Ultralytics cũng hỗ trợ huấn luyện đa tỷ lệ theo kích thước ảnh thông qua tham số multi_scale. Khác với scale, vốn thu phóng hình ảnh rồi thêm padding/cắt xén lại thành imgsz, multi_scale thay đổi trực tiếp imgsz trong mỗi batch (được làm tròn theo stride của model). Ví dụ, với imgsz=640 và multi_scale=0.25, kích thước huấn luyện được lấy mẫu từ 480 lên đến 800 theo các bước stride (ví dụ: 480, 512, 544, ..., 800), trong khi multi_scale=0.0 giữ nguyên một kích thước cố định.

Caching#

Caching là một kỹ thuật quan trọng để cải thiện hiệu quả huấn luyện các mô hình Machine Learning. Bằng cách lưu trữ các hình ảnh đã tiền xử lý vào bộ nhớ, caching giảm thời gian GPU chờ tải dữ liệu từ đĩa. Mô hình có thể liên tục nhận dữ liệu mà không bị chậm trễ do các thao tác I/O đĩa.

Việc caching có thể được kiểm soát khi huấn luyện YOLO26 bằng cách sử dụng tham số cache:

• cache=True: Lưu trữ hình ảnh dataset trong RAM, cung cấp tốc độ truy cập nhanh nhất nhưng đổi lại mức sử dụng bộ nhớ sẽ tăng lên.
• cache='disk': Lưu trữ hình ảnh trên ổ đĩa, chậm hơn RAM nhưng nhanh hơn so với việc tải dữ liệu mới mỗi lần.
• cache=False: Vô hiệu hóa caching, phụ thuộc hoàn toàn vào I/O ổ đĩa, đây là tùy chọn chậm nhất.

Huấn luyện độ chính xác hỗn hợp (Mixed Precision Training)#

Huấn luyện hỗn hợp độ chính xác (mixed precision training) sử dụng cả hai kiểu dữ liệu dấu phẩy động 16-bit (FP16) và 32-bit (FP32). Điểm mạnh của cả FP16 và FP32 được tận dụng bằng cách dùng FP16 để tính toán nhanh hơn và dùng FP32 để duy trì độ chính xác khi cần thiết. Hầu hết các hoạt động của neural network được thực hiện ở dạng FP16 để tận dụng tốc độ tính toán nhanh hơn và mức tiêu thụ bộ nhớ thấp hơn. Tuy nhiên, một bản sao chính của các trọng số model được giữ ở định dạng FP32 nhằm đảm bảo độ chính xác trong các bước cập nhật trọng số. Bạn có thể xử lý các model lớn hơn hoặc batch size lớn hơn trong cùng giới hạn phần cứng.

Để triển khai huấn luyện hỗn hợp độ chính xác, bạn cần chỉnh sửa các script huấn luyện của mình và đảm bảo phần cứng (như GPU) hỗ trợ tính năng này. Nhiều framework deep learning hiện đại, chẳng hạn như PyTorch và TensorFlow, cung cấp sẵn hỗ trợ tích hợp cho mixed precision.

Huấn luyện độ chính xác hỗn hợp rất đơn giản khi làm việc với YOLO26: AMP đã được bật theo mặc định (amp=True). Trên GPU CUDA, YOLO chạy kiểm tra khả năng một lần vào đầu quá trình huấn luyện và quay lại FP32 đầy đủ nếu không thành công; trên CPU và Apple silicon, AMP bị bỏ qua hoàn toàn. Đặt amp=False để ép buộc sử dụng FP32.

Trọng số Pretrained#

Sử dụng pretrained weights là một cách thông minh để tăng tốc quá trình huấn luyện model của bạn. Pretrained weights đến từ các model đã được huấn luyện sẵn trên các dataset lớn, giúp model của bạn có một khởi đầu thuận lợi. Transfer learning thích ứng các model đã được huấn luyện sẵn sang các tác vụ mới có liên quan. Tinh chỉnh (fine-tuning) một model pretrained bao gồm việc bắt đầu với các trọng số này và sau đó tiếp tục huấn luyện trên dataset cụ thể của bạn. Phương pháp huấn luyện này mang lại thời gian huấn luyện nhanh hơn và thường có hiệu suất tốt hơn vì model bắt đầu với sự hiểu biết vững chắc về các đặc trưng cơ bản.

Trọng số được huấn luyện trước đến từ đối số model, do đó model=yolo26n.pt đã bắt đầu từ trọng số COCO. Tham số pretrained kiểm soát xem các trọng số đó được giữ lại (True, mặc định), loại bỏ (False), hay thay thế bằng một điểm kiểm tra khác (pretrained=path/to/best.pt). Việc đặt pretrained=True trên mô hình *.yaml sẽ không tự động lấy trọng số. Xem How to Fine-Tune YOLO on a Custom Dataset để biết toàn bộ quy trình học chuyển giao.

Các kỹ thuật khác cần xem xét khi xử lý tập dữ liệu lớn#

Có một vài kỹ thuật khác cần xem xét khi xử lý tập dữ liệu lớn:

• Learning Rate Schedulers: Việc triển khai bộ lập lịch tốc độ học tập sẽ điều chỉnh động tốc độ học tập trong quá trình huấn luyện. Tốc độ học tập được tinh chỉnh tốt có thể ngăn mô hình vượt quá mức tối thiểu và cải thiện độ ổn định. Khi huấn luyện YOLO26, tham số lrf giúp quản lý việc lập lịch tốc độ học tập bằng cách đặt tốc độ học tập cuối cùng làm một phần của tốc độ ban đầu. Đối với hành vi không có đối số nào hiển thị, chẳng hạn như tốc độ học tập theo từng lớp hoặc cắt gradient, hãy subclass the trainer.
• Huấn luyện phân tán: Để xử lý các tập dữ liệu lớn, huấn luyện phân tán có thể là một yếu tố thay đổi cuộc chơi. Bạn có thể giảm thời gian huấn luyện bằng cách chia sẻ khối lượng công việc huấn luyện trên nhiều GPU hoặc máy tính. Phương pháp này đặc biệt có giá trị đối với các dự án quy mô doanh nghiệp với tài nguyên tính toán lớn.
• Định dạng bộ nhớ channels-last: channels_last=True sử dụng bố cục bộ nhớ NHWC trên CUDA, có thể cải thiện hiệu suất tích chập trên phần cứng tương thích. Các thiết bị khác sẽ cảnh báo và giữ nguyên bố cục mặc định.

Số lượng Epochs cần huấn luyện#

Khi huấn luyện một model, một epoch đề cập đến một lần duyệt hoàn chỉnh qua toàn bộ dataset huấn luyện. Trong một epoch, model xử lý từng mẫu trong tập huấn luyện một lần và cập nhật các tham số của nó dựa trên thuật toán học. Nhiều epoch thường là cần thiết để cho phép model học hỏi và tinh chỉnh các tham số của nó theo thời gian.

Một câu hỏi phổ biến thường xuất hiện là làm thế nào để xác định số lượng epoch để huấn luyện model. Điểm khởi đầu tốt là 300 epoch. Nếu model bị overfit sớm, bạn có thể giảm số lượng epoch. Nếu hiện tượng overfitting không xảy ra sau 300 epoch, bạn có thể kéo dài thời gian huấn luyện lên 600, 1200 hoặc nhiều epoch hơn.

Tuy nhiên, số lượng epoch lý tưởng có thể thay đổi dựa trên kích thước dataset và mục tiêu dự án của bạn. Các dataset lớn hơn có thể yêu cầu nhiều epoch hơn để model học tập hiệu quả, trong khi các dataset nhỏ hơn có thể cần ít epoch hơn để tránh overfitting. Đối với YOLO26, bạn có thể thiết lập tham số epochs trong script huấn luyện của mình.

Dừng sớm (Early Stopping)#

Dừng sớm là một kỹ thuật có giá trị để tối ưu hóa quá trình huấn luyện mô hình. Bằng cách theo dõi hiệu suất trên tập validation, bạn có thể dừng huấn luyện khi mô hình ngừng cải thiện. Bạn có thể tiết kiệm tài nguyên tính toán và ngăn ngừa overfitting.

Quy trình này bao gồm việc đặt tham số patience để xác định số lượng epoch cần chờ sự cải thiện trong các chỉ số validation trước khi dừng huấn luyện. Nếu hiệu suất của mô hình không cải thiện trong các epoch này, quá trình huấn luyện sẽ bị dừng lại để tránh lãng phí thời gian và tài nguyên.

Đối với YOLO26, bạn có thể bật early stopping bằng cách thiết lập tham số patience trong cấu hình huấn luyện của mình. Ví dụ, patience=5 có nghĩa là quá trình huấn luyện sẽ dừng lại nếu không có sự cải thiện nào ở các chỉ số validation trong 5 epoch liên tiếp. Sử dụng phương pháp này đảm bảo quá trình huấn luyện luôn hiệu quả và đạt được hiệu suất tối ưu mà không tốn quá nhiều tài nguyên tính toán.

Lựa chọn giữa huấn luyện trên Cloud và cục bộ#

Có hai tùy chọn để huấn luyện mô hình của bạn: huấn luyện trên cloud và huấn luyện cục bộ.

Huấn luyện trên đám mây (cloud training) mang lại khả năng mở rộng và phần cứng mạnh mẽ, rất lý tưởng để xử lý các dataset lớn và model phức tạp. Các nền tảng như Google Cloud, AWS và Azure cung cấp quyền truy cập theo nhu cầu vào các GPU và TPU hiệu năng cao, giúp tăng tốc thời gian huấn luyện và cho phép thử nghiệm với các model lớn hơn. Tuy nhiên, huấn luyện trên đám mây có thể tốn kém, đặc biệt là trong thời gian dài, và việc truyền dữ liệu có thể làm tăng chi phí cũng như độ trễ.

Huấn luyện cục bộ cung cấp khả năng kiểm soát và tùy chỉnh tốt hơn, cho phép bạn điều chỉnh môi trường theo nhu cầu cụ thể và tránh chi phí cloud định kỳ. Nó có thể tiết kiệm hơn cho các dự án dài hạn, và vì dữ liệu của bạn ở tại chỗ, nó bảo mật hơn. Tuy nhiên, phần cứng cục bộ có thể có giới hạn tài nguyên và yêu cầu bảo trì, điều này có thể dẫn đến thời gian huấn luyện lâu hơn đối với các mô hình lớn.

Chọn trình tối ưu hóa (Optimizer)#

Một optimizer là một thuật toán điều chỉnh các trọng số của neural network để thiểu hóa loss function, hàm này đo lường mức độ hoạt động hiệu quả của model. Nói một cách đơn giản hơn, optimizer giúp model học hỏi bằng cách tinh chỉnh các tham số của nó để giảm thiểu sai số. Việc lựa chọn đúng optimizer ảnh hưởng trực tiếp đến tốc độ và độ chính xác khi model học.

Bạn cũng có thể tinh chỉnh các tham số trình tối ưu hóa để cải thiện hiệu suất mô hình. Việc điều chỉnh tốc độ học thiết lập kích thước các bước khi cập nhật tham số. Để ổn định, bạn có thể bắt đầu với tốc độ học vừa phải và dần dần giảm nó theo thời gian để cải thiện khả năng học lâu dài. Ngoài ra, việc đặt momentum xác định mức độ ảnh hưởng của các cập nhật trước đó đến các cập nhật hiện tại. Giá trị phổ biến cho momentum là khoảng 0.9. Nó thường cung cấp sự cân bằng tốt.

Các trình tối ưu hóa phổ biến#

Các trình tối ưu hóa khác nhau có những điểm mạnh và điểm yếu khác nhau. Hãy cùng điểm qua một vài trình tối ưu hóa phổ biến.

• SGD (Stochastic Gradient Descent):

  • Cập nhật các tham số mô hình bằng cách sử dụng gradient của hàm mất mát đối với các tham số.
  • Đơn giản và hiệu quả nhưng có thể hội tụ chậm và có thể bị kẹt trong các cực tiểu cục bộ.

• Adam (Adaptive Moment Estimation):

  • Kết hợp lợi ích của cả SGD với momentum và RMSProp.
  • Điều chỉnh tốc độ học cho từng tham số dựa trên ước tính các mô-men thứ nhất và thứ hai của gradient.
  • Rất phù hợp cho dữ liệu nhiễu và gradient thưa.
  • Hiệu quả và nhìn chung đòi hỏi ít công sức tinh chỉnh hơn. Đối với các đợt huấn luyện ngắn hơn, tham số optimizer=auto của YOLO26 chọn AdamW có họ hàng gần gũi thay vì bản thân Adam.

• RMSProp (Root Mean Square Propagation):

  • Điều chỉnh tốc độ học cho từng tham số bằng cách chia gradient cho trung bình trượt của độ lớn các gradient gần đây.
  • Giúp giải quyết vấn đề vanishing gradient và hiệu quả đối với các recurrent neural networks.

• MuSGD (Muon + SGD hybrid):

  • Kết hợp các cập nhật kiểu SGD với hành vi lấy cảm hứng từ Muon để cải thiện độ ổn định trong huấn luyện quy mô lớn.
  • Một lựa chọn tốt khi bạn muốn khả năng khái quát hóa giống SGD nhưng cần sự hội tụ mượt mà hơn SGD thuần túy.
  • Đặc biệt liên quan đến các YOLO26 training recipes; nếu không chắc chắn, hãy bắt đầu với optimizer=auto và so sánh với MuSGD trên dataset của bạn.

Đối với YOLO26, tham số optimizer cho phép bạn chọn từ nhiều optimizer khác nhau, bao gồm SGD, MuSGD, Adam, Adamax, AdamW, NAdam, RAdam, và RMSProp, hoặc bạn có thể đặt nó thành auto để tự động chọn dựa trên số vòng lặp training.

yolo train model=yolo26n.pt data=coco8.yaml optimizer=MuSGD

Kết nối với cộng đồng#

Trở thành một phần của cộng đồng những người đam mê thị giác máy tính có thể giúp bạn giải quyết vấn đề và học hỏi nhanh hơn. Dưới đây là một số cách để kết nối, nhận trợ giúp và chia sẻ ý tưởng.

Tài nguyên cộng đồng#

• GitHub Issues: Truy cập YOLO26 GitHub repository và sử dụng tab Issues để đặt câu hỏi, báo cáo lỗi và đề xuất tính năng mới. Cộng đồng và các maintainer rất tích cực và sẵn sàng trợ giúp.
• Ultralytics Discord Server: Tham gia Ultralytics Discord server để trò chuyện với những người dùng và lập trình viên khác, nhận hỗ trợ và chia sẻ kinh nghiệm của bạn.

Tài liệu chính thức#

• Ultralytics YOLO26 Documentation: Khám phá official YOLO26 documentation để xem các hướng dẫn chi tiết và các mẹo hữu ích về các dự án computer vision khác nhau.

Sử dụng các tài nguyên này sẽ giúp bạn giải quyết các thách thức và cập nhật các xu hướng cũng như phương pháp mới nhất trong cộng đồng thị giác máy tính.

Những điểm chính cần ghi nhớ#

Huấn luyện các model computer vision đòi hỏi việc tuân theo các best practice, tối ưu hóa chiến lược và giải quyết các vấn đề khi chúng phát sinh. Các kỹ thuật như điều chỉnh batch size, huấn luyện precision hỗn hợp và bắt đầu với các pretrained weights có thể giúp model của bạn hoạt động tốt hơn và huấn luyện nhanh hơn. Các phương pháp như huấn luyện tập con và early stopping giúp bạn tiết kiệm thời gian và tài nguyên. Giữ kết nối với cộng đồng và cập nhật các xu hướng mới sẽ giúp bạn không ngừng nâng cao kỹ năng huấn luyện model.

Câu hỏi thường gặp#