Khắc phục các sự cố thường gặp về YOLO

Q: Why is my YOLO11 model training slow on a single GPU?

Huấn luyện trên một GPU duy nhất có thể chậm do kích thước lô lớn hoặc không đủ bộ nhớ. Để tăng tốc quá trình huấn luyện, hãy sử dụng nhiều GPU. Đảm bảo hệ thống của bạn có nhiều GPU khả dụng và điều chỉnh tệp cấu hình .yaml của bạn để chỉ định số lượng GPU, ví dụ: gpus: 4. Tăng kích thước lô tương ứng để sử dụng đầy đủ các GPU mà không vượt quá giới hạn bộ nhớ. Lệnh ví dụ:

Hình ảnh về các vấn đề thường gặp của YOLO

Giới thiệu

Hướng dẫn này đóng vai trò là một trợ giúp toàn diện để khắc phục các sự cố thường gặp phải khi làm việc với YOLO11 trên các dự án Ultralytics của bạn. Việc điều hướng qua các vấn đề này có thể trở nên dễ dàng với sự hướng dẫn phù hợp, đảm bảo các dự án của bạn luôn đi đúng hướng mà không bị chậm trễ không cần thiết.

Xem: Các vấn đề thường gặp của Ultralytics YOLO11 | Lỗi cài đặt, Sự cố huấn luyện Model

Các Vấn Đề Thường Gặp

Lỗi cài đặt

Lỗi cài đặt có thể phát sinh do nhiều nguyên nhân khác nhau, chẳng hạn như các phiên bản không tương thích, thiếu dependencies hoặc thiết lập môi trường không chính xác. Trước tiên, hãy kiểm tra để đảm bảo bạn đang thực hiện những điều sau:

Bạn đang sử dụng Python 3.8 trở lên như được khuyến nghị.
Đảm bảo rằng bạn đã cài đặt đúng phiên bản PyTorch (1.8 trở lên).
Cân nhắc sử dụng môi trường ảo để tránh xung đột.
Làm theo từng bước theo hướng dẫn cài đặt chính thức.

Ngoài ra, đây là một số vấn đề cài đặt phổ biến mà người dùng gặp phải, cùng với các giải pháp tương ứng:

Lỗi nhập hoặc sự cố về зависимость - Nếu bạn gặp lỗi trong khi nhập YOLO11 hoặc bạn gặp sự cố liên quan đến các зависимость, hãy xem xét các bước khắc phục sự cố sau:
- Cài đặt mới: Đôi khi, bắt đầu với một cài đặt mới có thể giải quyết các sự cố không mong muốn. Đặc biệt với các thư viện như Ultralytics, nơi các bản cập nhật có thể giới thiệu các thay đổi về cấu trúc cây thư mục hoặc chức năng.
- Cập nhật thường xuyên: Đảm bảo bạn đang sử dụng phiên bản mới nhất của thư viện. Các phiên bản cũ hơn có thể không tương thích với các bản cập nhật gần đây, dẫn đến xung đột hoặc sự cố tiềm ẩn.
- Kiểm tra các phụ thuộc: Xác minh rằng tất cả các phụ thuộc cần thiết đã được cài đặt chính xác và có các phiên bản tương thích.
- Xem xét Thay đổi: Nếu bạn ban đầu đã sao chép hoặc cài đặt một phiên bản cũ hơn, hãy lưu ý rằng các bản cập nhật quan trọng có thể ảnh hưởng đến cấu trúc hoặc chức năng của thư viện. Luôn tham khảo tài liệu chính thức hoặc nhật ký thay đổi để hiểu bất kỳ thay đổi lớn nào.
- Hãy nhớ rằng, việc giữ cho các thư viện và các phần phụ thuộc của bạn được cập nhật là rất quan trọng để có trải nghiệm suôn sẻ và không có lỗi.
Chạy YOLO11 trên GPU - Nếu bạn gặp sự cố khi chạy YOLO11 trên GPU, hãy xem xét các bước khắc phục sự cố sau:
- Xác minh Khả năng Tương thích và Cài đặt CUDA: Đảm bảo GPU của bạn tương thích CUDA và CUDA được cài đặt chính xác. Sử dụng nvidia-smi để kiểm tra trạng thái NVIDIA GPU và phiên bản CUDA của bạn.
- Kiểm tra tích hợp PyTorch và CUDA: Đảm bảo PyTorch có thể sử dụng CUDA bằng cách chạy import torch; print(torch.cuda.is_available()) trong một terminal Python. Nếu nó trả về 'True', PyTorch đã được thiết lập để sử dụng CUDA.
- Kích hoạt môi trường: Đảm bảo bạn đang ở trong môi trường chính xác, nơi tất cả các gói cần thiết đã được cài đặt.
- Cập nhật các gói của bạn: Các gói đã lỗi thời có thể không tương thích với GPU của bạn. Hãy cập nhật chúng.
- Cấu hình chương trình: Kiểm tra xem chương trình hoặc code có chỉ định việc sử dụng GPU hay không. Trong YOLO11, điều này có thể nằm trong phần cài đặt hoặc cấu hình.

Các vấn đề về huấn luyện mô hình

Phần này sẽ giải quyết các vấn đề thường gặp phải trong khi huấn luyện, cùng với các giải thích và giải pháp tương ứng.

Xác minh Cấu hình Cài đặt

Vấn đề: Bạn không chắc chắn liệu các cài đặt cấu hình trong .yaml tệp đang được áp dụng chính xác trong quá trình huấn luyện mô hình.

Giải pháp: Các cài đặt cấu hình trong .yaml tập tin nên được áp dụng khi sử dụng model.train() function. Để đảm bảo rằng các cài đặt này được áp dụng chính xác, hãy làm theo các bước sau:

Xác nhận đường dẫn đến .yaml tệp cấu hình là chính xác.
Đảm bảo bạn truyền đường dẫn đến .yaml tệp làm data đối số khi gọi model.train(), như hình bên dưới:
```
model.train(data="/path/to/your/data.yaml", batch=4)
```

Tăng tốc Huấn luyện với Nhiều GPU

Vấn đề: Quá trình huấn luyện diễn ra chậm trên một GPU và bạn muốn tăng tốc quá trình này bằng cách sử dụng nhiều GPU.

Giải pháp: Tăng kích thước lô có thể đẩy nhanh quá trình huấn luyện, nhưng điều cần thiết là phải xem xét dung lượng bộ nhớ GPU. Để tăng tốc quá trình huấn luyện với nhiều GPU, hãy làm theo các bước sau:

Đảm bảo rằng bạn có nhiều GPU.
Sửa đổi tệp cấu hình .yaml của bạn để chỉ định số lượng GPU cần sử dụng, ví dụ: gpus: 4.
Tăng kích thước batch tương ứng để sử dụng tối đa nhiều GPU mà không vượt quá giới hạn bộ nhớ.

Sửa đổi lệnh huấn luyện của bạn để sử dụng nhiều GPU:

# Adjust the batch size and other settings as needed to optimize training speed
model.train(data="/path/to/your/data.yaml", batch=32, multi_scale=True)

Các Tham số Giám sát Liên tục

Vấn đề: Bạn muốn biết những tham số nào nên được theo dõi liên tục trong quá trình huấn luyện, ngoài loss.

Giải pháp: Mặc dù loss là một số liệu quan trọng để theo dõi, nhưng điều cần thiết là phải theo dõi các số liệu khác để tối ưu hóa hiệu suất mô hình. Một số số liệu chính cần theo dõi trong quá trình huấn luyện bao gồm:

Độ chính xác
Độ nhớ lại
Mean Average Precision (mAP)

Bạn có thể truy cập các số liệu này từ nhật ký huấn luyện hoặc bằng cách sử dụng các công cụ như TensorBoard hoặc wandb để trực quan hóa. Việc triển khai dừng sớm dựa trên các số liệu này có thể giúp bạn đạt được kết quả tốt hơn.

Công cụ để Theo dõi Tiến độ Huấn luyện

Vấn đề: Bạn đang tìm kiếm các đề xuất về công cụ để theo dõi tiến trình huấn luyện.

Giải pháp: Để theo dõi và trực quan hóa tiến trình huấn luyện, bạn có thể cân nhắc sử dụng các công cụ sau:

TensorBoard: TensorBoard là một lựa chọn phổ biến để trực quan hóa các số liệu huấn luyện, bao gồm loss, độ chính xác và hơn thế nữa. Bạn có thể tích hợp nó với quy trình huấn luyện YOLO11 của mình.
Comet: Comet cung cấp một bộ công cụ mở rộng để theo dõi và so sánh thử nghiệm. Nó cho phép bạn theo dõi các số liệu, siêu tham số và thậm chí cả trọng số mô hình. Việc tích hợp với các mô hình YOLO cũng rất đơn giản, cung cấp cho bạn một cái nhìn tổng quan đầy đủ về chu kỳ thử nghiệm của bạn.
Ultralytics HUB: Ultralytics HUB cung cấp một môi trường chuyên biệt để theo dõi các mô hình YOLO, cung cấp cho bạn một nền tảng một cửa để quản lý các số liệu, bộ dữ liệu và thậm chí cộng tác với nhóm của bạn. Với trọng tâm tùy chỉnh vào YOLO, nó cung cấp các tùy chọn theo dõi tùy chỉnh hơn.

Mỗi công cụ này đều có những ưu điểm riêng, vì vậy bạn nên xem xét các nhu cầu cụ thể của dự án khi lựa chọn.

Cách kiểm tra xem quá trình huấn luyện có đang diễn ra trên GPU hay không

Vấn đề: Giá trị 'device' trong nhật ký huấn luyện là 'null' và bạn không chắc chắn liệu quá trình huấn luyện có đang diễn ra trên GPU hay không.

Giải pháp: Giá trị 'device' là 'null' thường có nghĩa là quá trình huấn luyện được đặt để tự động sử dụng GPU có sẵn, đây là hành vi mặc định. Để đảm bảo quá trình huấn luyện diễn ra trên một GPU cụ thể, bạn có thể đặt thủ công giá trị 'device' thành chỉ mục GPU (ví dụ: '0' cho GPU đầu tiên) trong tệp cấu hình .yaml của bạn:

device: 0

Thao tác này sẽ gán rõ ràng quy trình huấn luyện cho GPU đã chỉ định. Nếu bạn muốn huấn luyện trên CPU, hãy đặt 'device' thành 'cpu'.

Theo dõi thư mục 'runs' để xem nhật ký và số liệu, từ đó giám sát hiệu quả tiến trình huấn luyện.

Những cân nhắc chính để huấn luyện mô hình hiệu quả

Dưới đây là một số điều cần lưu ý nếu bạn đang gặp phải các vấn đề liên quan đến quá trình training (huấn luyện) mô hình.

Định dạng và nhãn bộ dữ liệu

Quan trọng: Nền tảng của bất kỳ mô hình học máy nào nằm ở chất lượng và định dạng của dữ liệu được dùng để huấn luyện mô hình đó.
Đề xuất: Đảm bảo rằng bộ dữ liệu tùy chỉnh của bạn và các nhãn liên quan tuân thủ định dạng dự kiến. Điều quan trọng là phải xác minh rằng các chú thích là chính xác và có chất lượng cao. Các chú thích không chính xác hoặc kém chất lượng có thể làm chệch hướng quá trình học tập của mô hình, dẫn đến các kết quả không thể đoán trước.

Độ hội tụ của Mô hình

Tầm quan trọng: Đạt được sự hội tụ của mô hình đảm bảo rằng mô hình đã học đủ từ dữ liệu huấn luyện.
Khuyến nghị: Khi huấn luyện mô hình 'từ đầu', điều quan trọng là phải đảm bảo rằng mô hình đạt đến mức độ hội tụ thỏa đáng. Điều này có thể đòi hỏi thời gian huấn luyện dài hơn, với nhiều epochs hơn, so với khi bạn tinh chỉnh một mô hình hiện có.

Learning Rate và Batch Size

Quan trọng: Các siêu tham số này đóng vai trò then chốt trong việc xác định cách mô hình cập nhật trọng số của nó trong quá trình huấn luyện.
Khuyến nghị: Thường xuyên đánh giá xem learning rate và batch size đã chọn có tối ưu cho tập dữ liệu cụ thể của bạn hay không. Các tham số không phù hợp với đặc điểm của tập dữ liệu có thể cản trở hiệu suất của mô hình.

Phân phối lớp

Tầm quan trọng: Sự phân bố của các lớp trong bộ dữ liệu của bạn có thể ảnh hưởng đến xu hướng dự đoán của mô hình.
Đề xuất: Thường xuyên đánh giá sự phân phối của các lớp trong bộ dữ liệu của bạn. Nếu có sự mất cân bằng lớp, có nguy cơ mô hình sẽ phát triển sự thiên vị đối với lớp phổ biến hơn. Sự thiên vị này có thể thấy rõ trong ma trận nhầm lẫn, trong đó mô hình có thể chủ yếu dự đoán lớp đa số.

Kiểm tra chéo với Trọng số đã được Huấn luyện trước

Tầm quan trọng: Tận dụng các trọng số đã được huấn luyện trước có thể cung cấp một điểm khởi đầu vững chắc cho quá trình huấn luyện mô hình, đặc biệt khi dữ liệu bị hạn chế.
Đề xuất: Như một bước chẩn đoán, hãy cân nhắc huấn luyện mô hình của bạn bằng cách sử dụng cùng một dữ liệu nhưng khởi tạo nó với các trọng số được huấn luyện trước. Nếu phương pháp này tạo ra một ma trận nhầm lẫn có dạng tốt, thì có thể gợi ý rằng mô hình 'từ đầu' có thể cần được huấn luyện hoặc điều chỉnh thêm.

Phần này sẽ giải quyết các vấn đề thường gặp phải trong quá trình dự đoán mô hình.

Lấy Dự đoán Hộp giới hạn Với Mô hình Tùy chỉnh YOLO11 Của Bạn

Vấn đề: Khi chạy dự đoán với mô hình YOLO11 tùy chỉnh, có những thách thức với định dạng và trực quan hóa tọa độ bounding box.

Giải pháp:

Định dạng tọa độ: YOLO11 cung cấp tọa độ hộp giới hạn theo các giá trị pixel tuyệt đối. Để chuyển đổi chúng thành tọa độ tương đối (trong khoảng từ 0 đến 1), bạn cần chia cho kích thước hình ảnh. Ví dụ: giả sử kích thước hình ảnh của bạn là 640x640. Sau đó, bạn sẽ làm như sau:
```
# Convert absolute coordinates to relative coordinates
x1 = x1 / 640  # Divide x-coordinates by image width
x2 = x2 / 640
y1 = y1 / 640  # Divide y-coordinates by image height
y2 = y2 / 640
```
Tên Tập tin: Để lấy tên tập tin của hình ảnh bạn đang dự đoán, hãy truy cập trực tiếp vào đường dẫn tập tin hình ảnh từ đối tượng kết quả trong vòng lặp dự đoán của bạn.

Lọc Đối Tượng trong Dự Đoán YOLO11

Vấn đề: Gặp vấn đề về cách lọc và chỉ hiển thị các đối tượng cụ thể trong kết quả dự đoán khi chạy YOLO11 bằng thư viện Ultralytics.

Giải pháp: Để phát hiện các lớp cụ thể, hãy sử dụng đối số classes để chỉ định các lớp bạn muốn đưa vào đầu ra. Ví dụ: để chỉ phát hiện ô tô (giả sử 'ô tô' có chỉ mục lớp là 2):

yolo task=detect mode=segment model=yolo11n-seg.pt source='path/to/car.mp4' show=True classes=2

Tìm hiểu các số liệu về Độ chuẩn xác (Precision) trong YOLO11

Vấn đề: Sự nhầm lẫn về sự khác biệt giữa độ chính xác của bounding box, độ chính xác của mask và độ chính xác của confusion matrix trong YOLO11.

Giải pháp: Độ chính xác của hộp giới hạn đo lường độ chính xác của các hộp giới hạn được dự đoán so với các hộp ground truth thực tế bằng cách sử dụng IoU (Intersection over Union) làm thước đo. Độ chính xác của mặt nạ đánh giá sự phù hợp giữa mặt nạ phân đoạn được dự đoán và mặt nạ ground truth trong phân loại đối tượng theo từng pixel. Mặt khác, độ chính xác của ma trận nhầm lẫn tập trung vào độ chính xác phân loại tổng thể trên tất cả các lớp và không xem xét độ chính xác hình học của các dự đoán. Điều quan trọng cần lưu ý là một hộp giới hạn có thể chính xác về mặt hình học (true positive) ngay cả khi dự đoán lớp không chính xác, dẫn đến sự khác biệt giữa độ chính xác của hộp và độ chính xác của ma trận nhầm lẫn. Các số liệu này đánh giá các khía cạnh khác nhau về hiệu suất của mô hình, phản ánh sự cần thiết của các số liệu đánh giá khác nhau trong các tác vụ khác nhau.

Trích xuất Kích thước Đối tượng trong YOLO11

Vấn đề: Gặp khó khăn trong việc lấy chiều dài và chiều cao của các đối tượng được phát hiện trong YOLO11, đặc biệt khi nhiều đối tượng được phát hiện trong một hình ảnh.

Giải pháp: Để truy xuất kích thước hộp giới hạn, trước tiên hãy sử dụng mô hình Ultralytics YOLO11 để dự đoán các đối tượng trong hình ảnh. Sau đó, trích xuất thông tin chiều rộng và chiều cao của hộp giới hạn từ kết quả dự đoán.

from ultralytics import YOLO

# Load a pre-trained YOLO11 model
model = YOLO("yolo11n.pt")

# Specify the source image
source = "https://ultralytics.com/images/bus.jpg"

# Make predictions
results = model.predict(source, save=True, imgsz=320, conf=0.5)

# Extract bounding box dimensions
boxes = results[0].boxes.xywh.cpu()
for box in boxes:
    x, y, w, h = box
    print(f"Width of Box: {w}, Height of Box: {h}")

Các Thách Thức Triển Khai

Các vấn đề về triển khai GPU

Vấn đề: Việc triển khai các mô hình trong môi trường đa GPU đôi khi có thể dẫn đến các hành vi không mong muốn như sử dụng bộ nhớ không mong muốn, kết quả không nhất quán giữa các GPU, v.v.

Giải pháp: Kiểm tra quá trình khởi tạo GPU mặc định. Một số framework, như PyTorch, có thể khởi tạo các hoạt động CUDA trên GPU mặc định trước khi chuyển sang các GPU được chỉ định. Để bỏ qua các quá trình khởi tạo mặc định không mong muốn, hãy chỉ định trực tiếp GPU trong quá trình triển khai và dự đoán. Sau đó, sử dụng các công cụ để theo dõi mức sử dụng GPU và mức sử dụng bộ nhớ để xác định bất kỳ sự bất thường nào trong thời gian thực. Ngoài ra, hãy đảm bảo bạn đang sử dụng phiên bản framework hoặc thư viện mới nhất.

Các vấn đề về Chuyển đổi/Xuất Mô hình

Vấn đề: Trong quá trình chuyển đổi hoặc xuất các mô hình machine learning sang các định dạng hoặc nền tảng khác nhau, người dùng có thể gặp phải lỗi hoặc các hành vi không mong muốn.

Giải pháp:

Kiểm tra Tính tương thích: Đảm bảo rằng bạn đang sử dụng các phiên bản thư viện và framework tương thích với nhau. Các phiên bản không khớp có thể dẫn đến lỗi không mong muốn trong quá trình chuyển đổi.
Thiết lập lại môi trường: Nếu bạn đang sử dụng một môi trường tương tác như Jupyter hoặc Colab, hãy cân nhắc khởi động lại môi trường của bạn sau khi thực hiện các thay đổi hoặc cài đặt quan trọng. Việc khởi đầu lại đôi khi có thể giải quyết các vấn đề tiềm ẩn.
Tài liệu chính thức: Luôn tham khảo tài liệu chính thức của công cụ hoặc thư viện bạn đang sử dụng để chuyển đổi. Nó thường chứa các hướng dẫn cụ thể và các phương pháp hay nhất để xuất mô hình.
Hỗ trợ Cộng đồng: Kiểm tra kho lưu trữ chính thức của thư viện hoặc framework để tìm các vấn đề tương tự do người dùng khác báo cáo. Người duy trì hoặc cộng đồng có thể đã cung cấp các giải pháp hoặc cách giải quyết trong các chuỗi thảo luận.
Cập nhật Thường xuyên: Đảm bảo bạn đang sử dụng phiên bản mới nhất của công cụ hoặc thư viện. Các nhà phát triển thường xuyên phát hành các bản cập nhật để sửa lỗi đã biết hoặc cải thiện chức năng.
Kiểm tra tăng dần: Trước khi thực hiện chuyển đổi hoàn toàn, hãy kiểm tra quy trình với một mô hình hoặc bộ dữ liệu nhỏ hơn để xác định các sự cố tiềm ẩn sớm.

Cộng đồng và Hỗ trợ

Tương tác với một cộng đồng những cá nhân có cùng chí hướng có thể nâng cao đáng kể trải nghiệm và thành công của bạn khi làm việc với YOLO11. Dưới đây là một số kênh và tài nguyên mà bạn có thể thấy hữu ích.

Diễn đàn và Kênh hỗ trợ

Các vấn đề trên GitHub: Kho lưu trữ YOLO11 trên GitHub có một tab Vấn đề, nơi bạn có thể đặt câu hỏi, báo cáo lỗi và đề xuất các tính năng mới. Cộng đồng và người bảo trì hoạt động tích cực ở đây và đây là một nơi tuyệt vời để nhận trợ giúp về các vấn đề cụ thể.

Máy chủ Ultralytics Discord: Ultralytics có một máy chủ Discord, nơi bạn có thể tương tác với những người dùng khác và các nhà phát triển.

Tài Liệu và Tài Nguyên Chính Thức

Tài liệu Ultralytics YOLO11: Tài liệu chính thức cung cấp một cái nhìn tổng quan toàn diện về YOLO11, cùng với các hướng dẫn về cài đặt, sử dụng và khắc phục sự cố.

Các tài nguyên này sẽ cung cấp một nền tảng vững chắc để khắc phục sự cố và cải thiện các dự án YOLO11 của bạn, cũng như kết nối với những người khác trong cộng đồng YOLO11.

Kết luận

Khắc phục sự cố là một phần không thể thiếu của bất kỳ quy trình phát triển nào và việc được trang bị kiến thức phù hợp có thể giảm đáng kể thời gian và công sức bỏ ra để giải quyết các vấn đề. Hướng dẫn này nhằm mục đích giải quyết những thách thức phổ biến nhất mà người dùng mô hình YOLO11 gặp phải trong hệ sinh thái Ultralytics. Bằng cách hiểu và giải quyết những vấn đề phổ biến này, bạn có thể đảm bảo tiến độ dự án suôn sẻ hơn và đạt được kết quả tốt hơn với các tác vụ thị giác máy tính của mình.

Hãy nhớ rằng, cộng đồng Ultralytics là một nguồn tài nguyên quý giá. Tương tác với các nhà phát triển và chuyên gia đồng nghiệp có thể cung cấp thêm thông tin chi tiết và các giải pháp có thể không được đề cập trong tài liệu tiêu chuẩn. Luôn học hỏi, thử nghiệm và chia sẻ kinh nghiệm của bạn để đóng góp vào kiến thức tập thể của cộng đồng.

Chúc bạn khắc phục sự cố thành công!

Câu hỏi thường gặp

Làm cách nào để giải quyết lỗi cài đặt với YOLO11?

Lỗi cài đặt thường có thể là do các vấn đề về khả năng tương thích hoặc thiếu dependencies. Đảm bảo bạn sử dụng Python 3.8 trở lên và đã cài đặt PyTorch 1.8 trở lên. Nên sử dụng môi trường ảo để tránh xung đột. Để có hướng dẫn cài đặt từng bước, hãy làm theo hướng dẫn cài đặt chính thức của chúng tôi. Nếu bạn gặp lỗi import, hãy thử cài đặt mới hoặc cập nhật thư viện lên phiên bản mới nhất.

Tại sao model YOLO11 của tôi huấn luyện chậm trên một GPU duy nhất?

Việc huấn luyện trên một GPU duy nhất có thể chậm do kích thước batch lớn hoặc không đủ bộ nhớ. Để tăng tốc quá trình huấn luyện, hãy sử dụng nhiều GPU. Đảm bảo hệ thống của bạn có nhiều GPU khả dụng và điều chỉnh .yaml tệp cấu hình để chỉ định số lượng GPU, ví dụ: gpus: 4. Tăng kích thước lô tương ứng để sử dụng tối đa các GPU mà không vượt quá giới hạn bộ nhớ. Lệnh ví dụ:

model.train(data="/path/to/your/data.yaml", batch=32, multi_scale=True)

Làm cách nào để đảm bảo mô hình YOLO11 của tôi đang huấn luyện trên GPU?

Nếu giá trị 'device' hiển thị 'null' trong nhật ký huấn luyện, điều đó thường có nghĩa là quy trình huấn luyện được thiết lập để tự động sử dụng GPU khả dụng. Để chỉ định rõ ràng một GPU cụ thể, hãy đặt giá trị 'device' trong .yaml tệp cấu hình. Ví dụ:

device: 0

Điều này thiết lập quá trình huấn luyện cho GPU đầu tiên. Tham khảo nvidia-smi để xác nhận thiết lập CUDA của bạn.

Làm thế nào để theo dõi và giám sát tiến trình huấn luyện mô hình YOLO11 của tôi?

Việc theo dõi và trực quan hóa tiến trình huấn luyện có thể được quản lý hiệu quả thông qua các công cụ như TensorBoard, Comet và Ultralytics HUB. Các công cụ này cho phép bạn ghi nhật ký và trực quan hóa các số liệu như loss, precision, recall và mAP. Triển khai early stopping dựa trên các số liệu này cũng có thể giúp đạt được kết quả huấn luyện tốt hơn.

Tôi nên làm gì nếu YOLO11 không nhận ra định dạng bộ dữ liệu của tôi?

Đảm bảo dataset (bộ dữ liệu) và nhãn của bạn tuân thủ định dạng dự kiến. Xác minh rằng các annotation (chú thích) là chính xác và có chất lượng cao. Nếu bạn gặp bất kỳ sự cố nào, hãy tham khảo hướng dẫn Thu thập và Chú thích Dữ liệu để biết các phương pháp hay nhất. Để được hướng dẫn cụ thể hơn về dataset, hãy xem phần Datasets trong tài liệu.

📅 Đã tạo 1 năm trước ✏️ Cập nhật 2 tháng trước