Khắc phục sự cố thường gặp với YOLO

YOLO common training and deployment issues

Giới thiệu

Hướng dẫn này đóng vai trò là tài liệu toàn diện để khắc phục các sự cố thường gặp khi làm việc với YOLO26 trong các dự án Ultralytics của bạn. Việc giải quyết các vấn đề này sẽ trở nên dễ dàng hơn nếu có hướng dẫn phù hợp, đảm bảo các dự án của bạn luôn đúng tiến độ mà không bị trì hoãn không cần thiết.

Watch: Ultralytics YOLO26 Common Issues | Installation Errors, Model Training Issues

Các vấn đề thường gặp

Lỗi cài đặt

Lỗi cài đặt có thể phát sinh do nhiều lý do khác nhau, chẳng hạn như phiên bản không tương thích, thiếu các phụ thuộc hoặc cấu hình môi trường không chính xác. Trước tiên, hãy đảm bảo bạn đang thực hiện các bước sau:

Bạn đang sử dụng Python 3.8 trở lên theo 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 hướng dẫn cài đặt chính thức từng bước một.

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

Lỗi Import hoặc vấn đề về phụ thuộc - Nếu bạn gặp lỗi khi import YOLO26, hoặc gặp vấn đề liên quan đến phụ thuộc, hãy cân nhắc các bước khắc phục sự cố sau:
- Cài đặt mới: Đôi khi, việc bắt đầu với một bản cài đặt mới có thể giải quyết các vấn đề bất ngờ. Đặc biệt là với các thư viện như Ultralytics, nơi các bản cập nhật có thể thay đổi cấu trúc cây thư mục hoặc các 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 phụ thuộc: Xác minh rằng tất cả các phụ thuộc bắt buộc đã được cài đặt chính xác và đúng phiên bản tương thích.
- Xem lại các thay đổi: Nếu bạn đã clone hoặc cài đặt một phiên bản cũ hơn ban đầu, 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 (changelog) để hiểu bất kỳ thay đổi lớn nào.
- Hãy nhớ rằng, việc giữ cho các thư viện và phụ thuộc của bạn luôn cập nhật là rất quan trọng để có trải nghiệm mượt mà và không lỗi.
Chạy YOLO26 trên GPU - Nếu bạn gặp khó khăn khi chạy YOLO26 trên GPU, hãy cân nhắc các bước khắc phục sự cố sau:
- Xác minh khả năng tương thích và cài đặt CUDA: Đảm bảo GPU của bạn tương thích với CUDA và CUDA đã được cài đặt chính xác. Sử dụng lệnh nvidia-smi để kiểm tra trạng thái của GPU NVIDIA 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 terminal Python. Nếu nó trả về 'True', PyTorch đã được thiết lập để sử dụng CUDA.
- Kiểm tra khả năng tương thích của GPU: Hỗ trợ cho các kiến trúc GPU cũ hơn Turing và compute capability (SM) < 7.5 đã bị loại bỏ kể từ cuDNN 9.11.0. Vì vậy, nếu bạn có GPU đời cũ - như 1080Ti - bạn có thể phải sử dụng phiên bản PyTorch được build với phiên bản CUDA/cuDNN cũ hơn. Bạn có thể kiểm tra điều này bằng cách chạy import torch; cap = torch.cuda.get_device_capability(0) if torch.cuda.is_available() else (0, 0); cudnn = torch.backends.cudnn.version() or 0; ok = "not compatible" if cudnn >= 91100 and (cap[0] < 7 or (cap[0] == 7 and cap[1] < 5)) else "should be ok"; print(f"Compute capability: SM {cap[0]}.{cap[1]}, cuDNN: {cudnn} => {ok}")
- Kích hoạt môi trường: Đảm bảo bạn đang ở đúng môi trường nơi tất cả các gói cần thiết đã được cài đặt.
- Cập nhật các gói của bạn: Các gói 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 mã nguồn có chỉ định sử dụng GPU hay không. Trong YOLO26, 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 khi huấn luyện cùng với các giải thích và giải pháp tương ứng.

Xác minh cài đặt cấu hình

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

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

Xác nhận rằng đường dẫn đến tệp cấu hình .yaml của bạn là chính xác.
Đảm bảo bạn truyền đường dẫn đến tệp .yaml của mình làm đối số data khi gọi model.train(), như hiển thị 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 đơn lẻ và bạn muốn tăng tốc quá trình bằng cách sử dụng nhiều GPU.

Giải pháp: Tăng batch size có thể tăng tốc huấn luyện, nhưng điều cần thiết là phải xem xét dung lượng bộ nhớ GPU. Để tăng tốc huấn luyện với nhiều GPU, hãy làm theo các bước sau:

Đảm bảo rằng bạn có nhiều GPU sẵn sàng.
Sửa đổi tệp cấu hình .yaml của bạn để chỉ định số lượng GPU cần sử dụng, ví dụ: gpus: 4.
Tăng batch size tương ứng để tận 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)

Các tham số giám sát liên tục

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

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

Precision
Recall
Mean Average Precision (mAP)

Bạn có thể truy cập các chỉ số 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 early stopping dựa trên các chỉ số này có thể giúp bạn đạt được kết quả tốt hơn.

Các công cụ theo dõi tiến trình 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 lựa chọn phổ biến để trực quan hóa các chỉ số huấn luyện, bao gồm loss, accuracy và hơn thế nữa. Bạn có thể tích hợp nó với quy trình huấn luyện YOLO26 của mình.
Comet: Comet cung cấp bộ công cụ toàn diện để theo dõi và so sánh thử nghiệm. Nó cho phép bạn theo dõi các chỉ số, 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 cái nhìn tổng quan đầy đủ về chu kỳ thử nghiệm của mình.
Ultralytics Platform: Ultralytics Platform cung cấp môi trường chuyên biệt để theo dõi các mô hình YOLO, mang đến cho bạn một nền tảng duy nhất để quản lý chỉ số, tập dữ liệu và thậm chí cộng tác với nhóm của bạn. Với sự tập trung chuyên biệt vào YOLO, nó cung cấp nhiều tùy chọn theo dõi được tùy chỉnh hơn.

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

Cách kiểm tra xem việc huấn luyện có đang diễn ra trên GPU không

Vấn đề: Giá trị 'device' trong nhật ký huấn luyện là 'null' và bạn không chắc 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 tự động sử dụng GPU khả dụng, đây là hành vi mặc định. Để đảm bảo việc huấn luyện diễn ra trên một GPU cụ thể, bạn có thể đặt thủ công giá trị 'device' thành chỉ số GPU (ví dụ: '0' cho GPU đầu tiên) trong tệp cấu hình .yaml của bạn:

device: 0

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

Hãy để mắt đến thư mục 'runs' để xem nhật ký và chỉ số nhằm theo dõi tiến trình huấn luyện hiệu quả.

Các lưu ý chính cho việc huấn luyện mô hình hiệu quả

Dưới đây là một số điều cần lưu ý nếu bạn đang gặp vấn đề liên quan đến huấn luyện mô hình.

Định dạng tập dữ liệu và nhãn

Tầm quan trọng: Nền tảng của bất kỳ mô hình machine learning nào nằm ở chất lượng và định dạng của dữ liệu được dùng để huấn luyện.
Khuyến nghị: Đảm bảo rằng tập dữ liệu tùy chỉnh của bạn và các nhãn liên quan tuân thủ định dạng mong đợi. Điều quan trọng là phải xác minh rằng các chú thích (annotations) chính xác và có chất lượng cao. Các chú thích không chính xác hoặc kém chất lượng có thể làm hỏng quá trình học của mô hình, dẫn đến các kết quả không thể đoán trước.

Sự hội tụ của mô hình (Model Convergence)

Tầm quan trọng: Đạt được sự hội tụ mô hình đảm bảo rằng mô hình đã học đủ từ training data.
Khuyến nghị: Khi huấn luyện mô hình 'từ đầu', điều quan trọng là đảm bảo mô hình đạt đến mức hội tụ thỏa đáng. Điều này có thể đòi hỏi thời gian huấn luyện lâu hơn, với nhiều epochs hơn so với khi bạn fine-tune một mô hình có sẵn.

Learning Rate và Batch Size

Tầm quan trọng: Những siêu tham số này đóng vai trò quan trọng trong việc xác định cách mô hình cập nhật trọng số 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 hài hòa với đặc điểm của tập dữ liệu có thể cản trở hiệu suất của mô hình.

Phân phối lớp (Class Distribution)

Tầm quan trọng: Sự phân phối các lớp trong tập dữ liệu của bạn có thể ảnh hưởng đến xu hướng dự đoán của mô hình.
Khuyến nghị: Thường xuyên đánh giá sự phân phối của các lớp trong tập dữ liệu của bạn. Nếu có sự mất cân bằng lớp, có nguy cơ mô hình sẽ phát triển xu hướng thiên kiến đối với lớp phổ biến hơn. Thiên kiến này có thể thấy rõ trong ma trận nhầm lẫn (confusion matrix), nơi mô hình có thể dự đoán chủ yếu là lớp chiếm đa số.

Đối chiếu với trọng số tiền huấn luyện (Pretrained Weights)

Tầm quan trọng: Việc tận dụng trọng số tiền huấn luyện có thể cung cấp điểm khởi đầu vững chắc cho việc huấn luyện mô hình, đặc biệt là khi dữ liệu bị hạn chế.
Khuyến nghị: Như một bước chẩn đoán, hãy cân nhắc huấn luyện mô hình của bạn bằng cùng một dữ liệu nhưng khởi tạo nó với trọng số tiền huấn luyện. Nếu phương pháp này mang lại một ma trận nhầm lẫn được hình thành tốt, điều đó có thể cho thấy rằng mô hình huấn luyện 'từ đầu' có thể cần được huấn luyện thêm hoặc điều chỉnh.

Các vấn đề liên quan đến dự đoán mô hình

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

Lấy dự đoán Bounding Box với mô hình tùy chỉnh YOLO26 của bạn

Vấn đề: Khi chạy dự đoán với mô hình YOLO26 tùy chỉnh, có những thách thức về định dạng và trực quan hóa tọa độ bounding box.

Giải pháp:

Định dạng tọa độ: YOLO26 cung cấp tọa độ bounding box theo giá trị pixel tuyệt đối. Để chuyển đổi các giá trị này sang tọa độ tương đối (dao động từ 0 đến 1), bạn cần chia cho kích thước ảnh. Ví dụ: giả sử kích thước ảnh của bạn là 640x640. Sau đó bạn sẽ thực hiện 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 tệp: Để có được tên tệp của hình ảnh bạn đang dự đoán, hãy truy cập trực tiếp vào đường dẫn tệp hình ảnh từ đối tượng kết quả trong vòng lặp dự đoán của bạn.

Lọc đối tượng trong dự đoán YOLO26

Vấn đề: Gặp vấn đề về cách lọc và chỉ hiển thị các đối tượng cụ thể trong kết quả dự đoán khi chạy YOLO26 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 bao gồm trong đầu ra. Ví dụ: để chỉ phát hiện ô tô (giả sử 'ô tô' có chỉ số lớp là 2):

yolo task=detect mode=segment model=yolo26n-seg.pt source='path/to/car.mp4' show=True classes=2

Hiểu các chỉ số Precision trong YOLO26

Vấn đề: Nhầm lẫn về sự khác biệt giữa box precision, mask precision và precision của confusion matrix trong YOLO26.

Giải pháp: Box precision đo lường độ chính xác của các bounding box được dự đoán so với các hộp ground truth thực tế bằng cách sử dụng IoU (Intersection over Union) làm thước đo. Mask precision đánh giá sự tương đồng giữa các mask phân đoạn được dự đoán và các mask ground truth theo phân loại đối tượng từng pixel. Ngược lại, precision 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 bounding box có thể chính xác về mặt hình học (true positive) ngay cả khi dự đoán lớp bị sai, dẫn đến sự khác biệt giữa box precision và precision của ma trận nhầm lẫn. Các chỉ số này đánh giá các khía cạnh khác nhau về hiệu suất của mô hình, phản ánh nhu cầu về các chỉ số đánh giá khác nhau trong các tác vụ khác nhau.

Trích xuất kích thước đối tượng trong YOLO26

Vấn đề: Khó khăn trong việc lấy chiều dài và chiều cao của các đối tượng được phát hiện trong YOLO26, đặc biệt là khi có nhiều đối tượng được phát hiện trong một hình ảnh.

Giải pháp: Để lấy kích thước bounding box, trước tiên hãy sử dụng mô hình Ultralytics YOLO26 để dự đoán các đối tượng trong hình ảnh. Sau đó, trích xuất thông tin chiều rộng và chiều cao của bounding box từ kết quả dự đoán.

from ultralytics import YOLO

# Load a pretrained YOLO26 model
model = YOLO("yolo26n.pt")

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

# Make predictions
results = model.predict(source, save=True, imgsz=320, conf=0.25)

# 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}")

Thách thức triển khai

Các vấn đề triển khai GPU

Vấn đề: Triển khai các mô hình trong môi trường đa GPU đôi khi có thể dẫn đến các hành vi bất ngờ như sử dụng bộ nhớ bất ngờ, 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 một GPU mặc định trước khi chuyển sang các GPU được chỉ định. Để bỏ qua các khởi tạo mặc định bất ngờ, 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 độ sử dụng GPU và 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 mới nhất của framework hoặc thư viện.

Các vấn đề chuyển đổi/xuất mô hình

Vấn đề: Trong quá trình chuyển đổi hoặc xuất các mô hình học máy sang các định dạng hoặc nền tảng khác nhau, người dùng có thể gặp lỗi hoặc hành vi bất ngờ.

Giải pháp:

Kiểm tra khả năng 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 bất ngờ trong quá trình chuyển đổi.
Đặt lại môi trường: Nếu bạn đang sử dụng 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. Một khởi đầu mới đôi khi có thể giải quyết các vấn đề cơ bản.
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 tốt nhất để xuất mô hình.
Hỗ trợ từ cộng đồng: Kiểm tra kho lưu trữ chính thức của thư viện hoặc framework để xem các vấn đề tương tự được báo cáo bởi những người dùng khác. Những người bảo trì hoặc cộng đồng có thể đã cung cấp các giải pháp hoặc cách giải quyết trong các luồng thảo luận.
Cập nhật thường xuyên: Đảm bảo rằng 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 sửa các lỗi đã biết hoặc cải thiện chức năng.
Kiểm tra tăng dần: Trước khi thực hiện chuyển đổi đầy đủ, hãy kiểm tra quy trình với một mô hình hoặc tập dữ liệu nhỏ hơn để xác định các vấn đề tiềm ẩn từ sớm.

Cộng đồng và Hỗ trợ

Tham gia vào cộng đồng những cá nhân cùng chí hướng có thể nâng cao đáng kể trải nghiệm và thành công của bạn khi làm việc với YOLO26. Dưới đây là một số kênh và tài nguyên bạn có thể thấy hữu ích.

Các diễn đàn và kênh hỗ trợ

GitHub Issues: Kho lưu trữ YOLO26 trên GitHub có một Issues tab nơi bạn có thể đặt câu hỏi, báo cáo lỗi và đề xuất các tính năng mới. Cộng đồng và các nhà phát triển luôn hoạt động tại đây, đây là một nơi tuyệt vời để nhận được trợ giúp cho các vấn đề cụ thể.

Máy chủ Discord của Ultralytics: Ultralytics có một Discord server 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 YOLO26 của Ultralytics: Tài liệu chính thức cung cấp cái nhìn tổng quan toàn diện về YOLO26, cùng với các hướng dẫn về cài đặt, sử dụng và khắc phục sự cố.

Những tài nguyên này sẽ cung cấp nền tảng vững chắc để khắc phục sự cố và cải thiện các dự án YOLO26 của bạn, cũng như kết nối với những người khác trong cộng đồng YOLO26.

Kết luận

Khắc phục sự cố là một phần không thể thiếu trong bất kỳ quy trình phát triển nào, và việc được trang bị kiến thức đúng đắn có thể giảm đáng kể thời gian và công sức bỏ ra để giải quyết vấn đề. Hướng dẫn này nhằm giải quyết các thách thức phổ biến nhất mà người dùng mô hình YOLO26 gặp phải trong hệ sinh thái Ultralytics. Bằng cách hiểu và giải quyết các 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 computer vision của mình.

Hãy nhớ rằng, cộng đồng Ultralytics là một tài nguyên quý giá. Việc tham gia cùng các nhà phát triển và chuyên gia khác có thể mang lại những hiểu biết và giải pháp bổ sung mà tài liệu tiêu chuẩn có thể không đề cập tới. Luôn học hỏi, thử nghiệm và chia sẻ kinh nghiệm của bạn để đóng góp vào tri thức chung của cộng đồng.

Câu hỏi thường gặp (FAQ)

Làm thế nào để tôi giải quyết các lỗi cài đặt với YOLO26?

Lỗi cài đặt thường do vấn đề tương thích hoặc thiếu phụ thuộc. Hãy đảm bảo bạn sử dụng Python 3.8 trở lên và đã cài đặt PyTorch 1.8 trở lên. Việc sử dụng môi trường ảo sẽ có lợi để tránh xung đột. Để có hướng dẫn cài đặt từng bước, hãy theo dõi hướng dẫn cài đặt chính thức của chúng tôi. Nếu bạn gặp lỗi khi import, hãy thử cài đặt lại hoặc cập nhật thư viện lên phiên bản mới nhất.

Tại sao mô hình YOLO26 của tôi huấn luyện chậm trên một GPU?

Việc huấn luyện trên một GPU có thể chậm do kích thước batch lớn hoặc bộ nhớ không đủ. Để tăng tốc độ huấn luyện, hãy sử dụng nhiều GPU. Đảm bảo hệ thống của bạn có nhiều GPU sẵn sàng và điều chỉnh tệp cấu hình .yaml để chỉ định số lượng GPU, ví dụ: gpus: 4. Tăng kích thước batch tương ứng để tận 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)

Làm thế nào để đảm bảo mô hình YOLO26 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 một GPU khả dụng. Để chỉ định rõ một GPU cụ thể, hãy đặt giá trị 'device' trong tệp cấu hình .yaml của bạn. Ví dụ:

device: 0

Điều này đặt quy trình huấn luyện vào GPU đầu tiên. Tham khảo lệnh nvidia-smi để xác nhận thiết lập CUDA của bạn.

Làm thế nào để tôi theo dõi tiến trình huấn luyện mô hình YOLO26?

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 Platform. Các công cụ này cho phép bạn ghi nhật ký và trực quan hóa các chỉ số như loss, precision, recall, và mAP. Việc triển khai early stopping dựa trên các chỉ số này cũng có thể giúp đạt được kết quả huấn luyện tốt hơn.

Tôi nên làm gì nếu YOLO26 không nhận dạng được định dạng tập dữ liệu của tôi?

Đảm bảo tập dữ liệu và nhãn của bạn tuân thủ định dạng mong đợi. Kiểm tra xem các chú thích (annotations) có chính xác và có chất lượng cao không. Nếu bạn gặp bất kỳ vấn đề nào, hãy tham khảo hướng dẫn Data Collection and Annotation để biết các phương pháp thực hành tốt nhất. Để biết thêm hướng dẫn cụ thể về tập dữ liệu, hãy kiểm tra phần Datasets trong tài liệu.

Contributors

GLglenn-jocher¹³ RIRizwanMunawar⁴ ARartest08¹ PDpderrenger¹ AKakdanz¹ Y-Y-T-G¹WIWillie Maddox¹LALaughing-q¹

Created 12 thg 11, 2023Updated tuần trước