Meet YOLO26: next-gen vision AI.

Link to this sectionKhắc phục sự cố thường gặp với YOLO#

YOLO common training and deployment issues

Link to this sectionGiới 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 trên các dự án Ultralytics của bạn. Việc giải quyết các vấn đề này sẽ trở nên dễ dàng hơn với hướng dẫn phù hợp, đảm bảo dự án của bạn luôn đi đúng hướng mà không bị chậm trễ không đáng có.



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

Link to this sectionCác Vấn đề Thường gặp#

Link to this sectionLỗi cài đặt#

Lỗi cài đặt có thể phát sinh do nhiều lý do như phiên bản không tương thích, thiếu các thành phần phụ thuộc (dependencies) hoặc thiết lập môi trường không chính xác. Trước tiên, hãy kiểm tra để đảm bảo bạn đang thực hiện các bước sau:

  • Bạn đang sử dụng Python 3.8 hoặc mới hơn theo khuyến nghị.
  • Đảm bảo bạn đã cài đặt phiên bản PyTorch chính xác (1.8 hoặc mới hơn).
  • Cân nhắc sử dụng môi trường ảo để tránh xung đột.
  • Thực hiện theo hướng dẫn cài đặt chính thức từng bước một.

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

  • Lỗi Import hoặc sự cố về Dependency - Nếu bạn gặp lỗi trong quá trình import YOLO26 hoặc gặp sự cố liên quan đến các dependency, hãy cân nhắc các bước khắc phục sau:

    • Cài đặt mới: Đôi khi, bắt đầu bằng một bản cài đặt mới có thể giải quyết các vấn đề không mong muốn. Đặc biệt với các thư viện như Ultralytics, nơi các bản cập nhật có thể thay đổi 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 lỗi tiềm ẩn.

    • Kiểm tra Dependency: Xác minh rằng tất cả các dependency bắt buộc đã được cài đặt đúng và ở các 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 changelog để hiểu bất kỳ thay đổi lớn nào.

    • Hãy nhớ rằng, việc giữ cho các thư viện và dependency luôn cập nhật là rất quan trọng để có trải nghiệm mượt mà và không bị lỗi.

  • Chạy YOLO26 trên GPU - Nếu bạn gặp khó khăn khi chạy YOLO26 trên GPU, hãy cân nhắc các bước khắc phục 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 đúng cách. Sử dụng lệnh nvidia-smi để kiểm tra trạng thái 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 trả về 'True', PyTorch đã được thiết lập để sử dụng CUDA.

    • Kiểm tra khả năng tương thích 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 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 giữ chúng luôn cập nhật.

    • Cấu hình chương trình: Kiểm tra xem chương trình hoặc code có chỉ định sử dụng GPU hay không. Trong YOLO26, điều này có thể nằm trong phần cài đặt hoặc cấu hình.

Link to this sectionSự cố khi huấn luyện mô hình#

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

Link to this sectionXác minh các thiết lập cấu hình#

Sự cố: Bạn không chắc liệu các thiết lập cấu hình trong tệp .yaml có được áp dụng đúng trong khi huấn luyện mô hình hay không.

Giải pháp: Các thiết lập cấu hình trong tệp .yaml sẽ được áp dụng khi sử dụng hàm model.train(). Để đảm bảo các thiết lập này được áp dụng đúng, hãy thực hiện các bước sau:

  • Xác nhận rằng đường dẫn đến tệp cấu hình .yaml của bạn là chính xác.

  • Đảm bảo bạn truyền đường dẫn tệp .yaml dưới dạng đối số data khi gọi model.train(), như hiển thị bên dưới:

    model.train(data="/path/to/your/data.yaml", batch=4)

Link to this sectionTăng tốc huấn luyện với nhiều GPU#

Sự cố: Quá trình huấn luyện diễn ra chậm trên một GPU đơn lẻ và bạn muốn tăng tốc quy trình bằng cách sử dụng nhiều GPU.

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

  • Đảm bảo rằng bạn có sẵn nhiều GPU.

  • Đặt đối số device thành danh sách các chỉ mục GPU, ví dụ: device=[0,1,2,3].

  • Tăng batch size phù hợp để tận dụng tối đa nhiều GPU mà không vượt quá giới hạn bộ nhớ.

  • Sửa đổi lệnh huấn luyện của bạn để tận 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, device=[0, 1, 2, 3])

Link to this sectionThông số giám sát liên tục#

Sự cố: Bạn muốn biết những thông 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 cũng rất cần thiết để theo dõi các chỉ số khác nhằm tối ưu hóa hiệu suất mô hình. Một số chỉ số chính cần theo dõi trong khi huấn luyện bao gồm:

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.

Link to this sectionCông cụ theo dõi tiến trình huấn luyện#

Sự cố: 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 phong phú 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 nền tảng toàn diện để quản lý chỉ số, bộ dữ liệu và thậm chí cộng tác với nhóm của bạn. Với sự tập trung 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 nhu cầu cụ thể của dự án khi đưa ra lựa chọn.

Link to this sectionCách kiểm tra xem quá trình huấn luyện có đang diễn ra trên GPU hay không#

Sự cố: 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 thiết lập để tự động sử dụng GPU khả dụng, 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 mình:

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 giám sát tiến trình huấn luyện một cách hiệu quả.

Link to this sectionCác cân nhắc chính để huấn luyện mô hình hiệu quả#

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

Định dạng bộ 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 huấn luyện.
  • Khuyến nghị: Đảm bảo bộ dữ liệu tùy chỉnh của bạn và các nhãn liên quan tuân thủ đúng định dạng mong đợi. Điều quan trọng là phải xác minh rằng các chú thích (annotations) là chính xác và có chất lượng cao. Các chú thích không chính xác hoặc kém chất lượng có thể làm trật bánh quá trình học tập của mô hình, dẫn đến những kết quả khó lường.

Sự hội tụ của mô hình

  • Tầm quan trọng: Việc đạt được sự hội tụ của mô hình đảm bảo rằng mô hình đã học đầy đủ từ dữ liệu huấn luyện.
  • Khuyến nghị: Khi huấn luyện một 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 epoch hơn so với khi bạn tinh chỉnh một mô hình đã có sẵn.

Learning Rate và Batch Size

  • Tầm quan trọng: Các siêu tham số này đóng vai trò then chốt 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 bộ dữ liệu cụ thể của bạn hay không. Các tham số không hài hòa với đặc điểm của bộ 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 bộ 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 các lớp trong bộ dữ liệu của bạn. Nếu có sự mất cân bằng giữa các lớp, có nguy cơ mô hình sẽ phát triển thiên kiến đối với lớp phổ biến hơn. Thiên kiến này có thể thấy rõ trong confusion matrix, nơi mô hình có thể dự đoán chủ yếu lớp chiếm đa số.

Kiểm tra chéo với trọng số đã huấn luyện sẵn (Pretrained Weights)

  • Tầm quan trọng: Tận dụng các trọng số đã huấn luyện sẵn có thể cung cấp điểm khởi đầu vững chắc cho việc huấn luyện mô hình, đặc biệt là khi dữ liệu hạn chế.
  • Khuyến nghị: Là một bước chẩn đoán, hãy cân nhắc huấn luyện mô hình của bạn bằng cùng dữ liệu nhưng khởi tạo nó với các trọng số đã huấn luyện sẵn. Nếu cách tiếp cận này tạo ra một confusion matrix được hình thành tốt, điều đó có thể cho thấy mô hình 'từ đầu' có thể cần huấn luyện hoặc điều chỉnh thêm.

Link to this sectionCác 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.

Link to this sectionNhận dự đoán Bounding Box với mô hình YOLO26 tùy chỉnh của bạn#

Sự cố: 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 chúng sang tọa độ tương đối (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 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 lấy tên tệp của hình ảnh bạn đang dự đoán, hãy truy cập trực tiếp đường dẫn tệp hình ảnh từ đối tượng kết quả trong vòng lặp dự đoán của bạn.

Link to this sectionLọc các đối tượng trong dự đoán YOLO26#

Sự cố: Gặp sự cố 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 mục lớp là 2):

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

Link to this sectionHiểu về các chỉ số Precision trong YOLO26#

Sự cố: Nhầm lẫn về sự khác biệt giữa box precision, mask precision và độ chính xác 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 chỉ số. Mask precision đánh giá sự đồng nhất giữa các mask phân đoạn được dự đoán và các mask ground truth trong phân loại đối tượng theo pixel. Ngược lại, precision của confusion matrix 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 confusion matrix. 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.

Link to this sectionTrích xuất kích thước đối tượng trong YOLO26#

Sự cố: Khó khăn trong việc truy xuất 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 truy xuất 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 các 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}")

Link to this sectionThách thức triển khai#

Link to this sectionSự cố triển khai GPU#

Sự cố: Triển khai mô hình trong môi trường đa GPU đôi khi có thể dẫn đến các hành vi không mong muốn như mức sử dụng bộ nhớ bất thường, kết quả không nhất quán giữa các GPU, v.v.

Giải pháp: Kiểm tra khởi tạo GPU mặc định. Một số framework, như PyTorch, có thể khởi tạo các thao tác CUDA trên một GPU mặc định trước khi chuyển sang các GPU được chỉ định. Để bỏ qua các khởi tạo mặc định không mong muốn, hãy chỉ định GPU trực tiếp trong quá trình triển khai và dự đoán. Sau đó, sử dụng các công cụ để giám sát mức sử dụng GPU và mức sử dụng bộ nhớ để xác định bất kỳ điểm 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.

Link to this sectionSự cố chuyển đổi/xuất mô hình#

Sự cố: Trong quá trình chuyển đổi hoặc xuất các mô hình machine learning sang các định dạng hoặc nền tảng khác, người dùng có thể gặp lỗi hoặc 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.
  • 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 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 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 thực tiễn 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 do những người dùng khác báo cáo. Những người duy trì hoặc cộng đồng có thể đã cung cấp các giải pháp hoặc cách giải quyết trong các chủ đề 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 giúp sửa các lỗi đã biết hoặc cải thiện chức năng.
  • Kiểm tra tăng dần: Trước khi thực hiện chuyển đổi toàn bộ, hãy kiểm tra quy trình với một mô hình hoặc bộ dữ liệu nhỏ hơn để xác định các vấn đề tiềm ẩn từ sớm.

Link to this sectionCộng đồng và hỗ trợ#

Việc tham gia vào một cộng đồng gồm 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.

Link to this sectionCác diễn đàn và kênh để nhận 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 bảo trì rất tích cực tại đây, và đây là một nơi tuyệt vời để nhận trợ giúp về 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.

Link to this sectionTài 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 một 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.

Link to this sectionKết 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 các 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 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 computer vision của mình.

Hãy nhớ rằng, cộng đồng Ultralytics là một tài nguyên quý giá. Việc tương tác với các nhà phát triển và chuyên gia khác có thể cung cấp thêm thông tin chi tiết và các giải pháp mà có thể không được đề cập trong tài liệu tiêu chuẩn. Hãy luôn tiếp tục học hỏi, thử nghiệm và chia sẻ kinh nghiệm của bạn để đóng góp vào tri thức chung của cộng đồng.

Link to this sectionCâu hỏi thường gặp#

Link to this sectionLàm thế nào để tôi giải quyết các lỗi cài đặt với YOLO26?#

Lỗi cài đặt thường có thể do các 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 các môi trường ảo là rất hữu ích 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 import, hãy thử cài đặt mới hoặc cập nhật thư viện lên phiên bản mới nhất.

Link to this sectionTại sao mô hình YOLO26 của tôi đào tạo chậm trên một GPU?#

Quá trình đào tạo trên một GPU có thể chậm do kích thước batch lớn hoặc bộ nhớ không đủ. Để tăng tốc độ đào tạo, hãy sử dụng nhiều GPU. Đảm bảo hệ thống của bạn có nhiều GPU khả dụng và đặt đối số device, ví dụ: device=[0,1,2,3]. Tăng kích thước batch tương ứng để tận dụng tối đa GPU mà không vượt quá giới hạn bộ nhớ. Lệnh ví dụ:

model.train(data="/path/to/your/data.yaml", batch=32, device=[0, 1, 2, 3])

Link to this sectionLàm thế nào để tôi đảm bảo mô hình YOLO26 của mình đang đào tạo trên GPU?#

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

device: 0

Lệnh này đặt quy trình đào tạo vào GPU đầu tiên. Hãy tham khảo lệnh nvidia-smi để xác nhận thiết lập CUDA của bạn.

Link to this sectionLàm thế nào để tôi giám sát và theo dõi tiến độ đào tạo mô hình YOLO26?#

Việc theo dõi và trực quan hóa tiến độ đào tạo 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 lại và trực quan hóa các chỉ số như loss, precision, recall và mAP. Việc thực hiện early stopping dựa trên các chỉ số này cũng có thể giúp đạt được kết quả đào tạo tốt hơn.

Link to this sectionTôi nên làm gì nếu YOLO26 không nhận diện được định dạng tập dữ liệu của tôi?#

Đảm bảo tập dữ liệu và nhãn của bạn tuân thủ định dạng dự kiến. Xác minh rằng các chú thích chính xác và có chất lượng cao. 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 có thêm hướng dẫn cụ thể về tập dữ liệu, hãy kiểm tra phần Datasets trong tài liệu.

Người đóng góp
GLglenn-jocher14RIRizwanMunawar4ARartest081PDpderrenger1AKakdanz1Y-Y-T-G1WIWillie Maddox1LALaughing-q1

Bình luận