Roboflow#

Roboflow cung cấp các công cụ để gắn nhãn dữ liệu và xuất tập dữ liệu ở nhiều định dạng khác nhau, bao gồm YOLO. Hướng dẫn này bao gồm việc gắn nhãn, xuất và triển khai dữ liệu cho các mô hình Ultralytics YOLO.

Hướng dẫn này minh họa cách tìm kiếm, gắn nhãn và tổ chức dữ liệu để huấn luyện một mô hình Ultralytics YOLO26 tùy chỉnh bằng cách sử dụng Roboflow.

• Thu thập dữ liệu để huấn luyện
• Gắn nhãn dữ liệu
• Quản lý tập dữ liệu
• Xuất dữ liệu
• Triển khai mô hình
• Đánh giá mô hình
• Câu hỏi thường gặp

Thu thập dữ liệu để huấn luyện một model YOLO26 tùy chỉnh#

Roboflow cung cấp hai dịch vụ chính để hỗ trợ thu thập dữ liệu cho các mô hình YOLO của Ultralytics: Universe và Collect. Để có thêm thông tin tổng quan về các chiến lược thu thập dữ liệu, hãy tham khảo Hướng dẫn Thu thập và Chú thích Dữ liệu của chúng tôi.

Roboflow Universe#

Roboflow Universe là một kho lưu trữ trực tuyến chứa các tập dữ liệu thị giác máy tính. Bạn có thể xuất các tập dữ liệu ở định dạng YOLO để sử dụng với các mô hình Ultralytics.

Roboflow Collect#

Nếu bạn muốn tự thu thập hình ảnh, Roboflow Collect là một dự án nguồn mở cho phép thu thập hình ảnh tự động qua webcam trên các thiết bị edge. Bạn có thể sử dụng văn bản hoặc hình ảnh làm gợi ý (prompt) để xác định dữ liệu cần thu thập, giúp chỉ nắm bắt những hình ảnh cần thiết cho model thị giác máy tính của bạn.

Tải lên, chuyển đổi và gán nhãn dữ liệu cho định dạng YOLO26#

Roboflow Annotate là một công cụ trực tuyến dùng để gắn nhãn hình ảnh cho các tác vụ thị giác máy tính khác nhau, bao gồm phát hiện đối tượng, phân loại và phân đoạn.

Để gắn nhãn dữ liệu cho mô hình Ultralytics YOLO, hãy tạo một dự án trong Roboflow, tải lên hình ảnh của bạn và bắt đầu chú thích.

Công cụ chú thích#

• Chú thích Hộp giới hạn: Nhấn B hoặc nhấp vào biểu tượng hộp. Nhấp và kéo để tạo hộp giới hạn. Một cửa sổ bật lên sẽ nhắc bạn chọn một lớp cho chú thích.
• Chú thích Đa giác: Được sử dụng cho phân đoạn thực thể. Nhấn P hoặc nhấp vào biểu tượng đa giác. Nhấp vào các điểm xung quanh đối tượng để vẽ hình đa giác.

Trợ lý gán nhãn (Tích hợp SAM)#

Roboflow tích hợp trình hỗ trợ gắn nhãn dựa trên Segment Anything Model (SAM) nhằm giúp tăng tốc độ chú thích.

Để sử dụng trợ lý gán nhãn, hãy nhấp vào biểu tượng con trỏ trong thanh bên. SAM sẽ được bật cho dự án của bạn.

Di chuột qua một đối tượng và SAM có thể gợi ý một chú thích. Nhấp để chấp nhận chú thích. Bạn có thể tinh chỉnh độ chính xác của chú thích bằng cách nhấp vào bên trong hoặc bên ngoài khu vực được gợi ý.

Gắn thẻ (Tagging)#

Bạn có thể thêm thẻ vào hình ảnh bằng bảng Tags trong thanh bên. Các thẻ có thể đại diện cho các thuộc tính như vị trí, nguồn camera, v.v. Những thẻ này cho phép bạn tìm kiếm các hình ảnh cụ thể và tạo các phiên bản tập dữ liệu chứa hình ảnh với các thẻ nhất định.

Hỗ trợ gán nhãn (Dựa trên model)#

Các model được lưu trữ trên Roboflow có thể được sử dụng với Label Assist để gợi ý các chú thích. Tải trọng số (weights) model YOLO của bạn lên Roboflow (xem hướng dẫn bên dưới), sau đó kích hoạt Label Assist thông qua biểu tượng cây đũa thần trong thanh bên.

Quản lý tập dữ liệu cho YOLO26#

Roboflow cung cấp một số công cụ để hiểu và quản lý các tập dữ liệu thị giác máy tính của bạn.

Tìm kiếm tập dữ liệu#

Sử dụng tính năng tìm kiếm tập dữ liệu để tìm hình ảnh dựa trên mô tả văn bản hoặc các nhãn/thẻ cụ thể. Truy cập tính năng này bằng cách nhấp vào "Dataset" trong thanh bên.

Kiểm tra tình trạng#

Trước khi huấn luyện, hãy sử dụng Roboflow Health Check để hiểu rõ về tập dữ liệu của bạn và xác định các cải tiến tiềm năng. Truy cập tính năng này qua liên kết "Health Check" trong thanh bên. Nó cung cấp số liệu thống kê về kích thước hình ảnh, sự cân bằng giữa các lớp (class balance), bản đồ nhiệt chú thích (annotation heatmaps), và nhiều thông tin khác.

Health Check có thể đề xuất các thay đổi để nâng cao hiệu suất, chẳng hạn như giải quyết tình trạng mất cân bằng lớp được xác định trong tính năng cân bằng lớp. Hiểu rõ tình trạng của tập dữ liệu là điều tối quan trọng để huấn luyện mô hình hiệu quả.

Tiền xử lý và tăng cường dữ liệu để tăng độ bền vững cho model#

Để xuất dữ liệu của bạn, bạn cần tạo một phiên bản tập dữ liệu, đây là bản chụp nhanh tập dữ liệu của bạn tại một thời điểm cụ thể. Nhấp vào "Versions" trong thanh bên, sau đó nhấp vào "Create New Version." Tại đây, bạn có thể áp dụng các bước tiền xử lý và tăng cường dữ liệu để có khả năng nâng cao độ bền vững của mô hình.

Đối với mỗi phép tăng cường được chọn, một cửa sổ bật lên cho phép bạn tinh chỉnh các tham số của nó chẳng hạn như độ sáng. Phép tăng cường phù hợp có thể cải thiện đáng kể khả năng tổng quát hóa của mô hình, một khái niệm quan trọng được thảo luận trong hướng dẫn mẹo huấn luyện mô hình của chúng tôi.

Xuất dữ liệu theo hơn 40 định dạng để huấn luyện model#

Sau khi phiên bản tập dữ liệu của bạn được tạo, bạn có thể xuất nó theo nhiều định dạng phù hợp cho việc huấn luyện model. Nhấp vào nút "Export Dataset" trên trang phiên bản.

Chọn định dạng "YOLO26" để tương thích với các chuỗi quy trình huấn luyện của Ultralytics. Bây giờ bạn đã sẵn sàng huấn luyện mô hình YOLO26 tùy chỉnh của mình. Tham khảo tài liệu Chế độ Train của Ultralytics để biết hướng dẫn chi tiết về cách bắt đầu huấn luyện với tập dữ liệu đã xuất của bạn.

Tải lên trọng số model YOLO26 tùy chỉnh để kiểm tra và triển khai#

Roboflow cung cấp một API có khả năng mở rộng cho các mô hình đã triển khai và các SDK tương thích với các thiết bị như NVIDIA Jetson, Luxonis OAK, Raspberry Pi và các hệ thống dựa trên GPU. Khám phá các tùy chọn triển khai mô hình khác nhau trong các hướng dẫn của chúng tôi.

Bạn có thể triển khai các mô hình YOLO26 bằng cách tải trọng số của chúng lên Roboflow bằng một tập lệnh Python đơn giản.

Tạo một tệp Python mới và thêm đoạn mã sau:

import roboflow  # install with 'pip install roboflow'

# Log in to Roboflow (requires API key)
roboflow.login()

# Initialize Roboflow client
rf = roboflow.Roboflow()

# Define your workspace and project details
WORKSPACE_ID = "your-workspace-id"  # Replace with your actual Workspace ID
PROJECT_ID = "your-project-id"  # Replace with your actual Project ID
VERSION = 1  # Replace with your desired dataset version number
MODEL_PATH = "path/to/your/runs/detect/train/"  # Replace with the path to your YOLO26 training results directory

# Get project and version
project = rf.workspace(WORKSPACE_ID).project(PROJECT_ID)
dataset = project.version(VERSION)

# Upload model weights for deployment
# Ensure MODEL_PATH points to the directory containing 'best.pt'
dataset.deploy(
    model_type="yolov8",
    model_path=MODEL_PATH,
)  # Note: Use "yolov8" as model_type for YOLO26 compatibility in Roboflow deployment

print(f"Model from {MODEL_PATH} uploaded to Roboflow project {PROJECT_ID}, version {VERSION}.")
print("Deployment may take up to 30 minutes.")

Trong mã này, hãy thay thế your-workspace-id, your-project-id, số VERSION và MODEL_PATH bằng các giá trị dành riêng cho tài khoản Roboflog, dự án và thư mục kết quả huấn luyện cục bộ của bạn. Đảm bảo MODEL_PATH trỏ đúng vào thư mục chứa tệp trọng số best.pt đã được huấn luyện của bạn.

Khi bạn chạy đoạn mã trên, bạn sẽ được yêu cầu xác thực (thường là qua API key). Sau đó, model của bạn sẽ được tải lên và một endpoint API sẽ được tạo cho dự án của bạn. Quá trình này có thể mất tới 30 phút để hoàn tất.

Để kiểm tra model của bạn và tìm hướng dẫn triển khai cho các SDK được hỗ trợ, hãy chuyển đến tab "Deploy" trong thanh bên của Roboflow. Ở đầu trang này, một widget sẽ xuất hiện cho phép bạn kiểm tra model bằng webcam hoặc bằng cách tải lên hình ảnh hoặc video.

Model đã tải lên của bạn cũng có thể được sử dụng làm trợ lý gán nhãn, gợi ý chú thích trên các hình ảnh mới dựa trên kết quả huấn luyện của nó.

Cách đánh giá model YOLO26#

Roboflow cung cấp các tính năng để đánh giá hiệu suất của mô hình. Hiểu rõ các chỉ số hiệu suất là rất quan trọng để cải tiến mô hình.

Sau khi tải model lên, hãy truy cập công cụ đánh giá model thông qua trang model trên bảng điều khiển Roboflow của bạn. Nhấp vào "View Detailed Evaluation."

Công cụ này hiển thị ma trận nhầm lẫn minh họa hiệu suất mô hình và biểu đồ phân tích véc-tơ tương tác sử dụng các embedding CLIP. Các tính năng này giúp xác định các khu vực cần cải thiện mô hình.

Cửa sổ bật lên của confusion matrix:

Di chuột qua các ô để xem giá trị và nhấp vào các ô để xem các hình ảnh tương ứng với dự đoán của model và dữ liệu ground truth.

Nhấp vào "Vector Analysis" để xem biểu đồ phân tán trực quan hóa sự tương đồng của hình ảnh dựa trên các embedding CLIP. Các hình ảnh nằm gần nhau hơn là tương đồng về mặt ngữ nghĩa. Các dấu chấm đại diện cho hình ảnh, có màu từ trắng (hiệu suất tốt) đến đỏ (hiệu suất kém).

Vector Analysis giúp:

• Xác định các cụm hình ảnh.
• Chỉ ra chính xác các cụm nơi model hoạt động kém.
• Hiểu các điểm chung giữa các hình ảnh gây ra hiệu suất kém.

Tài nguyên học tập#

• Huấn luyện YOLO trên một tập dữ liệu tùy chỉnh (Colab): Notebook Google Colab tương tác để huấn luyện trên dữ liệu của bạn.
• Tài liệu Ultralytics YOLO: Huấn luyện, xuất và triển khai các mô hình YOLO.
• Blog Ultralytics: Các bài viết về thị giác máy tính và huấn luyện mô hình.
• YouTube Ultralytics: Video hướng dẫn về cách huấn luyện và triển khai mô hình.

Câu hỏi thường gặp#