Roboflow#

Roboflow cung cấp các công cụ gán nhãn dữ liệu và xuất dataset ở nhiều định dạng, bao gồm YOLO. Hướng dẫn này trình bày cách gán nhãn, xuất và triển khai dữ liệu cho các model Ultralytics YOLO.

Hướng dẫn này trình bày cách tìm kiếm, gán nhãn và sắp xếp dữ liệu để huấn luyện một model Ultralytics YOLO26 tùy chỉnh bằng Roboflow.

• Thu thập dữ liệu để huấn luyện
• Gán nhãn dữ liệu
• Quản lý dataset
• Xuất dữ liệu
• Triển khai model
• Đánh giá model
• Câu hỏi thường gặp

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

Roboflow cung cấp hai dịch vụ chính hỗ trợ thu thập dữ liệu cho model YOLO của Ultralytics: Universe và Collect. Để biết thông tin tổng quan hơn về các chiến lược thu thập dữ liệu, hãy tham khảo Hướng dẫn thu thập và chú giải dữ liệu.

Roboflow Universe#

Roboflow Universe là kho lưu trữ trực tuyến các dataset thị giác máy tính. Bạn có thể xuất dataset sang định dạng YOLO để sử dụng với các model Ultralytics.

Roboflow Collect#

Nếu muốn tự thu thập hình ảnh, Roboflow Collect là một project nguồn mở cho phép tự động thu thập hình ảnh qua webcam trên các thiết bị biên. Bạn có thể dùng prompt dạng văn bản hoặc hình ảnh để chỉ định dữ liệu cần thu thập, giúp chỉ ghi lại những hình ảnh cần thiết cho model thị giác máy tính.

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

Roboflow Annotate là công cụ trực tuyến để gán nhãn hình ảnh cho nhiều tác vụ thị giác máy tính, bao gồm phát hiện đối tượng, phân loại và phân đoạn.

Để gán nhãn dữ liệu cho một model YOLO của Ultralytics, hãy tạo project trong Roboflow, tải hình ảnh lên rồi bắt đầu chú giải.

Công cụ gán nhãn#

• Chú giải 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 lớp cho phần chú giải.
• Chú giải đa giác: Dùng cho phân đoạn từng đối tượng. Nhấn P hoặc nhấp vào biểu tượng đa giác. Nhấp vào các điểm quanh đối tượng để vẽ đa giác.

Trợ lý gán nhãn (tích hợp SAM)#

Roboflow tích hợp một trợ lý gán nhãn dựa trên Mô hình phân đoạn mọi thứ (SAM) để có thể tăng tốc quá trình chú giải.

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

Di chuột qua một đối tượng; SAM có thể đề xuất phần chú giải. Nhấp để chấp nhận phần chú giải. Bạn có thể tinh chỉnh độ cụ thể của phần chú giải bằng cách nhấp vào bên trong hoặc bên ngoài vùng được đề xuất.

Gắn thẻ#

Bạn có thể thêm thẻ cho hình ảnh bằng bảng Tags trong thanh bên. Thẻ có thể biểu thị các thuộc tính như vị trí, nguồn camera, v.v. Các thẻ này cho phép bạn tìm kiếm hình ảnh cụ thể và tạo phiên bản dataset gồm các hình ảnh có thẻ nhất định.

Label Assist (dựa trên model)#

Có thể sử dụng các model được lưu trữ trên Roboflow cùng Label Assist để đề xuất phần chú giải. Tải trọng số model YOLO lên Roboflow (xem hướng dẫn bên dưới), sau đó bật Label Assist bằng biểu tượng cây đũa thần trong thanh bên.

Quản lý dataset cho YOLO26#

Roboflow cung cấp một số công cụ để tìm hiểu và quản lý dataset thị giác máy tính.

Tìm kiếm dataset#

Dùng tính năng tìm kiếm dataset để tìm hình ảnh dựa trên mô tả văn bản hoặc 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 dùng Roboflow Health Check để hiểu rõ hơn về dataset và xác định những điểm có thể cải thiện. Truy cập tính năng này qua liên kết "Health Check" trong thanh bên. Tính năng này cung cấp thống kê về kích thước hình ảnh, mức độ cân bằng lớp, bản đồ nhiệt chú giải, v.v.

Health Check có thể đề xuất các thay đổi để cải thiện hiệu suất, chẳng hạn như xử lý tình trạng mất cân bằng lớp được phát hiện trong tính năng cân bằng lớp. Hiểu rõ tình trạng dataset là yếu tố thiết yếu để huấn luyện model hiệu quả.

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

Để xuất dữ liệu, bạn cần tạo một phiên bản dataset, tức ảnh chụp dataset tại một thời điểm cụ thể. Nhấp vào "Versions" trong thanh bên, sau đó chọn "Create New Version". Tại đây, bạn có thể áp dụng các bước tiền xử lý và phép tăng cường dữ liệu để có thể cải thiện độ bền vững của model.

Với mỗi phép tăng cường được chọn, một cửa sổ bật lên cho phép bạn tinh chỉnh các tham số như độ sáng. Tăng cường phù hợp có thể cải thiện đáng kể khả năng tổng quát hóa của model, một khái niệm quan trọng được trình bày trong hướng dẫn mẹo huấn luyện model.

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

Sau khi tạo phiên bản dataset, bạn có thể xuất phiên bản đó ở nhiều định dạng phù hợp để huấn luyện model. Nhấp vào nút "Export Dataset" trên trang phiên bản.

Chọn định dạng "YOLO26" để tương thích với các pipeline huấn luyện của Ultralytics. Giờ đây, bạn đã sẵn sàng huấn luyện model YOLO26 tùy chỉnh. Tham khảo tài liệu chế độ Train của Ultralytics để biết hướng dẫn chi tiết về cách bắt đầu huấn luyện bằng dataset đã xuất.

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

Roboflow cung cấp API có khả năng mở rộng cho các model đã triển khai và SDK tương thích với những thiết bị như NVIDIA Jetson, Luxonis OAK, Raspberry Pi và các hệ thống dùng GPU. Khám phá nhiều tùy chọn triển khai model trong hướng dẫn của chúng tôi.

Bạn có thể triển khai model YOLO26 bằng cách tải trọng số lên Roboflow thông qua 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 đoạn mã này, thay your-workspace-id, your-project-id, số VERSION và MODEL_PATH bằng các giá trị tương ứng với tài khoản Roboflow, project và thư mục kết quả huấn luyện cục bộ của bạn. Đảm bảo MODEL_PATH trỏ chính xác đến thư mục chứa tệp trọng số best.pt đã huấn luyện.

Khi chạy đoạn mã trên, bạn sẽ được yêu cầu xác thực (thường bằng API key). Sau đó, model của bạn sẽ được tải lên và một endpoint API sẽ được tạo cho project. Quá trình này có thể mất đến 30 phút.

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

Model đã tải lên cũng có thể được dùng làm trợ lý gán nhãn, đề xuất chú giải cho hình ảnh mới dựa trên dữ liệu huấn luyện của model.

Cách đánh giá model YOLO26#

Roboflow cung cấp các tính năng đánh giá hiệu suất model. Hiểu rõ chỉ số hiệu suất là yếu tố thiết yếu để cải tiến model.

Sau khi tải model lên, hãy truy cập công cụ đánh giá model từ trang model trên dashboard Roboflow. Nhấp vào "View Detailed Evaluation".

Công cụ này hiển thị ma trận nhầm lẫn minh họa hiệu suất model và biểu đồ phân tích vector tương tác sử dụng embedding CLIP. Các tính năng này giúp xác định những điểm cần cải thiện ở model.

Cửa sổ bật lên ma trận nhầm lẫn:

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

Nhấp vào "Vector Analysis" để xem biểu đồ phân tán trực quan hóa độ tương đồng giữa các hình ảnh dựa trên embedding CLIP. Các hình ảnh nằm gần nhau có ý nghĩa ngữ nghĩa tương tự. Các chấm biểu thị hình ảnh, với màu chuyển từ trắng (hiệu suất tốt) sang đỏ (hiệu suất kém).

Phân tích vector giúp:

• Xác định các cụm hình ảnh.
• Xác định các cụm mà model có hiệu suất kém.
• Tìm hiểu các điểm chung giữa những hình ảnh khiến model hoạt động kém.

Tài liệu học tập#

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

Câu hỏi thường gặp#