Link to this sectionRoboflow#

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

Hướng dẫn này minh họa cách tìm kiếm, gán nhãn và sắp xếp dữ liệu để huấn luyện mô hình Ultralytics YOLO26 tùy chỉnh bằng cách sử dụng Roboflow.

• Thu thập dữ liệu để huấn luyện
• Gán nhãn dữ liệu
• Quản lý tập dữ liệu
• Xuất dữ liệu
• Triển khai mô hình
• Đánh giá mô hình
• FAQ

Link to this sectionThu thập dữ liệu để huấn luyện mô hình YOLO26 tùy chỉnh#

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

Link to this sectionRoboflow Universe#

Roboflow Universe là một kho lưu trữ trực tuyến 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.

Link to this sectionRoboflow 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 gợi ý hình ảnh để chỉ định dữ liệu cần thu thập, giúp chỉ ghi lại những hình ảnh cần thiết cho mô hình thị giác của bạn.

Link to this sectionTải lên, Chuyển đổi và Gán nhãn Dữ liệu cho định dạng YOLO26#

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

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

Link to this sectionCông cụ Gán nhãn#

• Gán nhãn Bounding Box: Nhấn B hoặc nhấp vào biểu tượng hộp. Nhấp và kéo để tạo bounding box. Một cửa sổ bật lên sẽ nhắc bạn chọn lớp cho nhãn này.
• Gán nhãn Polygon: Dùng cho instance segmentation. Nhấn P hoặc nhấp vào biểu tượng đa giác. Nhấp vào các điểm xung quanh đối tượng để vẽ đa giác.

Link to this sectionTrợ lý Gán nhãn (Tích hợp SAM)#

Roboflow tích hợp trợ lý gán nhãn dựa trên Segment Anything Model (SAM) để giúp đẩy nhanh quá trình gán nhãn.

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

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

Link to this sectionGắn thẻ (Tagging)#

Bạn có thể thêm thẻ vào hình ảnh bằng bảng Tags trên thanh bên. Các thẻ có thể đại diện cho các thuộc tính như vị trí, nguồn camera, v.v. Các 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.

Link to this sectionLabel Assist (Dựa trên mô hình)#

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

Link to this sectionQuản lý Tập dữ liệu cho YOLO26#

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

Link to this sectionTìm 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" trên thanh bên.

Link to this sectionKiểm tra sức khỏe (Health Check)#

Trước khi huấn luyện, hãy sử dụng Roboflow Health Check để hiểu rõ hơn về tập dữ liệu của bạn và xác định các cải tiến tiềm năng. Truy cập qua liên kết "Health Check" trên thanh bên. Công cụ này cung cấp số liệu thống kê về kích thước hình ảnh, sự cân bằng lớp, bản đồ nhiệt gán nhãn và hơn thế nữa.

Health Check có thể gợi ý các thay đổi để tăng cường hiệu suất, chẳng hạn như xử lý sự mất cân bằng lớp được xác định trong tính năng cân bằng lớp. Hiểu được tình trạng tập dữ liệu là rất quan trọng để huấn luyện mô hình hiệu quả.

Link to this sectionTiền xử lý và Tăng cường Dữ liệu để tăng cường tính mạnh mẽ của mô hình#

Để xuất dữ liệu, bạn cần tạo một phiên bản tập dữ liệu, đây là bản chụp tập dữ liệu của bạn tại một thời điểm cụ thể. Nhấp vào "Versions" trên thanh bên, sau đó chọn "Create New Version." Tại đây, bạn có thể áp dụng các bước tiền xử lý và tăng cường dữ liệu để nâng cao tính mạnh mẽ của mô hình.

Với mỗi lựa chọn tăng cường, một cửa sổ bật lên cho phép bạn tinh chỉnh các tham số của nó như độ sáng. Việc tăng cường đúng cách có thể cải thiện đáng kể khả năng tổng quát hóa của mô hình, một khái niệm chính được thảo luận trong hướng dẫn mẹo huấn luyện mô hình của chúng tôi.

Link to this sectionXuất dữ liệu theo 40+ định dạng để huấn luyện mô hình#

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

Chọn định dạng "YOLO26" để tương thích với các 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.

Link to this sectionTải trọng số mô hình YOLO26 tùy chỉnh để kiểm tra và triển khai#

Roboflow cung cấp API có thể 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 nhiều tùy chọn triển khai mô hình 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 cụ thể cho tài khoản Roboflow, dự án 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 của bạn.

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

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

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

Link to this sectionCách đánh giá mô hình YOLO26#

Roboflow cung cấp các tính năng để đánh giá hiệu suất mô hình. Hiểu các số liệu hiệu suất là rất quan trọng để lặp lại mô hình.

Sau khi tải lên mô hình, hãy truy cập công cụ đánh giá mô hình qua trang mô hình của bạn trên bảng điều khiển Roboflow. 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 vectơ tương tác sử dụng các nhúng CLIP. Các tính năng này giúp xác định các khu vực cần cải thiện mô hình.

Cửa sổ bật lên ma trận nhầm lẫn:

Di chuột qua các ô để xem giá trị và nhấp vào các ô để xem hình ảnh tương ứng với các dự đoán của mô hình và dữ liệu thực tế.

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

Vector Analysis giúp:

• Xác định các cụm hình ảnh.
• Xác định chính xác các cụm mà mô hình hoạt động kém.
• Hiểu những điểm chung giữa các hình ảnh gây ra hiệu suất kém.

Link to this sectionTài nguyên học tập#

• Huấn luyện YOLO trên 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: Các hướng dẫn video về huấn luyện và triển khai mô hình.

Link to this sectionCâu hỏi thường gặp#

Link to this sectionLàm thế nào để tôi gán nhãn dữ liệu cho các mô hình YOLO26 bằng Roboflow?#

Sử dụng Roboflow Annotate. Tạo một dự án, tải hình ảnh lên và sử dụng các công cụ gán nhãn (B cho bounding boxes, P cho đa giác) hoặc trợ lý gán nhãn dựa trên SAM để gán nhãn nhanh hơn. Các bước chi tiết có sẵn trong phần Tải lên, Chuyển đổi và Gán nhãn Dữ liệu.

Link to this sectionRoboflow cung cấp những dịch vụ gì để thu thập dữ liệu huấn luyện YOLO26?#

Roboflow cung cấp Universe (quyền truy cập vào vô số tập dữ liệu) và Collect (thu thập hình ảnh tự động qua webcam). Những dịch vụ này có thể giúp thu thập dữ liệu huấn luyện cần thiết cho mô hình YOLO26 của bạn, bổ sung cho các chiến lược được nêu trong Hướng dẫn Thu thập Dữ liệu của chúng tôi.

Link to this sectionLàm thế nào tôi có thể quản lý và phân tích tập dữ liệu YOLO26 của mình bằng Roboflow?#

Tận dụng các tính năng tìm kiếm, gắn thẻ và Health Check của Roboflow. Tìm kiếm giúp tìm hình ảnh theo văn bản hoặc thẻ, trong khi Health Check phân tích chất lượng tập dữ liệu (cân bằng lớp, kích thước hình ảnh, v.v.) để hướng dẫn cải thiện trước khi huấn luyện. Xem phần Quản lý Tập dữ liệu để biết chi tiết.

Link to this sectionLàm thế nào để tôi xuất tập dữ liệu YOLO26 từ Roboflow?#

Tạo phiên bản tập dữ liệu trong Roboflow, áp dụng tiền xử lý và tăng cường mong muốn, sau đó nhấp vào "Export Dataset" và chọn định dạng YOLO26. Quá trình này được nêu trong phần Xuất dữ liệu. Điều này giúp chuẩn bị dữ liệu của bạn để sử dụng với các quy trình huấn luyện của Ultralytics.

Link to this sectionLàm thế nào tôi có thể tích hợp và triển khai các mô hình YOLO26 với Roboflow?#

Tải trọng số YOLO26 đã huấn luyện của bạn lên Roboflow bằng tập lệnh Python được cung cấp. Điều này tạo ra một điểm cuối API có thể triển khai. Tham khảo phần Tải lên Trọng số Tùy chỉnh để biết tập lệnh và hướng dẫn. Khám phá thêm các tùy chọn triển khai trong tài liệu của chúng tôi.