YOLO Vision 2026:

Các chế độ trong Ultralytics YOLO26#

Ultralytics YOLO ecosystem and integrations

Giới thiệu#

Ultralytics YOLO26 không chỉ đơn thuần là một mô hình phát hiện đối tượng; đây là một framework đa năng được thiết kế để bao trùm toàn bộ vòng đời của các mô hình machine learning—từ khâu nạp dữ liệu và huấn luyện mô hình đến kiểm định, triển khai và theo dõi trong thế giới thực. Mỗi chế độ phục vụ một mục đích cụ thể và được thiết kế nhằm mang lại cho bạn sự linh hoạt cũng như hiệu suất cần thiết cho các tác vụ và trường hợp sử dụng khác nhau.



Watch: Ultralytics Modes Tutorial: Train, Validate, Predict, Export & Benchmark.

Tổng quan về các chế độ#

Hiểu rõ các chế độ khác nhau mà Ultralytics YOLO26 hỗ trợ là điều tối quan trọng để tận dụng tối đa các model của bạn:

  • Train (Huấn luyện): Tinh chỉnh (fine-tune) model của bạn trên các tập dữ liệu tùy chỉnh hoặc có sẵn.
  • Val (Xác thực): Điểm kiểm tra sau huấn luyện để xác thực hiệu suất của model.
  • Predict (Dự đoán): Giải phóng sức mạnh dự đoán của model trên dữ liệu thực tế.
  • Chế độ Export: Giúp model deployment sẵn sàng ở nhiều định dạng khác nhau.
  • Track (Theo dõi): Mở rộng model phát hiện đối tượng của bạn sang các ứng dụng theo dõi thời gian thực.
  • Benchmark (Đánh giá): Phân tích tốc độ và độ chính xác của model trong các môi trường triển khai đa dạng.

Hướng dẫn toàn diện này nhằm cung cấp cho bạn cái nhìn tổng quan và những hiểu biết thực tế về từng chế độ, giúp bạn khai thác tối đa tiềm năng của YOLO26.

Train#

Chế độ Train được sử dụng để huấn luyện một model YOLO26 trên tập dữ liệu tùy chỉnh. Ở chế độ này, model được huấn luyện bằng cách sử dụng tập dữ liệu và các siêu tham số (hyperparameters) được chỉ định. Quá trình huấn luyện bao gồm việc tối ưu hóa các tham số của model để nó có thể dự đoán chính xác các lớp (classes) và vị trí của các đối tượng trong ảnh. Huấn luyện là bước thiết yếu để tạo ra các model có khả năng nhận diện các đối tượng cụ thể phù hợp với ứng dụng của bạn.

Ví dụ huấn luyện

Val#

Chế độ Val được sử dụng để kiểm định mô hình YOLO26 sau khi đã được huấn luyện. Trong chế độ này, mô hình được đánh giá trên tập kiểm định để đo lường độ chính xác và hiệu suất tổng quát hóa. Việc kiểm định giúp xác định các vấn đề tiềm ẩn như overfitting và cung cấp các metrics như mean Average Precision (mAP) để định lượng hiệu suất của mô hình. Chế độ này đóng vai trò quan trọng trong việc tinh chỉnh các siêu tham số và cải thiện hiệu quả tổng thể của mô hình.

Ví dụ đánh giá

Predict#

Chế độ Predict được sử dụng để thực hiện dự đoán bằng cách sử dụng model YOLO26 đã huấn luyện trên các ảnh hoặc video mới. Ở chế độ này, model được tải từ file checkpoint và người dùng có thể cung cấp ảnh hoặc video để thực hiện suy luận (inference). Model xác định và định vị các đối tượng trong phương tiện đầu vào, giúp sẵn sàng cho các ứng dụng thực tế. Chế độ Predict là cánh cửa để áp dụng model đã huấn luyện của bạn vào việc giải quyết các bài toán thực tiễn.

Ví dụ dự đoán

Export#

Chế độ Export được sử dụng để chuyển đổi một model YOLO26 sang các định dạng phù hợp để triển khai trên nhiều nền tảng và thiết bị khác nhau. Chế độ này chuyển đổi model PyTorch của bạn sang các định dạng được tối ưu hóa như ONNX, TensorRT hoặc CoreML, cho phép triển khai trong môi trường sản xuất. Việc xuất model là điều cần thiết để tích hợp model của bạn với các ứng dụng phần mềm hoặc thiết bị phần cứng khác nhau, thường mang lại hiệu suất cải thiện đáng kể.

Ví dụ xuất

Track#

Chế độ Track mở rộng khả năng phát hiện đối tượng của YOLO26 để theo dõi các đối tượng qua các khung hình video hoặc luồng trực tiếp. Chế độ này đặc biệt có giá trị đối với các ứng dụng yêu cầu nhận dạng đối tượng liên tục, chẳng hạn như hệ thống giám sát hoặc xe tự lái. Nó bao gồm sáu bộ theo dõi: TrackTrack (mặc định), BoT-SORT, ByteTrack, OC-SORT, Deep OC-SORT và FastTracker.

Ví dụ theo dõi

Benchmark#

Chế độ Benchmark lập hồ sơ về tốc độ và độ chính xác của các định dạng xuất khác nhau cho YOLO26. Chế độ này cung cấp các metrics toàn diện về kích thước mô hình, độ chính xác (mAP50-95 cho các tác vụ phát hiện hoặc accuracy_top1 cho phân loại) và thời gian suy luận trên các định dạng khác nhau như ONNX, OpenVINO và TensorRT. Quá trình benchmark giúp bạn lựa chọn định dạng xuất tối ưu dựa trên các yêu cầu cụ thể của bạn về tốc độ và độ chính xác trong môi trường triển khai.

Ví dụ kiểm tra hiệu năng

Câu hỏi thường gặp#

  • Huấn luyện một mô hình phát hiện đối tượng tùy chỉnh với Ultralytics YOLO26 đòi hỏi việc sử dụng chế độ train. Bạn cần một tập dữ liệu được định dạng theo YOLO format, bao gồm các hình ảnh và các tệp chú thích tương ứng. Sử dụng câu lệnh sau để bắt đầu quá trình huấn luyện:

    Ví dụ
    from ultralytics import YOLO

# Load a pretrained YOLO model (you can choose n, s, m, l, or x versions)
model = YOLO("yolo26n.pt")

# Start training on your custom dataset
model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)

    Để biết thêm hướng dẫn chi tiết, bạn có thể tham khảo Ultralytics Train Guide.

  • Ultralytics YOLO26 sử dụng nhiều chỉ số khác nhau trong quá trình xác thực để đánh giá hiệu suất của model. Chúng bao gồm:

    • mAP (mean Average Precision): Chỉ số này đánh giá độ chính xác của việc phát hiện đối tượng.
    • IOU (Intersection over Union): Đo lường mức độ chồng lấp giữa các khung hình dự đoán (predicted bounding boxes) và ground truth bounding boxes.
    • Precision và Recall: Precision đo lường tỷ lệ các phát hiện dương tính đúng trên tổng số dương tính được phát hiện, trong khi recall đo lường tỷ lệ các phát hiện dương tính đúng trên tổng số dương tính thực tế.

    Bạn có thể chạy lệnh sau để bắt đầu xác thực:

    Ví dụ
    from ultralytics import YOLO

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

# Run validation on your dataset
model.val(data="path/to/validation.yaml")

    Tham khảo Validation Guide để biết thêm chi tiết.

  • Ultralytics YOLO26 cung cấp tính năng xuất để chuyển đổi model đã huấn luyện của bạn sang nhiều định dạng triển khai khác nhau như ONNX, TensorRT, CoreML, v.v. Sử dụng ví dụ sau để xuất model của bạn:

    Ví dụ
    from ultralytics import YOLO

# Load your trained YOLO model
model = YOLO("yolo26n.pt")

# Export the model to ONNX format (you can specify other formats as needed)
model.export(format="onnx")

    Các bước chi tiết cho từng định dạng xuất có thể được tìm thấy trong Export Guide.

  • Chế độ Benchmark trong Ultralytics YOLO26 được sử dụng để phân tích tốc độ và accuracy của các định dạng xuất khác nhau như ONNX, TensorRT và OpenVINO. Nó cung cấp các metrics như kích thước mô hình, mAP50-95 cho việc phát hiện đối tượng, và thời gian suy luận trên các thiết lập phần cứng khác nhau, giúp bạn chọn định dạng phù hợp nhất cho nhu cầu triển khai của mình.

    Ví dụ
    from ultralytics.utils.benchmarks import benchmark

# Run benchmark on GPU (device 0)
# You can adjust parameters like model, dataset, image size, and precision as needed
benchmark(model="yolo26n.pt", data="coco8.yaml", imgsz=640, device=0)

    Để biết thêm chi tiết, hãy tham khảo Benchmark Guide.

  • Theo dõi đối tượng thời gian thực có thể đạt được bằng cách sử dụng chế độ track trong Ultralytics YOLO26. Chế độ này mở rộng khả năng phát hiện đối tượng để theo dõi các đối tượng qua các khung hình video hoặc luồng dữ liệu trực tiếp. Sử dụng ví dụ sau để kích hoạt theo dõi:

    Ví dụ
    from ultralytics import YOLO

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

# Start tracking objects in a video
# You can also use live video streams or webcam input
model.track(source="path/to/video.mp4")

    Để có hướng dẫn chuyên sâu, hãy truy cập Track Guide.

Người đóng góp
GLglenn-jocher16RAraimbekovm3ONonuralpszr2MImiles-deans-ultralytics1SEsergiuwaxmann1PDpderrenger1LEleonnil1MAMatthewNoyce1RIRizwanMunawar1

Bình luận