Các Chế Độ của Ultralytics YOLO11
Giới thiệu
Ultralytics YOLO11 không chỉ là một mô hình phát hiện đối tượng khác; nó là một framework linh hoạt được thiết kế để bao phủ toàn bộ vòng đời của các mô hình học máy—từ thu thập dữ liệu và huấn luyện mô hình đến xác thực, triển khai và theo dõi trong thế giới thực. Mỗi chế độ phục vụ một mục đích cụ thể và được thiết kế để cung cấp cho bạn sự linh hoạt và hiệu quả cần thiết cho các tác vụ và trường hợp sử dụng khác nhau.
Xem: Hướng dẫn về Các Chế Độ Ultralytics: Huấn Luyện, Xác Thực, Dự Đoán, Xuất & Đánh Giá Hiệu Năng.
Tổng Quan Về Các Chế Độ
Hiểu rõ các chế độ khác nhau mà Ultralytics YOLO11 hỗ trợ là rất quan trọng để khai thác tối đa hiệu quả từ các mô hình của bạn:
- Chế độ Train (Huấn luyện): Tinh chỉnh mô hình của bạn trên các bộ dữ liệu tùy chỉnh hoặc được tải sẵn.
- Chế độ Val (Xác thực): Một điểm kiểm tra sau huấn luyện để xác thực hiệu suất của mô hình.
- Chế độ Predict (Dự đoán): Giải phóng sức mạnh dự đoán của mô hình trên dữ liệu thực tế.
- Chế độ Export (Xuất): Giúp mô hình của bạn sẵn sàng triển khai ở nhiều định dạng khác nhau.
- Chế độ Track (Theo dõi): Mở rộng mô hình phát hiện đối tượng của bạn thành các ứng dụng theo dõi thời gian thực.
- Chế độ Benchmark (Đánh giá hiệu năng): Phân tích tốc độ và độ chính xác của mô hình của bạn trong các môi trường triển khai khác nhau.
Hướng dẫn toàn diện này nhằm mục đích cung cấp cho bạn cái nhìn tổng quan và những hiểu biết thực tế về từng chế độ, giúp bạn khai thác toàn bộ tiềm năng của YOLO11.
Huấn luyện
Chế độ Train (Huấn luyện) được sử dụng để huấn luyện mô hình YOLO11 trên một bộ dữ liệu tùy chỉnh. Trong chế độ này, mô hình được huấn luyện bằng cách sử dụng bộ dữ liệu và các siêu tham số đã chỉ định. Quá trình huấn luyện bao gồm việc tối ưu hóa các tham số của mô hình để nó có thể dự đoán chính xác các lớp và vị trí của các đối tượng trong một hình ảnh. Huấn luyện là điều cần thiết để tạo ra các mô hình có thể nhận dạng các đối tượng cụ thể có liên quan đến ứng dụng của bạn.
Val
Chế độ Val (Validation) được sử dụng để xác thực mô hình YOLO11 sau khi nó đã được huấn luyện. Ở chế độ này, mô hình được đánh giá trên một tập dữ liệu validation (kiểm định) để đo độ chính xác và khả năng khái quát hóa của nó. Validation (Kiểm định) giúp xác định các vấn đề tiềm ẩn như overfitting (quá khớp) và cung cấp các số liệu như mean Average Precision (mAP) (độ chính xác trung bình) để định lượng hiệu suất của mô hình. Chế độ này rất quan trọng để điều chỉnh các siêu tham số và cải thiện hiệu quả tổng thể của mô hình.
Dự đoán
Chế độ Predict (Dự đoán) được sử dụng để đưa ra dự đoán bằng cách sử dụng mô hình YOLO11 đã được huấn luyện trên các hình ảnh hoặc video mới. Ở chế độ này, mô hình được tải từ một tập tin checkpoint và người dùng có thể cung cấp hình ảnh hoặc video để thực hiện suy luận. Mô hình xác định và định vị các đối tượng trong phương tiện đầu vào, làm cho nó sẵn sàng cho các ứng dụng thực tế. Chế độ Predict là cửa ngõ để áp dụng mô hình đã huấn luyện của bạn để giải quyết các vấn đề thực tế.
Xuất
Chế độ xuất được sử dụng để chuyển đổi mô hình YOLO11 sang các định dạng phù hợp để triển khai trên các nền tảng và thiết bị khác nhau. Chế độ này chuyển đổi mô hình PyTorch của bạn thành các định dạng được tối ưu hóa như ONNX, TensorRT hoặc CoreML, cho phép triển khai trong môi trường sản xuất. Xuất mô hình là điều cần thiết để tích hợp mô hình của bạn với các ứng dụng phần mềm hoặc thiết bị phần cứng khác nhau, thường dẫn đến cải thiện đáng kể về hiệu suất.
Theo dõi
Chế độ Track (Theo dõi) mở rộng khả năng phát hiện đối tượng của YOLO11 để theo dõi các đối tượng trên 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. Chế độ Track triển khai các thuật toán phức tạp như ByteTrack để duy trì nhận dạng đối tượng trên các khung hình, ngay cả khi các đối tượng tạm thời biến mất khỏi tầm nhìn.
Điểm chuẩn
Chế độ đánh giá hiệu năng đo tốc độ và độ chính xác của các định dạng xuất khác nhau cho YOLO11. Chế độ này cung cấp các số liệu toàn diện về kích thước mô hình, độ chính xác (mAP50-95 cho các tác vụ phát hiện hoặc accuracy_top5 cho phân loại) và thời gian suy luận trên các định dạng khác nhau như ONNX, OpenVINO và TensorRT. Việc đánh giá hiệu năng giúp bạn 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 về Benchmark (Đánh giá hiệu năng)
Câu hỏi thường gặp
Làm cách nào để huấn luyện một mô hình phát hiện đối tượng tùy chỉnh với Ultralytics YOLO11?
Việc huấn luyện một mô hình phát hiện đối tượng tùy chỉnh với Ultralytics YOLO11 bao gồm việc sử dụng chế độ train (huấn luyện). Bạn cần một bộ dữ liệu được định dạng theo định dạng YOLO, chứa hình ảnh và các tập tin chú thích tương ứng. Sử dụng lệnh sau để bắt đầu quá trình huấn luyện:
Ví dụ
from ultralytics import YOLO
# Load a pre-trained YOLO model (you can choose n, s, m, l, or x versions)
model = YOLO("yolo11n.pt")
# Start training on your custom dataset
model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)
# Train a YOLO model from the command line
yolo train data=path/to/dataset.yaml epochs=100 imgsz=640
Để biết hướng dẫn chi tiết hơn, bạn có thể tham khảo Hướng dẫn Huấn luyện Ultralytics.
Ultralytics YOLO11 sử dụng những số liệu nào để xác thực hiệu suất của mô hình?
Ultralytics YOLO11 sử dụng nhiều chỉ số khác nhau trong quá trình xác thực để đánh giá hiệu suất của mô hình. Các chỉ số này bao gồm:
- mAP (mean Average Precision) (Độ chính xác trung bình): Đánh giá độ chính xác của việc phát hiện đối tượng.
- IOU (Intersection over Union) (Giao điểm trên Hợp): Đo lường độ chồng lấp giữa các bounding box được dự đoán và thực tế.
- Độ chính xác (Precision) và Độ phủ (Recall): Độ chính xác đo lường tỷ lệ phát hiện dương tính thực tế trên tổng số phát hiện dương tính, trong khi độ phủ đo lường tỷ lệ phát hiện dương tính thực tế trên tổng số dương tính thực tế.
Bạn có thể chạy lệnh sau để bắt đầu quá trình xác thực:
Ví dụ
from ultralytics import YOLO
# Load a pre-trained or custom YOLO model
model = YOLO("yolo11n.pt")
# Run validation on your dataset
model.val(data="path/to/validation.yaml")
# Validate a YOLO model from the command line
yolo val data=path/to/validation.yaml
Tham khảo Hướng dẫn Xác thực để biết thêm chi tiết.
Làm cách nào để xuất mô hình YOLO11 của tôi để triển khai?
Ultralytics YOLO11 cung cấp chức năng xuất để chuyển đổi mô hình 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 mô hình của bạn:
Ví dụ
from ultralytics import YOLO
# Load your trained YOLO model
model = YOLO("yolo11n.pt")
# Export the model to ONNX format (you can specify other formats as needed)
model.export(format="onnx")
# Export a YOLO model to ONNX format from the command line
yolo export model=yolo11n.pt format=onnx
Các bước chi tiết cho từng định dạng xuất có thể được tìm thấy trong Hướng dẫn Xuất.
Mục đích của chế độ đánh giá hiệu năng trong Ultralytics YOLO11 là gì?
Chế độ Benchmark trong Ultralytics YOLO11 được sử dụng để phân tích tốc độ và độ chính xác của các định dạng xuất khác nhau như ONNX, TensorRT và OpenVINO. Nó cung cấp các số liệu 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="yolo11n.pt", data="coco8.yaml", imgsz=640, half=False, device=0)
# Benchmark a YOLO model from the command line
# Adjust parameters as needed for your specific use case
yolo benchmark model=yolo11n.pt data='coco8.yaml' imgsz=640 half=False device=0
Để biết thêm chi tiết, hãy tham khảo Hướng dẫn Benchmark.
Làm cách nào để thực hiện theo dõi đối tượng theo thời gian thực bằng Ultralytics YOLO11?
Tính năng theo dõi đối tượng theo thời gian thực có thể đạt được bằng cách sử dụng chế độ track trong Ultralytics YOLO11. Chế độ này mở rộng khả năng phát hiện đối tượng để theo dõi các đối tượng trên các khung hình video hoặc nguồn cấp dữ liệu trực tiếp. Sử dụng ví dụ sau để bật tính năng theo dõi:
Ví dụ
from ultralytics import YOLO
# Load a pre-trained YOLO model
model = YOLO("yolo11n.pt")
# Start tracking objects in a video
# You can also use live video streams or webcam input
model.track(source="path/to/video.mp4")
# Perform object tracking on a video from the command line
# You can specify different sources like webcam (0) or RTSP streams
yolo track source=path/to/video.mp4
Để có hướng dẫn chi tiết, hãy truy cập Hướng dẫn Theo dõi.
