Các chế độ Ultralytics YOLO26
Giới thiệu
Ultralytics YOLO26 không chỉ là một mô hình detect đối tượng khác; đây là một framework đa năng được thiết kế để bao quát toàn bộ vòng đời của các mô hình học máy—từ thu nạp dữ liệu và huấn luyện mô hình đến xác thực, triển khai và track trong thế giới thực. Mỗi chế độ phục vụ một mục đích cụ thể và được thiết kế để mang lại 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 YOLO26 hỗ trợ là rất quan trọng để tận dụng tối đa 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 YOLO26.
Huấn luyện
Chế độ Train được sử dụng để huấn luyện một mô hình YOLO26 trên một tập dữ liệu tùy chỉnh. Trong chế độ này, mô hình được huấn luyện bằng cách sử dụng tập dữ liệu và siêu tham số được chỉ định. Quá trình huấn luyện bao gồm việc tối ưu hóa các tham số của mô hình để nó có thể predict chính xác các lớp và vị trí của đối tượng trong một hình ảnh. Huấn luyện là rất cần thiết để tạo ra các mô hình có thể nhận diện các đối tượng cụ thể liên quan đến ứng dụng của bạn.
Val
Chế độ Val được sử dụng để xác thực một mô hình YOLO26 sau khi nó đã được huấn luyện. Trong chế độ này, mô hình được đánh giá trên một tập xác thực để đo lường độ chính xác và hiệu suất tổng quát hóa của nó. Xác thực giúp xác định các vấn đề tiềm ẩn như overfitting và cung cấp các metric như mean Average Precision (mAP) để định lượng hiệu suất mô hình. Chế độ này rất quan trọng để tinh chỉnh siêu tham số và cải thiện hiệu quả tổng thể của mô hình.
Dự đoán
Chế độ Predict được sử dụng để đưa ra các predict bằng cách sử dụng mô hình YOLO26 đã được huấn luyện trên hình ảnh hoặc video mới. Trong chế độ này, mô hình được tải từ một tệp checkpoint và người dùng có thể cung cấp hình ảnh hoặc video để thực hiện suy luận. Mô hình xác định và định vị đối tượng trong phương tiện đầu vào, giúp nó sẵn sàng cho các ứng dụng trong thế giới thực. Chế độ Predict là cánh cửa để áp dụng mô hình đã huấn luyện của bạn để giải quyết các vấn đề thực tế.
Xuất
Chế độ Export được sử dụng để chuyển đổi một mô hình YOLO26 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 tối ưu hóa như ONNX, TensorRT hoặc CoreML, cho phép triển khai trong môi trường sản xuất. Export là rất cần thiết để tích hợp mô hình của bạn với các ứng dụng phần mềm hoặc thiết bị phần cứng khác nhau, thường mang lại những cải thiện đáng kể về hiệu suất.
Theo dõi
Chế độ Track mở rộng khả năng detect đối tượng của YOLO26 để track đối tượng qua các khung video hoặc luồng trực tiếp. Chế độ này đặc biệt có giá trị cho 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 qua các khung hình, ngay cả khi đối tượng tạm thời biến mất khỏi tầm nhìn.
Điểm chuẩn
Chế độ Benchmark lập hồ sơ tốc độ và độ chính xác của các định dạng export khác nhau cho YOLO26. Chế độ này cung cấp các metric toàn diện về kích thước mô hình, độ chính xác (mAP50-95 cho các tác vụ detect hoặc accuracy_top5 cho phân loại) và thời gian suy luận trên các định dạng khác nhau như ONNX, OpenVINO và TensorRT. Benchmarking giúp bạn chọn định dạng export tối ưu dựa trên các yêu cầu cụ thể của bạn về tốc độ và độ chính xác trong môi trường triển khai của bạn.
Ví dụ về Benchmark (Đánh giá hiệu năng)
Câu hỏi thường gặp
Làm cách nào để huấn luyện một mô hình detect đối tượng tùy chỉnh với Ultralytics YOLO26?
Huấn luyện một mô hình detect đối tượng tùy chỉnh với Ultralytics YOLO26 bao gồm việc sử dụng chế độ train. Bạn cần một tập dữ liệu được định dạng theo định dạng YOLO, chứa hình ảnh và các tệp chú thích tương ứng. Sử dụng 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)
# Train a YOLO model from the command line
yolo detect train data=path/to/dataset.yaml model=yolo26n.pt epochs=100 imgsz=640
Để biết hướng dẫn chi tiết hơn, bạn có thể tham khảo Hướng dẫn Huấn luyện Ultralytics.
Ultralytics YOLO26 sử dụng những chỉ số đo lường nào để xác thực hiệu suất của mô hình?
Ultralytics YOLO26 sử dụng nhiều metric khác nhau trong quá trình xác thực để đánh giá hiệu suất mô hình. Bao gồm:
- mAP (mean Average Precision): Chỉ số này đánh giá độ chính xác của việc detect 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 pretrained or custom YOLO model
model = YOLO("yolo26n.pt")
# Run validation on your dataset
model.val(data="path/to/validation.yaml")
# Validate a YOLO model from the command line
yolo val model=yolo26n.pt data=path/to/validation.yaml
Tham khảo Hướng dẫn Xác thực để biết thêm chi tiết.
Làm cách nào để xuất mô hình YOLO26 của tôi để triển khai?
Ultralytics YOLO26 cung cấp chức năng export để chuyển đổi mô hình đã huấn luyện của bạn thành các định dạng triển khai khác nhau như ONNX, TensorRT, CoreML và nhiều định dạng khác. Sử dụng ví dụ sau để export mô hình 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")
# Export a YOLO model to ONNX format from the command line
yolo export model=yolo26n.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 benchmark trong Ultralytics YOLO26 là gì?
Chế độ Benchmark trong Ultralytics YOLO26 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="yolo26n.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=yolo26n.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 track đối tượng thời gian thực bằng Ultralytics YOLO26?
Track 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 detect đối tượng để track đối tượng qua các khung video hoặc luồng trực tiếp. Sử dụng ví dụ sau để bật track:
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")
# Perform object tracking on a video from the command line
# You can specify different sources like webcam (0) or RTSP streams
yolo track model=yolo26n.pt source=path/to/video.mp4
Để có hướng dẫn chi tiết, hãy truy cập Hướng dẫn Theo dõi.
