Các chế độ của Ultralytics YOLO26
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 phủ toàn bộ vòng đời của các mô hình machine learning—từ việc nạp dữ liệu và huấn luyện mô hình đến xác thực, triển khai và theo dõi trong môi trường thực tế. 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.
Watch: Ultralytics Modes Tutorial: Train, Validate, Predict, Export & Benchmark.
Tổng quan về các chế độ
Việc hiểu rõ các chế độ khác nhau mà Ultralytics YOLO26 hỗ trợ là rất quan trọng để khai thác tối đa tiềm năng mô hình của bạn:
- Train (Huấn luyện): Tinh chỉnh mô hình của bạn trên các tập dữ liệu tùy chỉnh hoặc có sẵn.
- Val (Xác thực): Một checkpoint sau huấn luyện để xác thực hiệu suất mô hình.
- Predict (Dự đoán): Giải phóng khả năng dự đoán của mô hình trên dữ liệu thực tế.
- Export (Xuất): Chuẩn bị model deployment của bạn ở nhiều định dạng khác nhau.
- Track (Theo dõi): Mở rộng mô hình phát hiện đối tượng của bạn sang các ứng dụng theo dõi thời gian thực.
- Benchmark (Kiểm thử): Phân tích tốc độ và độ chính xác của mô hình trong các môi trường triển khai đa dạng.
Hướng dẫn toàn diện này nhằm mục đích cung cấp cho bạn cái nhìn tổng quan và các thông tin thực tế về từng chế độ, giúp bạn khai thác toàn bộ tiềm năng của YOLO26.
Train
Chế độ Train được sử dụng để huấn luyện 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 các 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 dự đoán chính xác các lớp và vị trí của các đối tượng trong hình ảnh. Huấn luyện là bước cần thiết để tạo ra các mô hình có khả năng nhận diện các đối tượng cụ thể phù hợp với ứng dụng của bạn.
Val
Chế độ Val được sử dụng để xác thực mô hình YOLO26 sau khi đã được huấn luyện. Trong chế độ này, mô hình được đánh giá trên tập xác thực để đo lường độ chính xác và khả năng tổng quát hóa. Việc xác thực giúp xác định các vấn đề tiềm ẩn như overfitting và cung cấp các số liệu như mean Average Precision (mAP) để định lượng hiệu suất 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.
Predict
Chế độ Predict được sử dụng để đưa ra dự đoán bằng cách sử dụng mô hình YOLO26 đã huấn luyện trên các hình ảnh hoặc video mới. Trong chế độ này, mô hình được tải từ file checkpoint và người dùng có thể cung cấp hình ảnh hoặc video để thực hiện suy luận (inference). Mô hình xác định và định vị các đối tượng trong phương tiện đầu vào, giúp chúng sẵn sàng cho các ứng dụng thực tế. Chế độ Predict là cổng vào để áp dụng mô hình đã huấn luyện của bạn vào việc giải quyết các vấn đề thực tiễn.
Export
Chế độ Export được sử dụng để chuyển đổi mô hình YOLO26 sang các định dạng phù hợp để triển khai trên các nền tảng và thiết bị khác nhau. Chế độ này biến đổi mô hình PyTorch của bạn thành các định dạng tối ưu như ONNX, TensorRT hoặc CoreML, cho phép triển khai trong môi trường sản xuất. Việc xuất mô hình là rất cần thiết để tích hợp mô hình của bạn với các phần mềm ứng dụng hoặc thiết bị phần cứng khác nhau, thường mang lại những cải thiện đáng kể về hiệu suất.
Track
Chế độ Track mở rộng các khả năng phát hiện đối tượng của YOLO26 để theo dõi 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 surveillance systems hoặc self-driving cars. Chế độ Track triển khai các thuật toán tinh vi như ByteTrack để duy trì danh tính đối tượng qua các khung hình, ngay cả khi đối tượng tạm thời biến mất khỏi tầm nhìn.
Benchmark
Chế độ Benchmark đo lường tốc độ và độ chính xác của các định dạng xuất khác nhau cho YOLO26. 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 tác vụ phân loại) và thời gian suy luận trên các định dạng khác nhau như ONNX, OpenVINO và TensorRT. Việc đo kiểm giúp bạn chọn định dạng xuất tối ưu dựa trên các yêu cầu cụ thể về tốc độ và độ chính xác trong môi trường triển khai của mình.
Câu hỏi thường gặp (FAQ)
Làm thế nào để huấn luyện mô hình object detection tùy chỉnh với Ultralytics YOLO26?
Việc huấn luyện một mô hình phát hiện 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 YOLO format, chứa hình ảnh và các file chú thích tương ứng. Sử dụng lệnh sau để bắt đầu quá trình huấn luyện:
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 Hướng dẫn Train của Ultralytics.
Ultralytics YOLO26 sử dụng những số liệu nào để xác thực hiệu suất của mô hình?
Ultralytics YOLO26 sử dụng nhiều số liệu khác nhau trong quá trình xác thực để đánh giá hiệu suất mô hình. Bao gồm:
- mAP (mean Average Precision): Đánh giá độ chính xác của việc phát hiện đối tượng.
- IOU (Intersection over Union): Đo lường sự trùng lặp giữa các bounding box dự đoán và bounding box thực tế (ground truth).
- Precision và Recall: Precision đo lường tỷ lệ phát hiện dương tính đúng trên tổng số dương tính được phát hiện, trong khi recall đo lường tỷ lệ phát hiện dương tính đúng trên tổng số dương tính thực tế.
Bạn có thể chạy lệnh sau để bắt đầu xác thực:
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 Hướng dẫn Xác thực để biết thêm chi tiết.
Làm thế nào để xuất mô hình YOLO26 để triển khai?
Ultralytics YOLO26 cung cấp tính năng xuất để chuyển đổi mô hình đã huấn luyện của bạn sang nhiều định dạng triển khai khác nhau như ONNX, TensorRT, CoreML, và hơn thế nữa. Sử dụng ví dụ sau để xuất mô hình của bạn:
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 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 accuracy của nhiều định dạng xuất khác nhau như ONNX, TensorRT và OpenVINO. Nó cung cấp các số liệu như kích thước mô hình, mAP50-95 cho 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.
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)Để biết thêm chi tiết, hãy tham khảo Hướng dẫn Benchmark.
Làm thế nào để thực hiện theo dõi đối tượng thời gian thực bằng Ultralytics YOLO26?
Việc 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 chúng qua các khung hình video hoặc nguồn cấp dữ liệu trực tiếp. Sử dụng ví dụ sau để bật tính năng theo dõi:
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 Hướng dẫn Track.