Ultralytics YOLO27:
Get Started

Các chế độ của Ultralytics YOLO26#

Ultralytics YOLO ecosystem and integrations

Giới thiệu#

Ultralytics YOLO26 không chỉ là một model phát hiện đối tượng khác; đây là framework linh hoạt được thiết kế để bao quát toàn bộ vòng đời của các model machine learning — từ nhập dữ liệu và huấn luyện model đến đánh giá, triển khai và theo dõi trong thực tế. Mỗi chế độ phục vụ một mục đích cụ thể và được xây dựng để mang lại sự linh hoạt và hiệu quả cần thiết cho các tác vụ và trường hợp sử dụng khác nhau.

Để biết thông tin về kế hoạch hỗ trợ YOLO27, hãy xem bản xem trước YOLO27. YOLO27 sẽ ra mắt trong thời gian tới và hiện chưa khả dụng; hướng dẫn này sử dụng các model YOLO26 đã phát hành.



Xem: Hướng dẫn về các chế độ Ultralytics: Huấn luyện, xác thực, dự đoán, xuất và benchmark.

Tổng quan nhanh về các chế độ#

Hiểu rõ các chế độ được Ultralytics YOLO26 hỗ trợ là yếu tố quan trọng để khai thác tối đa model:

  • Chế độ Train: Tinh chỉnh model trên các dataset tùy chỉnh hoặc được tải sẵn.
  • Chế độ Val: Đánh giá checkpoint sau huấn luyện để kiểm tra hiệu năng model.
  • Chế độ Predict: Khai thác khả năng dự đoán của model trên dữ liệu thực tế.
  • Chế độ Export: Chuẩn bị model để triển khai ở nhiều định dạng khác nhau.
  • Chế độ Track: Mở rộng model phát hiện đối tượng sang các ứng dụng theo dõi thời gian thực.
  • Chế độ Benchmark: Phân tích tốc độ và độ chính xác của model trong nhiều môi trường triển khai.

Hướng dẫn toàn diện này cung cấp tổng quan và thông tin thực tiễn về từng chế độ, giúp bạn khai thác tối đa tiềm năng của YOLO26.

Train#

Chế độ Train được dùng để huấn luyện model YOLO26 trên dataset tùy chỉnh. Ở chế độ này, model được huấn luyện bằng dataset và hyperparameter đã chỉ định. Quá trình huấn luyện tối ưu các tham số của model để model có thể dự đoán chính xác lớp và vị trí của đối tượng trong ảnh. Huấn luyện là bước thiết yếu để tạo model có thể nhận diện các đối tượng cụ thể phù hợp với ứng dụng của bạn.

Ví dụ huấn luyện

Val#

Chế độ Val được dùng để đánh giá model YOLO26 sau khi huấn luyện. Ở chế độ này, model được đánh giá trên tập validation để đo độ chính xác và khả năng tổng quát hóa. Việc đánh giá giúp xác định các vấn đề tiềm ẩn như overfitting và cung cấp các metric như độ chính xác trung bình (mAP) để định lượng hiệu năng model. Chế độ này rất quan trọng để tinh chỉnh hyperparameter và cải thiện hiệu quả tổng thể của model.

Ví dụ đánh giá

Predict#

Chế độ Predict được dùng để đưa ra dự đoán bằng model YOLO26 đã huấn luyện trên 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. Model nhận diện và định vị đối tượng trong media đầu vào, sẵn sàng cho các ứng dụng thực tế. Chế độ Predict là bước khởi đầu để áp dụng model đã huấn luyện vào việc giải quyết các vấn đề thực tiễn.

Ví dụ dự đoán

Export#

Chế độ Export được dùng để chuyển đổi model YOLO26 sang các định dạng phù hợp để triển khai trên nhiều nền tảng và thiết bị. Chế độ này chuyển đổi model PyTorch sang các định dạng được tối ưu như ONNX, TensorRT hoặc CoreML, cho phép triển khai trong môi trường production. Xuất model là bước thiết yếu để tích hợp model với nhiều ứng dụng phần mềm hoặc thiết bị phần cứng, thường giúp cải thiện đáng kể hiệu năng.

Ví dụ xuất

Theo dõi#

Chế độ theo dõi mở rộng khả năng phát hiện đối tượng của YOLO26 để theo dõi đối tượng qua các khung hình video hoặc luồng trực tiếp. Chế độ này đặc biệt hữu ích cho các ứng dụng cần nhận dạng đối tượng liên tục, chẳng hạn như hệ thống giám sát hoặc ô tô tự lái. Chế độ này bao gồm sáu tracker: TrackTrack (mặc định), BoT-SORT, ByteTrack, OC-SORT, Deep OC-SORT và FastTracker.

Ví dụ về theo dõi

Đánh giá hiệu năng#

Chế độ đánh giá hiệu năng đo tốc độ và độ chính xác của nhiều định dạng export cho YOLO26. Chế độ này cung cấp các chỉ số toàn diện về kích thước model, độ chính xác (mAP50-95 cho phát hiện, phân đoạn, pose và OBB; mIoU cho phân đoạn ngữ nghĩa; delta1 cho độ sâu; hoặc accuracy_top1 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 export tối ưu dựa trên các yêu cầu cụ thể về tốc độ và độ chính xác trong môi trường triển khai của mình.

Ví dụ về đánh giá hiệu năng

Câu hỏi thường gặp#

  • Để huấn luyện model phát hiện đối tượng tùy chỉnh bằng Ultralytics YOLO26, hãy sử dụng chế độ train. Bạn cần một dataset được định dạng theo định dạng YOLO, bao gồm hình ảnh và các file chú thích tương ứng. Sử dụng lệnh sau để bắt đầu quá trình huấn luyện:

    Ví dụ
    from ultralytics import YOLO

# Tải model YOLO đã huấn luyện trước (bạn có thể chọn phiên bản n, s, m, l hoặc x)
model = YOLO("yolo26n.pt")

# Bắt đầu huấn luyện trên dataset tùy chỉnh của bạn
model.train(data="path/to/dataset.yaml", epochs=100, imgsz=640)

    Để biết hướng dẫn chi tiết hơn, hãy tham khảo Hướng dẫn Train của Ultralytics.

  • Ultralytics YOLO26 sử dụng nhiều chỉ số trong quá trình xác thực để đánh giá hiệu năng của model. Các chỉ số này bao gồm:

    • mAP (Độ chính xác trung bình): Chỉ số này đánh giá độ chính xác của việc phát hiện đối tượng.
    • IoU (Giao trên hợp): Đo mức độ chồng lấp giữa các bounding box dự đoán và bounding box thực tế.
    • Precision và Recall: Precision đo tỷ lệ số phát hiện dương tính thật trên tổng số phát hiện dương tính, trong khi recall đo tỷ lệ số phát hiện dương tính thật trên tổng số trường hợp dương tính thực tế.

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

    Ví dụ
    from ultralytics import YOLO

# Tải model YOLO đã huấn luyện trước hoặc model tùy chỉnh
model = YOLO("yolo26n.pt")

# Chạy xác thực trên dataset của bạn
model.val(data="path/to/validation.yaml")

    Tham khảo Hướng dẫn Validation để biết thêm chi tiết.

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

    Ví dụ
    from ultralytics import YOLO

# Tải model YOLO đã huấn luyện
model = YOLO("yolo26n.pt")

# Export model sang định dạng ONNX (bạn có thể chỉ định các định dạng khác nếu cần)
model.export(format="onnx")

    Bạn có thể tìm thấy các bước chi tiết cho từng định dạng export trong Hướng dẫn Export.

  • Chế độ đánh giá hiệu năng trong Ultralytics YOLO26 được dùng để phân tích tốc độ và độ chính xác của nhiều định dạng export như ONNX, TensorRT và OpenVINO. Chế độ này cung cấp các chỉ số như kích thước model, mAP50-95 cho phát hiện đối tượng và thời gian suy luận trên nhiều cấu hình phần cứng, giúp bạn chọn định dạng phù hợp nhất với nhu cầu triển khai.

    Ví dụ
    from ultralytics.utils.benchmarks import benchmark

# Chạy đánh giá hiệu năng trên GPU (device 0)
# Bạn có thể điều chỉnh các tham số như model, dataset, kích thước ảnh và độ chính xác số học nếu cần
benchmark(model="yolo26n.pt", data="coco8.yaml", imgsz=640, device=0)

    Để biết thêm chi tiết, hãy tham khảo Hướng dẫn Benchmark.

  • Có thể thực hiện theo dõi đối tượng theo thời gian thực bằng chế độ track trong Ultralytics YOLO26. Chế độ này mở rộng khả năng phát hiện đối tượng để theo dõi đối tượng qua các khung hình video hoặc luồng trực tiếp. Sử dụng ví dụ sau để bật tính năng theo dõi:

    Ví dụ
    from ultralytics import YOLO

# Tải model YOLO pretrained
model = YOLO("yolo26n.pt")

# Bắt đầu theo dõi đối tượng trong video
# Bạn cũng có thể sử dụng luồng video trực tiếp hoặc đầu vào từ webcam
model.track(source="path/to/video.mp4")

    Để xem hướng dẫn chi tiết, hãy truy cập Hướng dẫn Track.

Người đóng góp
GLglenn-jocher18RAraimbekovm3ONonuralpszr2MImiles-deans-ultralytics1SEsergiuwaxmann1PDpderrenger1LEleonnil1MAMatthewNoyce1RIRizwanMunawar1

Bình luận