Tập dữ liệu#

Tập dữ liệu của Ultralytics Platform cung cấp giải pháp hợp lý hóa để quản lý dữ liệu huấn luyện. Sau khi tải lên, nền tảng tự động xử lý hình ảnh, nhãn và các số liệu thống kê.

Tập dữ liệu sẵn sàng để huấn luyện sau khi xử lý hoàn tất, có ít nhất một hình ảnh trong split train, ít nhất một hình ảnh trong split val hoặc test, và ít nhất một hình ảnh đã gắn nhãn. Phần đầu tập dữ liệu hiển thị badge Ready khi đáp ứng cả ba điều kiện, nếu không sẽ hiển thị badge Not Ready — hãy nhấp vào badge để xem chính xác điều kiện nào còn thiếu.

Thu thập hình ảnh bằng các Agent#

Sử dụng Agents để thêm hình ảnh vào một dataset khi quá trình phát hiện của model đạt một điều kiện, chẳng hạn như độ tin cậy nằm trong khoảng đã chọn. Kết nối điều kiện với một khối Dataset và chọn đích đến mà bạn có thể chỉnh sửa. Hình ảnh đến mà chưa được gán nhãn trong tập chia train; các bản sao hiện có sẽ bị bỏ qua. Xem lại và gán nhãn chúng bằng trình chỉnh sửa chú thích hiện có.

Tải lên tập dữ liệu#

Ultralytics Platform hỗ trợ nhiều định dạng tải lên để mang lại sự linh hoạt.

Các định dạng được hỗ trợ#

Hỗ trợ codec video#

Chỉ phần mở rộng tệp là chưa đủ: video vẫn có thể xử lý thất bại nếu không thể giải mã codec trong quá trình xử lý.

ffmpeg -i input.mov \
  -c:v libx264 -pix_fmt yuv420p \
  -c:a aac -movflags +faststart \
  output.mp4

Chuẩn bị tập dữ liệu#

Nền tảng hỗ trợ Ultralytics YOLO, COCO, semantic PNG masks, depth datasets, Ultralytics NDJSON và các tệp tải lên thô (chưa được gán nhãn):

my-dataset/
├── images/
│   ├── train/
│   │   ├── img001.jpg
│   │   └── img002.jpg
│   └── val/
│       ├── img003.jpg
│       └── img004.jpg
├── labels/
│   ├── train/
│   │   ├── img001.txt
│   │   └── img002.txt
│   └── val/
│       ├── img003.txt
│       └── img004.txt
└── data.yaml

# data.yaml
path: .
train: images/train
val: images/val

names:
    0: person
    1: car
    2: dog

Nếu label tham chiếu đến class ID nhưng không cung cấp tên class, Platform sẽ tạo các tên giữ chỗ dày đặc (class0, class1, …) mà bạn có thể đổi tên sau trong Classes tab.

Để xem thông tin chi tiết về định dạng theo từng tác vụ, hãy xem các tác vụ được hỗ trợ và Tổng quan về tập dữ liệu.

Quy trình tải lên#

Để tạo một tập dữ liệu:

1. Điều hướng đến Annotate trong thanh bên
2. Click New Dataset
3. Chọn tab nguồn dữ liệu (xem Data Sources bên dưới)
4. Thêm tên — URL slug được tự động tạo và có thể chỉnh sửa — cùng với mô tả tùy chọn
5. Chọn loại task (xem các task được hỗ trợ), license tùy chọn (xem các license khả dụng) và chế độ hiển thị (public hoặc private)
6. Nhấp vào Create & Upload cho tệp cục bộ, Create & Import cho URL hoặc nguồn đã kết nối, hoặc Create Dataset để bắt đầu với dữ liệu trống

Để thêm tệp vào một dataset hiện có, hãy mở trang dataset đó và kéo các tệp vào thư viện hoặc nhấp vào biểu tượng tải lên ở phần đầu trang. Biểu tượng tải lên sẽ mở trực tiếp công cụ chọn tệp gốc của trình duyệt vì tác vụ dataset đã được định nghĩa sẵn.

Nguồn dữ liệu#

Hộp thoại New Dataset cung cấp bốn nguồn:

Trước khi bắt đầu tải lên#

Platform xác thực tệp của bạn trong trình duyệt trước khi tải lên bất kỳ thứ gì, vì vậy các vấn đề phổ biến được phát hiện ngay thay vì sau một quá trình truyền dữ liệu dài. Archive được kiểm tra về lỗi hỏng, trạng thái trống, bảo vệ bằng mật khẩu và lỗi cú pháp YAML; các tệp quá lớn được liệt kê theo tên.

Sau đó có thể xuất hiện hai hộp thoại:

Sau khi tải lên, nền tảng sẽ tự động xử lý dữ liệu của bạn:

graph LR
    A[Upload]:::start --> B[Validate]:::proc
    B --> C[Normalize]:::proc
    C --> D[Thumbnail]:::proc
    D --> E[Parse Labels]:::proc
    E --> F[Statistics]:::out

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef out fill:#9C27B0,color:#fff

1. Xác thực: Kiểm tra định dạng và kích thước
2. Chuẩn hóa: Ảnh lớn được thay đổi kích thước (tối đa 4096px, kích thước nhỏ nhất 28px), ảnh grayscale được mở rộng thành RGB, độ trong suốt được làm phẳng trên nền trắng và hướng EXIF được áp dụng
3. Ảnh thu nhỏ: Tạo bản xem trước WebP 256px
4. Phân tích nhãn: Trích xuất nhãn YOLO, COCO và NDJSON
5. Thống kê: Tính toán phân phối class và kích thước ảnh

from ultralytics.data.utils import check_det_dataset

check_det_dataset("path/to/data.yaml")

Duyệt ảnh#

Xem ảnh trong tập dữ liệu theo nhiều bố cục.

Mở bảng Phân cụm từ thanh công cụ thư viện để khám phá tập dữ liệu dưới dạng biểu đồ phân tán 2D tương tác.

Sắp xếp và lọc#

Có thể sắp xếp và lọc ảnh để duyệt hiệu quả:

Trình xem toàn màn hình#

Nhấp vào bất kỳ ảnh nào để mở trình xem toàn màn hình với:

• Điều hướng: Sử dụng phím mũi tên hoặc bản xem trước ảnh thu nhỏ để duyệt
• Thông tin ảnh: Xem lại các thuộc tính do Platform tạo, metadata tùy chỉnh và metadata được nhúng trong tệp như EXIF
• Metadata tùy chỉnh: Chủ sở hữu và editor có thể thêm hoặc thay thế một đối tượng JSON, bao gồm các giá trị lồng nhau dài tối đa 500.000 ký tự được tuần tự hóa và các khóa cấp cao nhất dài tối đa 128 ký tự
• Annotation: Bật/tắt khả năng hiển thị lớp phủ annotation
• Phân tích class: Số lượng nhãn theo từng class kèm chỉ báo màu
• Gắn annotation: Khi có quyền chỉnh sửa, các điều khiển annotation sẽ được kích hoạt ngay khi trình xem toàn màn hình mở trên desktop
• Tải xuống: Tải xuống tệp ảnh gốc
• Xóa: Xóa ảnh khỏi tập dữ liệu
• Thu phóng: Cmd/Ctrl+Scroll, Cmd/Ctrl++ hoặc Cmd/Ctrl+= để phóng to và Cmd/Ctrl+- để thu nhỏ
• Đặt lại chế độ xem: Cmd/Ctrl + 0 hoặc nút đặt lại để điều chỉnh ảnh vừa với trình xem
• Di chuyển khung nhìn: Giữ Space và kéo để di chuyển canvas khi đã thu phóng
• Xem pixel: Bật/tắt kết xuất pixel hóa để kiểm tra chi tiết
• Màn che độ sâu: Với các tập dữ liệu độ sâu, một bộ chia có thể kéo sẽ chuyển đổi giữa ảnh RGB và bản đồ độ sâu được tô màu tương ứng

Lọc theo split#

Lọc ảnh theo split của tập dữ liệu:

Phân cụm#

Bảng Clustering chiếu tập dữ liệu của bạn thành một biểu đồ phân tán 2D tương tác, trong đó các ảnh tương tự về mặt trực quan nằm gần nhau. Sử dụng bảng này để phát hiện các cụm, tìm bản sao và điểm ngoại lệ, đồng thời kiểm tra cách các split hoặc class được phân bố trong dữ liệu — mà không cần rời khỏi thư viện. Mở bảng từ biểu tượng biểu đồ phân tán trên thanh công cụ thư viện trong bất kỳ trang tập dữ liệu nào.

Chạy phân tích#

Bắt đầu phân tích:

1. Mở một tập dữ liệu và nhấp vào biểu tượng biểu đồ phân tán trên thanh công cụ thư viện
2. Click Analyze Dataset
3. Chờ thanh tiến trình hoàn tất — kết quả sẽ xuất hiện trong cùng bảng

Phân tích chạy ở chế độ nền qua hai giai đoạn, Computing embeddings và Clustering, và có thể mất vài phút tùy thuộc vào kích thước tập dữ liệu. Bạn có thể đóng bảng hoặc rời khỏi trang rồi quay lại sau.

Trực quan hóa#

Sau khi hoàn tất phân tích, bảng hiển thị biểu đồ phân tán 2D của tất cả ảnh đã phân tích cùng chú giải và bộ đếm điểm. Các bộ lọc thư viện (split, class, đã gắn nhãn/chưa gắn nhãn) sẽ làm mờ các điểm nằm ngoài bộ lọc để bạn tập trung vào tập con cần quan tâm — khi đó bộ đếm sẽ hiển thị visible / total points.

Tô màu theo#

Thay đổi cách tô màu các điểm dữ liệu bằng menu thả xuống Color by trên thanh công cụ của panel. Bạn có thể chuyển đổi chế độ xem bất cứ lúc nào — biểu đồ sẽ đổi màu ngay lập tức để bạn thấy cách các tập phân chia, class hoặc thuộc tính hình ảnh được phân bố trong các cụm:

Chọn bằng Lasso#

Vẽ vùng chọn tự do quanh một khu vực để làm nổi bật các điểm trên biểu đồ. Gallery sẽ lọc để chỉ còn các hình ảnh phù hợp, cho phép bạn kiểm tra, gán lại nhãn, di chuyển hoặc xóa chúng bằng các thao tác hình ảnh thông thường.

Di chuyển và thu phóng#

Điều hướng các biểu đồ phân tán lớn trực tiếp bằng chuột và bàn phím, hoặc sử dụng các nút thu phóng ở góc dưới bên trái của biểu đồ:

Phân tích lại#

Nếu tập dữ liệu của bạn thay đổi sau khi phân tích — có hình ảnh mới được thêm vào hoặc số lượng đã phân tích không còn khớp với tập dữ liệu — nút Re-analyze sẽ xuất hiện ở đầu panel dành cho chủ sở hữu và editor.

Nhấp vào Re-analyze để tính toán lại embeddings và phép chiếu 2D từ đầu.

Tìm kiếm hình ảnh tương tự#

Các embedding tương tự cung cấp năng lượng cho tính năng tìm kiếm độ tương đồng trên các tập dữ liệu công khai. Trong một tập dữ liệu bạn có thể chỉnh sửa, hãy nhấp chuột phải vào một hình ảnh ở chế độ xem Grid hoặc Compact (hoặc một hàng đã chọn duy nhất ở chế độ xem Table) và chọn Find similar images. Hộp thoại liệt kê tối đa 24 hình ảnh công khai gần nhất kèm theo tập dữ liệu nguồn, giấy phép và điểm số tương tự, ngoại trừ các hình ảnh mà tập dữ liệu của bạn đã có và các bản sao của hình ảnh được chọn trong các tập dữ liệu khác. Chọn những hình ảnh bạn muốn và nhấp vào Add to dataset: chúng được thêm vào tập phân tách train dưới dạng hình ảnh chưa gán nhãn, được tính vào dung lượng lưu trữ của bạn và sẵn sàng để annotation.

Một hình ảnh không có embedding — trong một tập dữ liệu chưa được phân tích hoặc được thêm kể từ lần phân tích gần nhất — hiển thị Analyze this dataset in Clustering to find similar images. Hộp thoại này không khả dụng trên connected datasets. Các per-image validation diagnostics của mô hình chạy cùng một tìm kiếm từ các hình ảnh có hiệu suất kém nhất của mô hình đó.

Các tab tập dữ liệu#

Mỗi trang tập dữ liệu có thể hiển thị tối đa sáu tab, tùy thuộc vào trạng thái tập dữ liệu và quyền của bạn:

Tab Images#

Chế độ xem mặc định hiển thị gallery hình ảnh cùng các lớp phủ annotation. Hỗ trợ các chế độ xem dạng lưới, thu gọn và bảng. Kéo và thả file vào đây để thêm hình ảnh.

Tab Classes#

Tab này xuất hiện khi tập dữ liệu có hình ảnh và task của tập dữ liệu có các class.

Quản lý các class annotation cho tập dữ liệu của bạn:

• Biểu đồ histogram class: Biểu đồ cột hiển thị số lượng annotation trên mỗi class, được sắp xếp theo tần suất, cùng tùy chọn chuyển đổi thang tuyến tính/log
• Bảng class: Bảng có thể sắp xếp và tìm kiếm, gồm index, tên, số lượng annotation và số lượng hình ảnh
• Chỉnh sửa tên class: Nhấp vào tên bất kỳ để đổi tên trực tiếp
• Chỉnh sửa màu class: Nhấp vào ô màu để thay đổi màu của class
• Thêm class mới: Sử dụng ô nhập ở cuối để thêm class
• Gộp class: Chọn từ hai hàng trở lên rồi nhấp vào Merge into one
• Xóa class: Chọn một hoặc nhiều hàng rồi nhấp vào Delete

Gộp class#

Việc gộp sẽ hợp nhất các nhãn trùng lặp hoặc chồng lấn — chẳng hạn gộp car, automobile và vehicle thành một class:

1. Chọn từ hai class trở lên bằng các checkbox của hàng
2. Nhấp vào Merge into one trong header của bảng hoặc nhấp chuột phải vào vùng chọn
3. Chọn class đích trong số các class đã chọn để gộp các class còn lại vào đó
4. Xác nhận

Mọi annotation thuộc các class nguồn sẽ được gán lại cho class đích và các class nguồn sẽ bị xóa. Không có annotation nào bị xóa, vì vậy tổng số annotation của tập dữ liệu không thay đổi.

Xóa class#

1. Chọn một hoặc nhiều class bằng các checkbox của hàng
2. Nhấp vào Delete trong header của bảng hoặc nhấp chuột phải vào vùng chọn
3. Xác nhận

Xóa một class sẽ xóa class đó và tất cả annotation của class. Đối với tập dữ liệu classification, các nhãn sẽ bị xóa nhưng hình ảnh vẫn được giữ lại và trở thành không có annotation.

Tab Charts#

Tab này xuất hiện khi tập dữ liệu có hình ảnh.

Các thống kê được tính toán tự động từ tập dữ liệu của bạn:

Các biểu đồ xuất hiện theo thứ tự này và mỗi biểu đồ sẽ được bỏ qua khi tập dữ liệu không có dữ liệu tương ứng — tập dữ liệu hình ảnh thô sẽ không hiển thị biểu đồ annotation, còn Points per Instance chỉ xuất hiện với dữ liệu segmentation và pose:

Tab Models#

Xem tất cả model được train trên dataset này trong một bảng có thể tìm kiếm:

Tab lỗi#

Tab này chỉ xuất hiện khi một hoặc nhiều file xử lý không thành công.

Các image xử lý không thành công được liệt kê tại đây cùng với:

• Banner lỗi: Tổng số image xử lý không thành công và hướng dẫn
• Bảng lỗi: Tên file, mô tả lỗi dễ hiểu, gợi ý khắc phục và thumbnail xem trước
• Các lỗi phổ biến gồm file bị hỏng, format không được hỗ trợ, image quá nhỏ (tối thiểu 28px) và chế độ màu không được hỗ trợ

Tab Versions#

Tạo các snapshot NDJSON bất biến của dataset để training có thể tái lập. Mỗi version ghi lại số lượng image, số lượng class, số lượng annotation và kích thước file tại thời điểm tạo.

Để tạo một version:

1. Mở tab Versions
2. Tùy chọn nhập mô tả (ví dụ: "Đã thêm 500 image training" hoặc "Đã sửa các class gán nhãn sai")
3. Nhấp vào New Version
4. Version mới xuất hiện trong bảng

Mỗi version được đánh số tuần tự (v1, v2, v3...) và là bất biến — không thể chỉnh sửa hoặc xóa version, chỉ có thể thay đổi mô tả. Sử dụng các thao tác trên hàng để tải xuống hoặc khôi phục bất kỳ version nào vào bất cứ lúc nào.

Export Dataset#

Export dataset để sử dụng offline bằng cách tải xuống NDJSON từ header của dataset hoặc tab Versions.

Để export:

1. Nhấp vào nút Download (biểu tượng tải xuống) trong header của dataset
2. Tải trực tiếp snapshot NDJSON hiện tại
3. Sử dụng tab Versions khi bạn muốn một snapshot được đánh số, bất biến và có thể tải lại sau này

Định dạng NDJSON lưu trữ một đối tượng JSON trên mỗi dòng. Dòng đầu tiên chứa siêu dữ liệu của dataset, theo sau là một dòng cho mỗi hình ảnh:

{"type": "dataset", "task": "detect", "name": "my-dataset", "description": "...", "bytes": 12345678, "url": "https://platform.ultralytics.com/...", "class_names": {"0": "person", "1": "car"}, "version": 1, "created_at": "2026-01-15T10:00:00Z", "updated_at": "2026-02-20T14:30:00Z"}
{"type": "image", "file": "img001.jpg", "url": "https://...", "width": 640, "height": 480, "split": "train", "metadata": {"location": {"site": "factory-1"}, "reviewed": true}, "annotations": {"boxes": [[0, 0.5, 0.5, 0.2, 0.3]]}}
{"type": "image", "file": "img002.jpg", "url": "https://...", "width": 1280, "height": 720, "split": "val"}

Object metadata tùy chọn ở cấp image được giữ nguyên khi file NDJSON được import vào Platform. Bạn có thể kiểm tra hoặc chỉnh sửa object này từ panel thông tin toàn màn hình của image. Đối với việc upload archive theo cách lập trình, Ingest Dataset Data API chấp nhận path map tương đương imageMetadata.

Dataset pose cũng chứa trường kpt_shape trong dòng header của dataset, được suy luận từ annotation khi trường này chưa được thiết lập.

Export depth khai báo "task": "depth" và "depth_scale": 1000 trong dòng dataset. Mỗi dòng image bao gồm một depth.url cho PNG uint16 dạng plain tương ứng. Ultralytics tải xuống URL image và depth đồng thời, đồng thời ghi một training YAML với cùng scale, vì vậy file NDJSON có thể được truyền trực tiếp cho model.train(data=...).

Xem tài liệu format NDJSON của Ultralytics để biết đầy đủ đặc tả.

Thao tác với Image#

Thao tác nhanh#

Nhấp chuột phải vào bất kỳ image nào trong chế độ xem Grid hoặc Compact để truy cập các thao tác nhanh:

Di chuyển hàng loạt vào Split#

Gán lại các image đã chọn vào một split khác trong cùng dataset:

1. Chuyển sang chế độ xem Table
2. Chọn image bằng các checkbox
3. Nhấp chuột phải để mở menu ngữ cảnh
4. Chọn Move to split > Train, Validation hoặc Test

Bạn cũng có thể kéo và thả image vào các tab bộ lọc split trong chế độ xem dạng lưới. Nếu việc di chuyển một image tạo xung đột với image giống hệt đã có trong split đích, Platform sẽ hỏi bạn muốn bỏ qua, giữ cả hai hay thay thế.

Phân bổ lại Split#

Phân bổ lại tất cả image giữa các split train, validation và test bằng các tỷ lệ tùy chỉnh:

1. Nhấp vào split bar trên thanh công cụ dataset để mở hộp thoại Redistribute Splits
2. Điều chỉnh tỷ lệ phần trăm của split bằng một trong các phương thức dưới đây
3. Xem bản xem trước số lượng image theo thời gian thực để xác nhận việc phân bổ
4. Nhấp Apply để gán ngẫu nhiên lại tất cả image theo các tỷ lệ phần trăm của bạn

Hộp thoại cung cấp ba cách để thiết lập tỷ lệ chia tách mục tiêu của bạn:

Bản xem trước theo thời gian thực hiển thị chính xác số image sẽ được đưa vào mỗi split trước khi bạn áp dụng.

Xóa hàng loạt#

Xóa nhiều image cùng lúc:

1. Chọn image trong chế độ xem bảng
2. Nhấp chuột phải và chọn Delete, hoặc nhấn Cmd/Ctrl+Delete
3. Xác nhận xóa

URI của Dataset#

Tham chiếu đến các dataset của Platform bằng định dạng URI ul:// (xem Sử dụng Dataset của Platform):

ul://username/datasets/dataset-slug

Bạn cũng có thể dán trực tiếp URL web của dataset hoặc model (ví dụ: https://platform.ultralytics.com/username/datasets/dataset-slug); URL này sẽ tự động được viết lại thành URI ul://. Việc truyền một danh sách dataset sẽ fine-tune một model cơ sở trên từng dataset theo chuỗi, ví dụ model.train(data=["ul://username/datasets/a", "ul://username/datasets/b"]).

Sử dụng URI này để train model từ bất kỳ đâu:

export ULTRALYTICS_API_KEY="YOUR_API_KEY"
yolo train model=yolo26n.pt data=ul://username/datasets/my-dataset epochs=100

Các license khả dụng#

Platform hỗ trợ các license sau cho dataset:

Cài đặt khả năng hiển thị#

Kiểm soát những ai có thể xem dataset của bạn:

Khả năng hiển thị được thiết lập khi tạo dataset trong hộp thoại New Dataset bằng công tắc chuyển đổi. Các dataset công khai hiển thị trên trang Explore.

Chỉnh sửa Dataset#

Metadata của dataset được chỉnh sửa trực tiếp ngay trên trang dataset — không cần hộp thoại:

• Tên: Nhấp vào tên dataset để chỉnh sửa. Các thay đổi được tự động lưu khi mất focus hoặc nhấn Enter. Tên bị giới hạn ở 100 ký tự.
• Mô tả: Nhấp vào phần mô tả (hoặc placeholder "Add a description...") để chỉnh sửa. Các thay đổi được tự động lưu. Mô tả bị giới hạn ở 1.000 ký tự.
• Loại task: Nhấp vào nhãn task để chọn loại task khác.
• License: Nhấp vào bộ chọn license để thay đổi license của dataset.
• Icon: Nhấp vào icon của dataset để upload image riêng, đặt một image của dataset làm icon hoặc chọn một chữ cái và màu sắc.

Metadata tùy chỉnh#

Mở More actions và chọn Information để xem lại hai phần:

• Metadata Ultralytics: Thông tin Platform chỉ đọc như ID dataset, chủ sở hữu, task, số lượng image và annotation, khu vực lưu trữ và các mốc thời gian
• Metadata tùy chỉnh: Object JSON của riêng bạn để lưu nguồn gốc dữ liệu, điều kiện thu thập, ID khách hàng, quản trị hoặc dữ liệu ngữ cảnh khác

Người xem trong workspace có thể kiểm tra metadata, còn thành viên có quyền chỉnh sửa có thể thay thế object metadata tùy chỉnh. Object metadata được tuần tự hóa bị giới hạn ở 500.000 ký tự và mỗi key cấp cao nhất bị giới hạn ở 128 ký tự. Lưu một object rỗng ({}) để xóa metadata tùy chỉnh.

Clone Dataset#

Khi xem một dataset công khai mà bạn không sở hữu, hãy nhấp vào Clone Dataset để mở hộp thoại clone. Xem lại workspace đích, tên, khả năng hiển thị và license, sau đó xác nhận clone. Bản sao bao gồm tất cả image, annotation và định nghĩa class. Dataset nguồn công khai mặc định vẫn công khai trong các workspace có khả năng hiển thị mặc định là công khai; bản clone trong workspace Enterprise mặc định là riêng tư. Nếu dataset gốc có license copyleft, bản clone sẽ kế thừa license đó và bộ chọn license bị khóa.

Slug đích sẽ được tự động đổi tên nếu đã được sử dụng, và việc clone yêu cầu đủ quota lưu trữ còn lại để chứa bản sao.

Đánh dấu sao và Chia sẻ#

• Đánh dấu sao: Nhấp vào nút ngôi sao để bookmark một dataset. Số lượt đánh dấu sao hiển thị với tất cả người dùng.
• Chia sẻ: Đối với dataset công khai, nhấp vào nút chia sẻ để sao chép link, lấy đoạn mã nhúng hoặc chia sẻ lên các nền tảng mạng xã hội.

Xóa Dataset#

Xóa dataset bạn không còn cần nữa:

1. Mở More actions (nút …) trong phần header của dataset
2. Chọn Delete Dataset
3. Xác nhận trong hộp thoại: "Thao tác này sẽ chuyển [name] vào thùng rác. Bạn có thể khôi phục trong vòng 30 ngày."

Menu này cũng có Information, mở hộp thoại metadata được mô tả trong Custom Metadata, và Refresh, tùy chọn đọc lại dataset từ server.

Train trên Dataset#

Bắt đầu train trực tiếp từ dataset của bạn:

1. Nhấp vào New Model trên trang dataset
2. Chọn một project hoặc tạo project mới
3. Cấu hình các tham số training
4. Bắt đầu training

graph LR
    A[Dataset]:::start --> B[New Model]:::proc
    B --> C[Select Project]:::proc
    C --> D[Configure]:::proc
    D --> E[Start Training]:::out

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef out fill:#9C27B0,color:#fff

Xem Cloud Training để biết chi tiết.

FAQ#