Datasets#

Các dataset trên Ultralytics Platform cung cấp giải pháp tinh gọn để quản lý dữ liệu huấn luyện. Sau khi tải lên, platform tự động xử lý ảnh, nhãn và thống kê.

Dataset sẵn sàng huấn luyện sau khi xử lý hoàn tất, có ít nhất một ảnh trong tập train, ít nhất một ảnh trong tập val hoặc test, và ít nhất một ảnh đã gán nhãn. Phần đầu dataset hiển thị nhãn Ready khi đáp ứng cả ba điều kiện, nếu không sẽ hiển thị nhãn Not Ready — nhấp vào nhãn để xem chính xác điều kiện nào chưa được đáp ứng.

Thu thập ảnh bằng Agents#

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

Tải dataset lên#

Ultralytics Platform chấp nhận nhiều định dạng tải lên để tăng tính linh hoạt.

Các định dạng được hỗ trợ#

Hỗ trợ codec video#

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

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

Chuẩn bị dataset#

Platform hỗ trợ Ultralytics YOLO, COCO, JSON LabelMe, mask PNG ngữ nghĩa, dataset độ sâu, Ultralytics NDJSON và NDJSON Labelbox, cũng như dữ liệu tải lên thô (chưa chú thích):

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 nhãn tham chiếu đến ID lớp nhưng không có tên lớp, Platform ánh xạ lại các ID thành một chuỗi liên tục bắt đầu từ 0 và đặt tên cho mỗi lớp theo ID nguồn của lớp đó (class0, class3, …); bạn có thể đổi tên sau trong tab Classes.

Để biết chi tiết về định dạng theo từng tác vụ, hãy xem các tác vụ được hỗ trợ và Tổng quan về dataset.

Quy trình tải lên#

Để tạo dataset:

1. Điều hướng đến Annotate trong thanh bên
2. Nhấp vào New Dataset
3. Chọn tab nguồn dữ liệu (xem Nguồn dữ liệu bên dưới)
4. Thêm tên — slug URL được tạo tự động và có thể chỉnh sửa — cùng mô tả không bắt buộc
5. Chọn loại tác vụ (xem các tác vụ được hỗ trợ), giấy phép tùy chọn (xem các giấy phép hiện có) và chế độ hiển thị (công khai hoặc riêng tư). Dataset công khai mới được chọn sẵn CC BY 4.0; hãy chọn giấy phép khác hoặc None để thay đổi
6. Nhấp vào Create & Upload để chọn tệp cục bộ, Create & Import để chọn URL hoặc nguồn đã kết nối, hoặc Create Dataset để bắt đầu với dataset trống

Để thêm tệp vào dataset hiện có, hãy mở trang dataset đó rồi kéo tệp vào thư viện hoặc nhấp vào biểu tượng tải lên trong phần đầu trang. Biểu tượng tải lên mở trực tiếp hộp thoại chọn tệp gốc của trình duyệt vì tác vụ của dataset đã được xác định.

Nguồn dữ liệu#

Hộp thoại New Dataset cung cấp bốn nguồn:

Chỉ có thể tạo dataset depth bằng Upload hoặc URL; các tab Cloud và On Premise bị vô hiệu hóa đối với tác vụ depth.

Trước khi bắt đầu tải lên#

Platform xác thực tệp trong trình duyệt trước khi tải lên, nhờ đó các vấn đề phổ biến được phát hiện ngay thay vì phải đợi sau một quá trình truyền dữ liệu dài. Archive được kiểm tra lỗi hỏng, tình trạng trống, mật khẩu bảo vệ và lỗi cú pháp YAML; các tệp quá lớn sẽ được liệt kê theo tên.

Sau đó, có thể xuất hiện hai hộp thoại:

Sau khi tải lên, Platform tự động xử lý dữ liệu của bạn:

1. Xác thực: Kiểm tra định dạng và kích thước
2. Chuẩn hóa: Ảnh lớn được đổi kích thước (tối đa 4096px, kích thước chiều tối thiểu 28px), ảnh thang xám được chuyển thành RGB, vùng trong suốt được làm phẳng trên nền trắng và áp dụng hướng EXIF; ảnh TIFF gốc được lưu nguyên trạng như khi tải lên
3. Ảnh thu nhỏ: Tạo bản xem trước WebP kích thước 256px
4. Phân tích nhãn: Trích xuất nhãn YOLO từ YOLO, COCO, LabelMe và NDJSON của Ultralytics hoặc Labelbox
5. Thống kê: Tính toán phân bố lớp và kích thước ảnh

from ultralytics.data.utils import check_det_dataset

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

Duyệt ảnh#

Xem ảnh trong dataset theo nhiều bố cục.

Mở bảng Clustering từ thanh công cụ thư viện để khám phá dataset dưới dạng biểu đồ phân tán 2D tương tác.

Sắp xếp và lọc#

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

Trình xem toàn màn hình#

Nhấp vào ảnh bất kỳ để mở trình xem toàn màn hình với các tính năng:

• Điều hướng: Duyệt ảnh bằng phím mũi tên hoặc bản xem trước ảnh thu nhỏ
• Thông tin ảnh: Xem lại các thuộc tính do Platform tạo, metadata tùy chỉnh và metadata nhúng trong tệp như EXIF
• Metadata tùy chỉnh: Chủ sở hữu và biên tập viên có thể thêm hoặc thay thế một đối tượng JSON, bao gồm các giá trị lồng nhau, với tối đa 500.000 ký tự sau khi tuần tự hóa và các khóa cấp cao nhất dài tối đa 128 ký tự
• Chú thích: Bật/tắt chế độ hiển thị lớp phủ chú thích
• Phân bố lớp: Số lượng nhãn theo từng lớp kèm chỉ báo màu
• Chú thích: Khi có quyền chỉnh sửa, các công cụ chú thích sẽ hoạt động ngay khi trình xem toàn màn hình mở trên máy tính
• Làm mờ khuôn mặt: Nhấp chuột phải vào một chú thích để xem trước và áp dụng hiệu ứng làm mờ khuôn mặt cho ảnh khi có thể
• Tải xuống: Tải xuống tệp ảnh gốc
• Xóa: Xóa ảnh khỏi dataset
• 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 căn ảnh vừa với trình xem
• Di chuyển khung nhìn: Giữ Space và kéo, hoặc kéo bằng nút chuột giữa, để di chuyển canvas ở mọi mức thu phóng
• Chế độ xem pixel: Bật/tắt hiển thị dạng pixel để kiểm tra kỹ
• Màn che độ sâu: Với dataset độ sâu, một thanh phân cách có thể kéo sẽ chuyển qua lại giữa ảnh RGB và bản đồ độ sâu được tô màu

Lọc theo phân vùng#

Lọc ảnh theo phân vùng dataset:

Phân cụm#

Bảng Clustering chiếu dataset của bạn thành biểu đồ phân tán 2D tương tác, trong đó các ảnh có hình ảnh tương tự nằm gần nhau. Hãy dùng bảng này để phát hiện các cụm, tìm bản sao và điểm ngoại lệ, cũng như kiểm tra cách các phân vùng hoặc lớp được phân bố trong dữ liệu — mà không cần rời khỏi thư viện ảnh. Mở bảng từ biểu tượng biểu đồ phân tán trên thanh công cụ thư viện ảnh ở bất kỳ trang dataset nào. Bảng chỉ dùng được trên máy tính; người xem không có quyền chỉnh sửa sẽ thấy biểu tượng sau khi dataset được phân tích.

Đang chạy phân tích#

Bắt đầu phân tích:

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

Quá trình phân tích chạy nền qua hai giai đoạn, Computing embeddings và Clustering, và có thể mất vài phút tùy theo kích thước dataset. Bạn có thể đóng bảng hoặc rời khỏi trang rồi quay lại sau.

Trực quan hóa#

Sau khi phân tích hoàn tất, bảng hiển thị biểu đồ phân tán 2D của tất cả ảnh đã phân tích, kèm chú giải và bộ đếm điểm. Các bộ lọc thư viện ảnh (phân vùng, lớp, có/không có nhãn) làm mờ các điểm không khớp bộ lọc để bạn tập trung vào tập con cần xem — khi đó bộ đếm 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 bảng. Chuyển chế độ xem bất cứ lúc nào — biểu đồ sẽ đổi màu ngay lập tức để bạn thấy cách các phân vùng, lớp hoặc thuộc tính ảnh phân bố trong các cụm:

Chọn bằng vùng tự do và nhấp chuột#

Vẽ vùng chọn tự do quanh một khu vực để làm nổi bật các điểm trên biểu đồ, hoặc nhấp vào một điểm để chọn mọi điểm được tô cùng màu (chỉ chọn điểm đó khi tô màu theo chiều rộng, chiều cao, kích thước hoặc chú thích); nhấp vào vùng trống của biểu đồ để xóa lựa chọn. Thư viện ảnh sẽ lọc để chỉ còn các ảnh khớp, giúp bạn kiểm tra, gán nhãn lại, di chuyển hoặc xóa ảnh bằng các thao tác với ảnh thông thường.

Di chuyển và thu phóng#

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

Phân tích lại#

Nếu dataset thay đổi sau khi phân tích — có ảnh mới hoặc số lượng ảnh đã phân tích không còn khớp với dataset — hoặc nếu lần phân tích được thực hiện trước khi có tùy chọn màu Cụm, nút Re-analyze sẽ xuất hiện ở đầu bảng dành cho chủ sở hữu và biên tập viên.

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

Tìm ảnh tương tự#

Các embedding tương tự cũng hỗ trợ tìm kiếm ảnh tương tự trên các dataset công khai, dataset của bạn và dataset nhóm. Trong dataset mà bạn có thể chỉnh sửa, nhấp chuột phải vào ảnh ở chế độ xem Lưới hoặc Thu gọn (hoặc một hàng được chọn trong chế độ xem Bảng) rồi chọn Tìm ảnh tương tự. Hộp thoại hiển thị ảnh nguồn cạnh tối đa 24 ảnh gần nhất, mỗi ảnh có điểm tương đồng, đồng thời loại trừ các ảnh đã có trong dataset và bản sao của ảnh được chọn trong các dataset khác. Nhấp vào ảnh để xem trước kích thước đầy đủ và xem dataset nguồn, giấy phép cùng điểm tương đồng của ảnh. Chọn ảnh bằng hộp kiểm (hoặc chọn tất cả), rồi nhấp vào Thêm N vào dataset: ảnh sẽ được thêm vào phân vùng train dưới dạng ảnh chưa gán nhãn, được tính vào dung lượng lưu trữ và sẵn sàng để chú thích.

Ảnh chưa có embedding — trong dataset chưa được phân tích hoặc ảnh được thêm vào kể từ lần phân tích gần nhất — sẽ được tạo embedding khi bạn mở hộp thoại, vì vậy bạn không cần chạy phân tích Phân cụm trước. Hộp thoại không khả dụng trên dataset được kết nối. Chẩn đoán xác thực theo từng ảnh của model thực hiện cùng một lượt tìm kiếm từ các ảnh có hiệu suất kém nhất.

Các tab của dataset#

Mỗi trang dataset có thể hiển thị tối đa sáu tab, tùy theo trạng thái dataset và quyền của bạn:

Tab Ảnh#

Chế độ xem mặc định hiển thị thư viện ảnh cùng lớp phủ chú thích. Hỗ trợ các chế độ xem lưới, thu gọn và bảng. Kéo thả tệp vào đây để thêm ảnh.

Tab Lớp#

Tab này xuất hiện khi dataset có ảnh và tác vụ của dataset có các lớp.

Quản lý các lớp chú thích cho dataset:

• Biểu đồ tần suất lớp: Biểu đồ thanh thể hiện số lượng chú thích theo lớp, sắp xếp theo tần suất, có tùy chọn chuyển đổi thang tuyến tính/log
• Bảng lớp: Bảng có thể sắp xếp và tìm kiếm, gồm chỉ mục, tên, số lượng chú thích và số lượng ảnh
• Sửa tên lớp: Nhấp vào tên bất kỳ để đổi tên ngay trong dòng
• Sửa màu lớp: Nhấp vào ô màu để thay đổi màu của lớp
• Thêm lớp mới: Dùng trường nhập ở cuối để thêm lớp
• Gộp lớp: Chọn hai hàng trở lên rồi nhấp vào Merge into one
• Xóa lớp: Chọn một hoặc nhiều hàng rồi nhấp vào Delete

Gộp lớp#

Gộp giúp hợp nhất các nhãn trùng lặp hoặc chồng lấn — ví dụ, gộp car, automobile và vehicle thành một lớp:

1. Chọn từ hai lớp trở lên bằng hộp kiểm ở hàng
2. Nhấp vào Merge into one trong tiêu đề bảng hoặc nhấp chuột phải vào vùng chọn
3. Chọn lớp nào trong số các lớp đã chọn làm lớp đích để gộp các lớp còn lại vào
4. Xác nhận

Mọi chú thích thuộc các lớp nguồn sẽ được chuyển sang lớp đích và các lớp nguồn sẽ bị xóa. Không có chú thích nào bị xóa, vì vậy tổng số chú thích của dataset không thay đổi.

Xóa lớp#

1. Chọn một hoặc nhiều lớp bằng hộp kiểm ở hàng
2. Nhấp vào Delete trong tiêu đề bảng hoặc nhấp chuột phải vào vùng chọn
3. Xác nhận

Xóa một lớp sẽ xóa cả lớp đó lẫn tất cả chú thích của lớp đó. Với dataset phân loại, nhãn sẽ bị xóa nhưng ảnh vẫn được giữ lại và trở thành ảnh chưa được gán nhãn.

Tab Biểu đồ#

Tab này xuất hiện khi dataset có ảnh.

Các thống kê được tự động tính từ dataset của bạn:

Các biểu đồ xuất hiện theo thứ tự này; mỗi biểu đồ sẽ bị ẩn nếu dataset không có dữ liệu tương ứng — dataset ảnh thô sẽ không hiển thị biểu đồ chú giải, còn Points per Instance chỉ xuất hiện với dữ liệu segment và pose:

Tab Model#

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

Tab Lỗi#

Tab này chỉ xuất hiện khi có ít nhất một tệp xử lý không thành công.

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

• Biểu ngữ lỗi: Tổng số ảnh xử lý không thành công và hướng dẫn
• Bảng lỗi: Tên tệp, mô tả lỗi dễ hiểu, gợi ý khắc phục và hình thu nhỏ xem trước
• Các lỗi thường gặp gồm tệp bị hỏng, định dạng không được hỗ trợ, ảnh quá nhỏ (tối thiểu 28px) và chế độ màu không được hỗ trợ

Tab Phiên bản#

Tạo snapshot NDJSON bất biến của dataset để đảm bảo quy trình train có thể tái lập. Mỗi phiên bản ghi lại số lượng ảnh, số lượng lớp, số lượng chú giải và dung lượng lưu trữ được bổ sung tại thời điểm tạo.

Để tạo phiên bản:

1. Mở tab Phiên bản
2. Tùy chọn nhập mô tả (ví dụ: "Đã thêm 500 ảnh train" hoặc "Đã sửa các lớp gán nhãn sai")
3. Nhấp vào Phiên bản mới
4. Phiên bản mới xuất hiện trong bảng. Nếu dataset khớp với một phiên bản hiện có, chẳng hạn ngay sau khi khôi phục phiên bản đó, phiên bản hiện có sẽ được sử dụng lại và nhận mô tả mới nếu bạn đã nhập mô tả

Các phiên bản được đánh số tuần tự (v1, v2, v3...) và không thể thay đổi — không thể chỉnh sửa hoặc xóa phiên bản, chỉ có thể thay đổi mô tả. Sử dụng các thao tác ở hàng để tải xuống hoặc khôi phục bất kỳ phiên bản nào vào lúc cần.

So sánh phiên bản#

Nhấp vào biểu tượng so sánh trên bất kỳ phiên bản nào sau v1 để xem những thay đổi so với phiên bản trước đó. Compare versions bắt đầu với phiên bản trước đó; hãy chọn phiên bản khác trong menu From. Các chip được nhóm bên dưới Images, Annotations, Classes và Settings hiển thị số lượng ảnh được thêm, xóa, chỉnh sửa và chuyển sang tập con khác, số lượng annotation được thêm và xóa, đồng thời nêu tên các lớp được thêm, xóa hoặc đổi tên cũng như mọi cài đặt dataset đã thay đổi. Mỗi ảnh có thay đổi được liệt kê cùng nhãn trạng thái. Chọn một ảnh để xem ảnh đó ở trạng thái Before và After, mỗi bên hiển thị các nhãn được lưu trong phiên bản tương ứng. Khi metadata của ảnh thay đổi, Metadata changes liệt kê từng khóa được thêm, xóa hoặc chỉnh sửa cùng giá trị của khóa đó trong cả hai phiên bản. Khi ảnh, metadata và annotation giống hệt nhau, hộp thoại hiển thị No changes; nếu chỉ có định nghĩa lớp hoặc cài đặt dataset khác nhau, hộp thoại hiển thị No image changes.

Xuất dataset#

Xuất dataset để sử dụng ngoại tuyến bằng cách tải xuống NDJSON từ phần đầu dataset hoặc tab Versions.

Cách xuất:

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

Định dạng NDJSON lưu một đối tượng JSON trên mỗi dòng. Dòng đầu tiên chứa metadata của dataset, tiếp theo là một dòng cho mỗi 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"}

Đối tượng metadata tùy chọn ở cấp ảnh được giữ nguyên khi nhập tệp NDJSON vào Platform. Bạn có thể kiểm tra hoặc chỉnh sửa đối tượng này trong bảng thông tin toàn màn hình của ảnh. Để tải lên archive theo chương trình, Ingest Dataset Data API chấp nhận path map imageMetadata tương đương.

Dataset pose cũng có trường kpt_shape trong dòng header của dataset; trường này được suy ra từ các annotation nếu chưa được thiết lập.

Các bản xuất depth khai báo "task": "depth" và "depth_scale": 1000 trong dòng dataset. Mỗi dòng ảnh có một depth.url cho tệp PNG uint16 không nén tương ứng. Ultralytics tải đồng thời URL ảnh và depth, đồng thời ghi một YAML huấn luyện có cùng scale, vì vậy có thể truyền trực tiếp tệp NDJSON cho model.train(data=...).

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

Thao tác với ảnh#

Thao tác nhanh#

Nhấp chuột phải vào ảnh trong chế độ xem Grid hoặc Compact, hoặc vào một hàng được chọn duy nhất trong chế độ xem Table, để truy cập các thao tác nhanh. Các thao tác khả dụng phụ thuộc vào quyền chỉnh sửa và nguồn dataset:

Chuyển hàng loạt sang split#

Chuyển các ảnh đã chọn sang split khác trong cùng dataset:

1. Chuyển sang chế độ xem Table
2. Chọn ảnh bằng 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 ảnh vào các tab bộ lọc split trong chế độ xem lưới. Nếu việc chuyển ảnh khiến ảnh trùng khớp xuất hiện 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 ảnh trên các split train, validation và test bằng tỷ lệ tùy chỉnh:

1. Nhấp thanh split 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 bên dưới
3. Xem trước số lượng ảnh trực tiếp để xác nhận cách phân bổ
4. Nhấp Apply để phân công ngẫu nhiên lại tất cả ảnh theo tỷ lệ phần trăm đã đặt

Hộp thoại cung cấp ba cách thiết lập tỷ lệ split đích:

Bản xem trước trực tiếp hiển thị chính xác số ảnh sẽ nằm trong mỗi split trước khi bạn áp dụng.

Xóa hàng loạt#

Xóa nhiều ảnh cùng lúc:

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

Copy và di chuyển ảnh#

Copy hoặc di chuyển ảnh từ dataset bạn có thể chỉnh sửa sang dataset khác, kể cả dataset trong workspace khác:

1. Trong dataset nguồn, nhấp chuột phải vào ảnh trong chế độ xem Grid hoặc Compact rồi chọn Copy hoặc Cut, hoặc chọn ảnh trong chế độ xem Table và nhấn Cmd/Ctrl+C hoặc Cmd/Ctrl+X. Esc xóa clipboard.
2. Mở dataset đích, nhấp chuột phải vào ảnh rồi chọn Paste, hoặc nhấn Cmd/Ctrl+V.

Ảnh được dán sẽ giữ nguyên label và split; những ảnh mà dataset đích đã có trong cùng split sẽ bị bỏ qua. Cut xóa các ảnh đã dán khỏi dataset nguồn; Copy giữ nguyên dataset nguồn. Dataset nguồn và đích phải có cùng task và các thiết lập tương thích về kênh ảnh, keypoint pose và scale depth, kể cả khi ảnh được copy không có label. Dataset đích trống có thể kế thừa các thiết lập kênh ảnh và pose chưa được đặt. Không thể dán ảnh vào dataset được kết nối.

Các class được đối chiếu theo tên, không phân biệt chữ hoa chữ thường, ngoại trừ tên dài một hoặc hai ký tự; nếu đích chưa có class, danh sách class của nguồn sẽ được sử dụng. Khi hình ảnh được dán sử dụng class mà đích chưa có, hộp thoại Ánh xạ class yêu cầu bạn ánh xạ từng class đó vào class trong dataset hoặc tạo class mới, hoặc bỏ chọn hộp kiểm Bao gồm để loại bỏ nhãn của class đó; dù thế nào thì hình ảnh vẫn được dán.

Tạo ảnh tương tự#

Tạo ảnh huấn luyện mới dựa trên ảnh bạn đã có. Trong dataset bạn có thể chỉnh sửa, nhấp chuột phải vào ảnh trong chế độ xem Grid hoặc Compact (hoặc một hàng được chọn duy nhất trong chế độ xem Table) rồi chọn Generate similar images. Platform mô tả các cảnh mới lấy cảm hứng từ ảnh và tạo một ảnh cho mỗi cảnh, nhờ đó kết quả có chung chủ thể và phong cách với ảnh nguồn mà không sao chép ảnh đó.

Ultralytics Image 9B và Krea 2 Turbo cũng được liệt kê, nhưng bạn chỉ có thể chọn các model này sau khi bật Quyền truy cập sớm. Krea 2 Turbo là tùy chọn chậm nhất. Tỷ lệ khung hình nguồn được giữ nguyên nếu được hỗ trợ. Hình ảnh có chiều ngang hoặc dọc quá hẹp có thể cần cạnh dài nhất lớn hơn; kích thước đầu ra được làm tròn và giới hạn theo các kích thước mà trình tạo hỗ trợ.

Nhấp Generate hoặc nhấn ⌘/Ctrl+Enter trong Instructions. Ảnh sẽ xuất hiện khi được tạo xong và tất cả đều được chọn; Stop dừng batch đang chạy nhưng vẫn giữ các ảnh đã nhận được. Để thử hướng dẫn hoặc thiết lập khác, hãy thay đổi chúng rồi nhấp Generate more: mỗi batch mới xuất hiện phía trên các batch trước đó, và các ảnh trước vẫn được chọn. Nhấp vào ảnh để xem ở kích thước đầy đủ, bỏ chọn checkbox của ảnh không muốn giữ, rồi nhấp Add N to dataset. Ảnh được giữ lại sẽ tải lên dưới dạng JPEG có tên theo ảnh nguồn, không có label, được tính vào dung lượng lưu trữ và sẵn sàng để gán nhãn. Ảnh sử dụng bộ lọc split đang hoạt động: chọn Train trước khi tạo để thêm ảnh vào train. Khi chọn All, quy tắc phân split thông thường khi tải lên sẽ được áp dụng, bao gồm tự động chia validation khi cần. Cancel loại bỏ các bản xem trước mà không thêm chúng. Ảnh được tạo tuân theo thiết lập làm mờ khuôn mặt khi tải lên của dataset. Thao tác này không khả dụng với dataset được kết nối.

Làm mờ khuôn mặt#

Trong dataset bạn có thể chỉnh sửa, hãy làm mờ khuôn mặt trong ảnh, chẳng hạn để bảo vệ quyền riêng tư của những người có mặt trong dữ liệu. Tính năng Làm mờ khuôn mặt không khả dụng với dataset được kết nối hoặc dataset có hơn ba kênh ảnh.

• Một ảnh: nhấp chuột phải vào ảnh trong chế độ xem Grid hoặc Compact (hoặc một hàng được chọn duy nhất trong chế độ xem Table), hoặc nhấp chuột phải vào annotation trong trình xem toàn màn hình, rồi chọn Blur faces.
• Toàn bộ dataset: mở More actions (⋯) trên trang dataset rồi chọn Blur faces.

Trước tiên, hộp thoại xem trước khuôn mặt được phát hiện trên tối đa sáu ảnh (hoặc trên một ảnh) mà không thay đổi ảnh. Điều chỉnh Confidence (mặc định 0.25) và Box scale (0.5–1.5, mặc định 1, điều chỉnh kích thước mỗi box khuôn mặt quanh tâm box) để chạy lại bản xem trước, sau đó nhấp Apply để thay thế pixel gốc của mọi ảnh có phát hiện khuôn mặt. Ảnh không phát hiện được khuôn mặt sẽ không thay đổi; label và split được giữ nguyên, nhưng một số khuôn mặt có thể bị bỏ sót, vì vậy hãy kiểm tra kết quả. Làm mờ không tự động tạo snapshot phiên bản. Làm mờ toàn bộ dataset có chi phí $1.00 cho mỗi 1.000 ảnh được xử lý, tối thiểu $0.01 mỗi lần chạy (được tính phí dưới dạng Auto-Annotation); hộp thoại hiển thị chi phí ước tính trước khi bạn áp dụng. Xem trước và làm mờ một ảnh đơn lẻ miễn phí.

Để làm mờ khuôn mặt trong ảnh khi tải lên, hãy bật Blur faces khi tạo dataset từ Upload hoặc URL, hoặc bật Blur future uploads trong hộp thoại Blur faces của toàn bộ dataset. Công tắc Blur future uploads lưu thay đổi ngay lập tức, kể cả khi bạn đóng hộp thoại mà không nhấp Apply. Ảnh được tải lên dataset sau đó sẽ được làm mờ trong quá trình xử lý mà không mất phí; thay đổi thiết lập này không làm mờ ảnh đã có trong dataset.

URI dataset#

Tham chiếu dataset Platform bằng định dạng URI ul:// (xem Sử dụng dataset trên 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 sẽ tự động được chuyển thành URI ul://. Truyền danh sách dataset sẽ tinh chỉnh một model nền lần lượt trên từng dataset, ví dụ model.train(data=["ul://username/datasets/a", "ul://username/datasets/b"]).

Sử dụng URI này để huấn luyện model từ mọi nơi:

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

Các giấy phép hiện có#

Platform hỗ trợ các giấy phép sau cho dataset:

Cài đặt chế độ hiển thị#

Kiểm soát những người có thể xem dataset của bạn:

Chế độ hiển thị được đặt khi tạo dataset trong hộp thoại New Dataset bằng công tắc bật/tắt. Để thay đổi sau này, hãy nhấp vào nhãn Công khai hoặc Riêng tư bên cạnh tên dataset trong breadcrumb của trang; khi đặt dataset ở chế độ công khai, bạn sẽ được yêu cầu xác nhận. Dataset On Premise luôn ở chế độ riêng tư. Dataset công khai hiển thị trên trang Explore.

Chỉnh sửa dataset#

Bạn có thể chỉnh sửa metadata của dataset trực tiếp ngay trên trang dataset — không cần hộp thoại:

• Tên: Nhấp vào tên dataset để chỉnh sửa. Thay đổi được tự động lưu khi rời khỏi trường hoặc nhấn Enter. Tên được giới hạn ở 100 ký tự.
• Mô tả: Nhấp vào phần mô tả (hoặc placeholder "Add a description...") để chỉnh sửa. Thay đổi được tự động lưu. Mô tả được giới hạn ở 1.000 ký tự.
• Loại tác vụ: Nhấp vào nhãn tác vụ để chọn loại tác vụ khác.
• Giấy phép: Nhấp vào bộ chọn giấy phép để thay đổi giấy phép của dataset.
• Biểu tượng: Nhấp vào biểu tượng dataset để tải ảnh của bạn lên, chọn một ảnh của dataset làm biểu tượng hoặc chọn một chữ cái và màu sắc.

Metadata tùy chỉnh#

Mở Thao tác khác rồi chọn Thông tin để xem hai mục:

• Metadata Ultralytics: Thông tin Platform chỉ đọc như ID dataset, chủ sở hữu, tác vụ, số lượng ảnh và annotation, khu vực lưu trữ và dấu thời gian
• Metadata tùy chỉnh: Đối tượng 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 workspace có thể kiểm tra metadata, còn thành viên có quyền chỉnh sửa có thể thay thế đối tượng metadata tùy chỉnh. Đối tượng metadata đã tuần tự hóa được giới hạn ở 500.000 ký tự và mỗi khóa cấp cao nhất được giới hạn ở 128 ký tự. Lưu một đối tượng rỗng ({}) để xóa metadata tùy chỉnh.

Sao chép dataset#

Khi xem một dataset công khai không thuộc sở hữu của bạn, hãy nhấp vào Clone Dataset để mở hộp thoại sao chép. Kiểm tra workspace đích, tên, chế độ hiển thị và giấy phép, sau đó xác nhận sao chép. Bản sao bao gồm tất cả ảnh, annotation và định nghĩa lớp. Dataset nguồn công khai mặc định vẫn công khai trong các workspace có chế độ hiển thị mặc định là công khai; bản sao trong workspace Enterprise mặc định ở chế độ riêng tư. Nếu dataset gốc có giấy phép copyleft, bản sao sẽ kế thừa giấy phép đó và bộ chọn giấy phép sẽ bị khóa.

Hộp thoại sao chép sẽ vô hiệu hóa Sao chép dataset khi URL đã được sử dụng trong workspace đích; đồng thời, việc sao chép yêu cầu dung lượng hạn mức lưu trữ còn lại đủ để chứa bản sao.

Đánh dấu sao và chia sẻ#

• Đánh dấu sao: Nhấp vào nút hình ngôi sao để đánh dấu dataset. Tất cả người dùng đều có thể xem số lượt đánh dấu sao.
• Chia sẻ: Với dataset công khai, nhấp vào nút chia sẻ để sao chép liên kết, lấy đoạn mã nhúng hoặc chia sẻ lên các nền tảng mạng xã hội.

Xóa dataset#

Xóa dataset bạn không còn cần:

1. Mở Thao tác khác (nút …) trong phần đầu trang dataset
2. Chọn Xóa 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."

Cùng menu đó có mục Thông tin, mở hộp thoại metadata được mô tả trong Metadata tùy chỉnh, và mục Làm mới, tải lại dataset từ máy chủ.

Huấn luyện trên dataset#

Bắt đầu huấn luyện 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 huấn luyện
4. Bắt đầu huấn luyện

Xem Huấn luyện trên đám mây để biết chi tiết.

Câu hỏi thường gặp#