Hướng dẫn bắt đầu nhanh với Ultralytics Platform#

Ultralytics Platform cung cấp quy trình được hướng dẫn để tải lên dataset, train model YOLO mới từ pretrained weights, kiểm thử model đã hoàn tất trên trình duyệt và cấu hình các inference endpoint chuyên dụng.

Sơ đồ tương tác sau đây trình bày bốn giai đoạn chính của quy trình Ultralytics Platform. Nhấp vào bất kỳ giai đoạn hoặc bước phụ nào để xem hướng dẫn chi tiết cho phần đó.

graph LR
    A(Sign Up):::start --> B(Prepare Data):::proc --> C(Train):::proc --> D(Deploy):::out
    A -.- A1["<a href='#get-started'>Create account</a><br/><a href='#region-selection'>Select region</a>"]:::proc
    B -.- B1["<a href='#upload-your-first-dataset'>Upload dataset</a><br/><a href='#create-your-first-project'>Create Project</a>"]:::proc
    C -.- C1["<a href='#training-configuration'>Configure training</a><br/><a href='#monitor-training'>Monitor progress</a>"]:::proc
    D -.- D1["<a href='#test-your-model'>Test model</a><br/><a href='#deploy-to-production'>Deploy endpoint</a>"]:::proc

    click A "#get-started"
    click B "#upload-your-first-dataset"
    click C "#train-your-first-model"
    click D "#deploy-to-production"

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

Bắt đầu#

Ultralytics Platform cung cấp nhiều tùy chọn đăng ký dễ dàng. Bạn có thể đăng ký và đăng nhập bằng tài khoản Google hoặc GitHub, hoặc bằng địa chỉ email.

Chọn khu vực#

Trong quá trình onboarding, bạn sẽ được yêu cầu chọn khu vực dữ liệu. Platform tự động đo độ trễ đến từng khu vực và đề xuất khu vực gần nhất. Lựa chọn này xác định nơi lưu trữ dataset, model và dữ liệu training được quản lý của bạn. Khu vực endpoint chuyên dụng được chọn riêng khi bạn deploy model.

Credit miễn phí#

Mỗi tài khoản mới đều nhận được credit miễn phí để train trên cloud GPU:

Hoàn tất hồ sơ#

Quy trình onboarding hướng dẫn bạn qua ba bước:

1. Hồ sơ - Nhập tên hiển thị, username duy nhất (cố định, không thể thay đổi sau này), tổ chức (không bắt buộc) và trường hợp sử dụng chính
2. Khu vực dữ liệu - Chọn US, EU hoặc AP trên bản đồ thế giới trực quan hiển thị độ trễ
3. Hoàn tất - Xem lại các lựa chọn, tùy chọn áp dụng mã khuyến mãi và hoàn tất đăng ký để nhận credit chào mừng

Dashboard trang chủ#

Sau khi đăng nhập, bạn sẽ được chuyển đến trang Home của Ultralytics Platform, nơi cung cấp thẻ chào mừng với thống kê workspace, video tổng quan, quyền truy cập nhanh vào dataset, project và storage, cùng feed hoạt động gần đây.

Điều hướng sidebar#

Sidebar cung cấp quyền truy cập vào tất cả các phần của Platform:

Mỗi phần nội dung liệt kê năm mục gần đây nhất của bạn cùng một liên kết đến các mục còn lại. Di chuột lên một mục sẽ hiển thị thao tác xóa, chuyển mục đó vào Trash; có thể truy cập Trash từ tìm kiếm (Cmd+K) hoặc bằng cách mở platform.ultralytics.com/trash.

Thẻ chào mừng#

Thẻ chào mừng hiển thị profile, badge gói dịch vụ (liên kết đến phần so sánh gói) và thống kê workspace tổng quan. Mỗi thống kê liên kết đến view workspace tương ứng:

Thao tác nhanh#

Bên dưới thẻ chào mừng, dashboard hiển thị ba thẻ:

• Datasets: Tạo dataset mới hoặc thả image, video hay file dataset để tải lên. Hiển thị các dataset gần đây của bạn.
• Projects: Tạo project mới hoặc thả file model .pt để tải lên. Hiển thị các project gần đây của bạn.
• Storage: Tổng quan về dung lượng storage bạn đang sử dụng (dataset, model, export) cùng các giới hạn của gói.

Bảng Recent Activity ở cuối hiển thị các dataset, project và deployment mới nhất của bạn cùng trạng thái và thời điểm cập nhật gần nhất.

Tìm kiếm toàn cục#

Nhấn Cmd+K (Mac) hoặc Ctrl+K (Windows/Linux) để mở thanh tìm kiếm. Tìm kiếm tức thì trên các trang, project, dataset và deployment.

Trợ lý chat AI#

Nhấp vào Ask AI để làm việc với một AI agent tự động hóa các tác vụ trên Ultralytics Platform. AI agent hoạt động trực tiếp với các tập dữ liệu và model của bạn để gán nhãn hình ảnh, chạy các thử nghiệm training, so sánh kết quả, cũng như export hoặc deploy model. Xem AutoTrain with Ask AI để biết các câu lệnh mẫu và hướng dẫn thiết lập cho coding agent của riêng bạn.

Tour onboarding#

Platform có các tour hướng dẫn, giới thiệu những tính năng chính khi bạn khám phá các phần khác nhau:

Khởi động lại Tour#

Để phát lại bất kỳ tour nào:

• Nút Redo Tour — Nhấp vào avatar hồ sơ của bạn (góc dưới bên trái của sidebar) để mở menu tài khoản, sau đó chọn Redo Tour. Thao tác này đặt lại tất cả tour để chúng phát lại vào lần tiếp theo bạn truy cập từng khu vực.
• Tham số URL — Nối ?tour= với ID của tour để khởi động lại trực tiếp một tour: ?tour=nav trên trang Home, ?tour=project trên trang project hoặc ?tour=dataset trên trang dataset.

Tải lên Dataset đầu tiên#

Mở Annotate trong sidebar và nhấp vào + để tạo dataset mới. Bạn cũng có thể kéo và thả trực tiếp các file vào thẻ Datasets trên dashboard Home.

Hộp thoại New Dataset cung cấp bốn nguồn. Phần bắt đầu nhanh này sử dụng Upload; các nguồn còn lại được đề cập trong Datasets và Integrations:

Tính năng tải lên hỗ trợ nhiều định dạng (xem đầy đủ chi tiết trong Datasets):

graph LR
    A[Drop Files]:::start --> B[Auto-Package ZIP]:::proc
    B --> C[Upload to Storage]:::proc
    C --> D[Process Data]:::proc
    D --> E[Resize & Thumbnail]:::proc
    E --> F[Parse Labels]:::proc
    F --> G[Compute Statistics]:::proc
    G --> H[Dataset Ready]:::out

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

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

1. Hình ảnh lớn hơn 4096px được resize (duy trì tỷ lệ khung hình)
2. Thumbnail 256px được tạo để duyệt nhanh
3. Label YOLO, COCO và Ultralytics NDJSON được phân tích cú pháp và xác thực
4. Các thống kê được tính toán (phân bố class, heatmap, kích thước)

my-dataset.zip
├── data.yaml          # Class names and splits
├── train/
│   ├── images/
│   │   ├── img001.jpg
│   │   └── img002.jpg
│   └── labels/
│       ├── img001.txt
│       └── img002.txt
└── val/
    ├── images/
    └── labels/

Đọc thêm về datasets và các định dạng được hỗ trợ cho detect, segment, pose, OBB và classify.

Tạo Project đầu tiên#

Project giúp bạn tổ chức các model và experiment liên quan. Mở Train trong sidebar và nhấp vào + để tạo project. Bạn cũng có thể thả trọng số .pt vào thẻ Projects trên dashboard Home để tạo project và import chúng trong một bước.

Nhập tên và mô tả tùy chọn. Các dự án tổ chức các lần chạy model và trọng số model đã nhập hoặc nhân bản, với biểu đồ để so sánh kết quả huấn luyện đã hoàn thành.

Đọc thêm về projects.

Huấn luyện Model đầu tiên#

Từ project của bạn, nhấp vào New Model để mở hộp thoại Train New Model. Bạn cũng có thể bắt đầu từ trang dataset; trong trường hợp đó, dataset được cố định và bạn chọn project đích.

Cấu hình huấn luyện#

1. Base Model: Chọn trọng số Ultralytics chính thức hoặc một trong các model do bạn tự huấn luyện. Hộp thoại sẽ cảnh báo nếu task của model và task của dataset không khớp.
2. Dataset: Chọn dataset sẵn sàng có ít nhất một hình ảnh train, ít nhất một hình ảnh validation hoặc test và ít nhất một hình ảnh có label
3. Parameters: Thiết lập Epochs (mặc định 100), Batch Size (để trống nghĩa là tự động), Image Size (mặc định 640) và Name tùy chọn cho lần chạy. Mở rộng Advanced Settings để chỉnh sửa bất kỳ training argument nào khác của Ultralytics trong trình soạn thảo YAML.
4. Select GPU: Trên tab Cloud Training, hãy chọn tài nguyên compute dựa trên ngân sách và kích thước model. Mặc định là RTX PRO 6000 (96 GB Blackwell, $2.09/giờ), có thể xử lý mọi biến thể YOLO26. Xem đầy đủ trong bảng giá GPU hoặc bước GPU Cloud Training để biết danh sách đầy đủ và giới hạn theo tier.
5. Start Training: Xem lại chi phí và thời lượng ước tính bên cạnh số dư credit, sau đó nhấp vào Start Training.

Theo dõi quá trình huấn luyện#

Khi quá trình huấn luyện bắt đầu, mở tab Train của model để theo dõi tiến trình theo thời gian thực qua ba subtab:

Các chỉ số được truyền trực tuyến theo thời gian thực qua SSE (Server-Sent Events). Khi các artifact xác thực tồn tại, thẻ con Biểu đồ chia thành chế độ xem Training và Validation, với ma trận nhầm lẫn, đường cong PR và đường cong F1 nằm dưới mục Validation.

Đọc thêm về cloud training.

Kiểm thử Model#

Sau khi huấn luyện hoàn tất, hãy kiểm thử model trực tiếp trên trình duyệt:

1. Đi đến tab Predict của model
2. Tải lên hình ảnh, kéo và thả, chụp một hình ảnh từ webcam hoặc nhấp vào hình ảnh mẫu (tự động inference khi thả)
3. Xem các overlay dự đoán phù hợp với task, timing theo từng giai đoạn (preprocess, inference, postprocess, network) và response JSON thô

Điều chỉnh các tham số suy luận:

Trong API Docs, tab Predict hiển thị code mẫu bằng Python, JavaScript và cURL, được điền sẵn các tham số bạn đã chọn ở trên. Trước tiên hãy deploy model, sau đó thay URL và key placeholder bằng các giá trị từ endpoint của bạn:

import requests

url = "https://your-deployment-url.run.app/predict"
api_key = "YOUR_API_KEY"
args = {"conf": 0.25, "iou": 0.7, "imgsz": 640}

with open("image.jpg", "rb") as f:
    response = requests.post(
        url,
        headers={"Authorization": f"Bearer {api_key}"},
        data=args,
        files={"file": f},
    )

print(response.json())

Đọc thêm về inference.

Deploy lên Production#

Deploy model của bạn lên một endpoint riêng để sử dụng trong production:

1. Đi đến tab Deploy của model
2. Platform đo latency đến tất cả 42 region và biểu diễn chúng trên bản đồ thế giới, được tô màu theo gradient xanh-lục đến đỏ (latency thấp hơn có màu xanh hơn, latency cao hơn có màu đỏ hơn)
3. Trong bảng Region Latency bên dưới bản đồ — được sắp xếp theo latency từ vị trí của bạn — hãy tìm region mong muốn. Sử dụng Rescan để đo lại bất kỳ lúc nào.
4. Nhấp vào Deploy trên hàng đó để tạo endpoint

graph LR
    A[Select Region]:::start --> B[Deploy]:::proc
    B --> C[Provisioning]:::proc
    C --> D[Running]:::out
    D --> E{Lifecycle}:::decide
    E --> F[Stop]:::error
    E --> G[Delete]:::error
    F --> H[Resume]:::proc
    H --> D

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef decide fill:#FF9800,color:#fff
    classDef out fill:#9C27B0,color:#fff
    classDef error fill:#F44336,color:#fff

Sau khi provisioning hoàn tất, endpoint của bạn cung cấp:

• Unique URL: Endpoint HTTPS cho các lệnh gọi API
• Scale-to-zero behavior: Endpoint không hoạt động sẽ scale về 0 (các deployment hiện chạy một instance đang hoạt động duy nhất)
• Monitoring: Metric và log request

Sau khi deploy, bạn có thể quản lý tất cả endpoint từ phần Deploy trong sidebar. Dashboard deployments hiển thị bản đồ toàn cầu với các deployment đang hoạt động, metric trong 24 giờ (tổng số request, deployment đang hoạt động, tỷ lệ lỗi và latency P95) cùng danh sách mọi endpoint.

Đọc thêm về endpoints.

Huấn luyện từ xa (Tùy chọn)#

Nếu bạn muốn huấn luyện trên phần cứng của riêng mình, bạn có thể sử dụng API key để huấn luyện ở bất cứ đâu và truyền các metric đến Ultralytics Platform.

Cách nhanh nhất là sử dụng tab Huấn luyện cục bộ trong hộp thoại huấn luyện: tab này tạo toàn bộ command cho model, dataset và các tham số đã chọn, đồng thời điền API key (và tạo key nếu bạn chưa có). Hãy sao chép command đó và chạy trong terminal.

Để tự lắp ráp command:

1. Tạo API key trong Settings > API Keys
2. Thiết lập biến môi trường và huấn luyện với giá trị username/project cho project:

export ULTRALYTICS_API_KEY="YOUR_API_KEY"

yolo train model=yolo26n.pt data=coco.yaml epochs=100 project=username/my-project name=exp1

Tìm hiểu thêm về API key, URI của dataset và huấn luyện từ xa.

Phản hồi & Trợ giúp#

Trang Trợ giúp ở chân thanh bên tập hợp các liên kết tài liệu, video hướng dẫn và tài nguyên cộng đồng, đồng thời có biểu mẫu phản hồi trong ứng dụng. Bạn có thể đánh giá trải nghiệm từ 1 đến 5 sao, chọn loại phản hồi (Lỗi, Tính năng hoặc Chung) và đính kèm ảnh chụp màn hình.

Nếu bạn cần thêm trợ giúp:

• Trò chuyện AI: Nhấp vào tiện ích trò chuyện nổi trên bất kỳ trang nào để nhận trợ giúp ngay lập tức
• Tài liệu: Duyệt qua các tài liệu này để xem hướng dẫn chi tiết về dataset, chú thích, huấn luyện, triển khai và thanh toán
• Discord: Tham gia cộng đồng Discord của chúng tôi để thảo luận
• GitHub: Báo cáo sự cố trên GitHub
• REST API và SDK Python: Xem tài liệu tham chiếu API, cài đặt client ultralytics-platform hoặc dùng thử tài liệu API tương tác để truy cập theo chương trình vào tất cả các tính năng của Platform

FAQ#