Models#

Ultralytics Platform cung cấp khả năng quản lý model toàn diện cho việc huấn luyện, phân tích và triển khai các model YOLO. Tải lên các model pretrained hoặc huấn luyện model mới trực tiếp trên nền tảng.

Tải lên Model#

Tải các trọng số model hiện có lên nền tảng:

1. Đi đến project của bạn
2. Kéo và thả các file .pt vào trang project hoặc thanh bên models, hoặc nhấp vào biểu tượng Upload models
3. Metadata của model được tự động phân tích từ file

Có thể tải lên nhiều file đồng thời (tối đa 3 file cùng lúc).

Các định dạng model được hỗ trợ:

Sau khi tải lên, nền tảng sẽ phân tích metadata của model:

• Loại tác vụ (detect, segment, semantic, depth, classify, pose, OBB)
• Kiến trúc (YOLO26n, YOLO26s, v.v.)
• Tên và số lượng class
• Kích thước đầu vào và các tham số
• Kết quả huấn luyện và các metric (nếu có trong checkpoint)

Huấn luyện Model#

Huấn luyện model mới trực tiếp trên nền tảng:

1. Đi đến project của bạn
2. Nhấp vào New Model
3. Chọn model nền và dataset
4. Cấu hình các tham số training
5. Chọn huấn luyện trên cloud hoặc local
6. Bắt đầu training

Xem Cloud Training để biết hướng dẫn chi tiết.

Vòng đời Model#

graph LR
    A[Upload .pt]:::start --> B[Overview]:::proc
    C[Train]:::start --> B
    B --> D[Predict]:::proc
    B --> E[Export]:::proc
    B --> F[Deploy]:::proc
    E --> G[20 Formats]:::out
    F --> H[Endpoint]:::out

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

Các tab trên trang Model#

Mỗi trang model có các tab sau:

Header của Model#

Phía trên các tab, header hiển thị màu của model (có thể chỉnh sửa), tên (nhấp để đổi tên), badge tác vụ, phiên bản ultralytics của checkpoint và bộ chọn license. Các action gồm Clone Model (trên các model đã hoàn tất có trọng số mà bạn chưa sở hữu), Download, Star, Share (các model công khai) và menu More actions chứa Information, Refresh và Delete Model.

Ngay bên dưới, mỗi metric tác vụ có một card hiển thị giá trị cuối cùng trên sparkline biểu diễn tiến trình huấn luyện — nhấp vào bất kỳ card nào để chuyển đến các biểu đồ — cùng với một card liên kết đến dataset mà model đã được huấn luyện trên đó.

Tab Overview#

Card Run Information ghi lại cách run được thực thi: trạng thái, thời gian bắt đầu, thời gian chạy, chi phí tính toán cùng GPU và mức giá theo giờ, phiên bản ultralytics, thông tin host (hostname, môi trường, hệ điều hành, Python, CPU, GPU), model cha, phiên bản dataset được ghim, repository Git, branch và commit nếu run có báo cáo, cùng lệnh yolo train có thể sao chép để tái lập.

Trong khi run đang hoạt động, card hiển thị tiến trình trực tiếp — bộ đếm epoch, thanh tiến trình, thời gian đã trôi qua, ETA và chi phí tích lũy — cùng nút Cancel. Nếu run thất bại, một banner lỗi sẽ thay thế card, hiển thị lỗi đã thu thập cùng các action View full console logs và Retry Training.

Bên dưới, Training Configuration liệt kê mọi hyperparameter đã sử dụng và Performance Metrics liệt kê kết quả đánh giá cuối cùng. Cả hai bảng đều có thể tìm kiếm và có menu Export data (Copy JSON, Download CSV, Download JSON).

Tab Train#

Tab Train có ba subtab:

Subtab Charts#

Các biểu đồ metric tương tác theo epoch, được chia thành các chế độ xem Training và Validation khi run tạo ra các artifact validation. Các nhóm biểu đồ tuân theo những metric mà run báo cáo:

Mỗi nhóm có thể thu gọn; menu của nhóm cho phép ẩn hoặc hiện từng biểu đồ (và đối với loss, chuỗi train hoặc validation); các biểu đồ có thể được kéo và thay đổi kích thước thành một layout được duy trì qua các session.

Subtab Console#

Đầu ra console trực tiếp từ tiến trình huấn luyện:

• Streaming log theo thời gian thực trong quá trình huấn luyện, giữ lại 2000 dòng gần nhất
• Thanh tiến trình epoch và kết quả validation
• Phát hiện lỗi nghiêm trọng khiến run kết thúc và hiển thị thông báo trong banner
• Hỗ trợ màu ANSI, cột timestamp tùy chọn và sao chép một lần nhấp dưới dạng văn bản thuần túy

Subtab System#

Một card host tóm tắt instance huấn luyện (hostname, tổng CPU, GPU, RAM và dung lượng ổ đĩa, cùng thời điểm được nhìn thấy lần cuối), tiếp theo là các biểu đồ theo từng epoch:

Các biểu đồ GPU, network và disk chỉ xuất hiện khi run báo cáo các counter tương ứng.

Tab Predict#

Chạy inference tương tác trực tiếp trên trình duyệt:

• Tải lên một image, sử dụng image mẫu hoặc sử dụng webcam
• Kết quả được hiển thị với bounding box, mask, bản đồ class semantic hoặc keypoint
• Tự động chạy inference khi có image được cung cấp
• Hỗ trợ tất cả loại tác vụ (detect, segment, semantic, depth, classify, pose, OBB)

Tab Export#

Export model sang 20 định dạng triển khai. Xem Export Model bên dưới và Export mode guide cốt lõi để biết đầy đủ chi tiết.

Tab Deploy#

Tạo và quản lý các endpoint inference chuyên dụng. Xem Deployments để biết chi tiết.

Các biểu đồ Validation#

Sau khi hoàn tất huấn luyện, chế độ xem Validation bên trong subtab Charts hiển thị phân tích chi tiết về epoch cuối cùng.

Ma trận nhầm lẫn#

Bản đồ nhiệt tương tác hiển thị độ chính xác dự đoán theo từng lớp:

Các đường cong PR/F1#

Khi lượt train cung cấp các dữ liệu này, giao diện Validation cũng hiển thị các đường cong hiệu năng tại những ngưỡng độ tin cậy khác nhau. Các biểu đồ validation khả dụng phụ thuộc vào các artifact do lượt chạy tạo ra.

Chẩn đoán theo từng ảnh#

Các model detection được train bằng phiên bản dataset đã lưu cũng nhận được phân tích validation theo từng ảnh, giúp chỉ ra dữ liệu đằng sau một điểm số không đạt kỳ vọng:

• Các ảnh có hiệu năng thấp nhất và cao nhất, được xếp hạng theo F1 từng ảnh và hiển thị cùng các bounding box ground truth
• Trình khám phá đặc trưng, đối chiếu F1 với chiều rộng ảnh, chiều cao, số pixel, tỷ lệ khung hình và số lượng instance, trong đó mối quan hệ mạnh nhất được chọn theo mặc định
• Các lớp liên quan đến lỗi, xếp hạng những lớp xuất hiện thường xuyên nhất trong các ảnh yếu nhất
• Tìm hình ảnh tương tự, trên thư viện có hiệu suất kém nhất, trên một hình ảnh duy nhất ở chế độ xem toàn màn hình và trên một hàng lớp, tính năng này tìm kiếm trong các tập dữ liệu công khai các hình ảnh giống như các lỗi đã ghi lại và thêm các hình ảnh bạn chọn vào tập dữ liệu huấn luyện dưới dạng các hình ảnh train không được gán nhãn (xem Tìm Hình Ảnh Tương Tự); được hiển thị khi bạn có thể chỉnh sửa dự án và tập dữ liệu huấn luyện là một tập dữ liệu không được kết nối của cùng một không gian làm việc

Export Model#

graph LR
    A[Select Format]:::start --> B[Configure Args]:::proc
    B --> C[Export]:::proc
    C --> D{GPU Required?}:::decide
    D -->|Yes| E[Cloud GPU Export]:::proc
    D -->|No| F[CPU Export]:::proc
    E --> G[Download]:::out
    F --> G

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

Export model của bạn sang 20 định dạng triển khai:

1. Đi đến tab Export
2. Chọn định dạng đích
3. Cấu hình các tham số export (kích thước ảnh, độ chính xác half, dynamic, v.v.)
4. Đối với các định dạng yêu cầu GPU (TensorRT), chọn loại GPU
5. Nhấp vào Start Export
6. Download khi hoàn tất

Kết nối cảnh báo Slack để nhận thông báo khi một lượt export sẵn sàng hoặc thất bại.

Các định dạng được hỗ trợ#

Platform hỗ trợ export sang 20 định dạng triển khai: ONNX, TorchScript, OpenVINO, TensorRT, CoreML, TF SavedModel, TF GraphDef, LiteRT, TF Edge TPU, PaddlePaddle, NCNN, MNN, RKNN, Qualcomm (QNN), IMX500, Axelera, ExecuTorch, DeepX, Hailo và Huawei Ascend.

Hướng dẫn chọn định dạng#

Target TensorRT cho NVIDIA Jetson#

Ultralytics Platform cung cấp các lựa chọn mục tiêu Jetson sau đây cho các bản xuất TensorRT .engine. Các phép đo xác thực vào tháng 7 năm 2026 dưới đây sử dụng JetPack 7.2 / L4T r39.2, Python 3.12.3, NVIDIA PyTorch 2.12.0a0 (bản dựng 26.04), CUDA 13.2 và TensorRT 10.16.1.11. Các phép đo này mô tả môi trường đã được thử nghiệm; hãy xác minh các thời gian chạy của worker và thiết bị triển khai hiện tại trước khi tái sử dụng một engine đã được xuất.

Các mốc thời gian là kết quả quan sát đơn lẻ từ các bài test routing production end-to-end vào tháng 7 năm 2026, được làm tròn đến giây gần nhất; đây là các phép đo tham chiếu, không phải SLA hay benchmark hiệu năng theo từng SKU. Cả hai lựa chọn Thor đều được build trên T5000 Developer Kit trong profile tương thích NVIDIA T4000. Sáu route Orin được build trên AGX Orin 64GB, trong đó mọi engine tạo ra đều đã được load và chạy.

Hỗ trợ chip RKNN#

Khi export sang định dạng RKNN, hãy chọn thiết bị Rockchip đích:

Vòng đời tác vụ export#

Các tác vụ export tiến triển qua các trạng thái sau:

Thao tác export hàng loạt#

• Export tất cả: Nhấp vào Export All để bắt đầu các tác vụ export cho tất cả định dạng dựa trên CPU với cài đặt mặc định. Các định dạng cần chọn GPU, không khả dụng cho model này hoặc đã có export sẽ được bỏ qua và liệt kê để bạn xem.
• Xóa tất cả export: Nhấp vào Delete All để xóa tất cả export của model.

Giới hạn định dạng#

Một số định dạng export có giới hạn về kiến trúc hoặc tác vụ:

Di Chuyển Model Giữa Các Dự Án#

Di chuyển các model bạn có thể chỉnh sửa sang một dự án khác của cùng một không gian làm việc mà không cần sao chép chúng:

1. Mở dự án nguồn và chọn một hoặc nhiều model trong danh sách model
2. Nhấp chuột phải và chọn Cắt (Cmd/Ctrl+X)
3. Mở dự án đích, nhấp chuột phải vào danh sách model và chọn Dán (Cmd/Ctrl+V), hoặc kéo các model đã chọn vào dự án đích ở thanh bên

Các model được di chuyển giữ nguyên trọng số, chỉ số, xuất và triển khai của chúng, đồng thời nhận URL của dự án đích. Một model có tên URL đã được sử dụng trong dự án đích sẽ được đổi tên khi đến nơi, các model đang trong quá trình huấn luyện không thể được di chuyển, và Esc hủy thao tác cắt đang chờ xử lý. Để sao chép một model bạn không sở hữu vào một trong các dự án của bạn, hãy sử dụng Sao Chép Model.

Nhân bản model#

Nhân bản model sang một project khác:

1. Mở trang model
2. Nhấp vào Clone Model
3. Chọn project đích hoặc chọn New Project để tạo project ngay trong giao diện
4. Bạn có thể đặt tên khác cho bản sao
5. Nhấp vào Clone Model

Model và các weight của model được sao chép vào project đích. Clone Model xuất hiện trên các model đã hoàn tất có weight mà bạn chưa sở hữu.

Tải model xuống#

Tải weight của model xuống:

1. Đi đến tab Overview của model
2. Nhấp vào nút Download
3. Checkpoint .pt chính của model sẽ được tự động tải xuống

Có thể tải các định dạng đã export xuống từ tab Export sau khi export hoàn tất.

Liên kết dataset#

Có thể liên kết model với dataset nguồn tương ứng:

• Xem dataset đã được sử dụng để training
• Nhấp vào thẻ dataset trong tab Overview để điều hướng đến dataset đó
• Theo dõi nguồn gốc dữ liệu

Khi training bằng dataset của Platform sử dụng định dạng URI ul://, việc liên kết sẽ được thực hiện tự động.

# Train with a Platform dataset — linking is automatic
yolo train model=yolo26n.pt data=ul://username/datasets/my-dataset epochs=100

Metadata tùy chỉnh#

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

• Metadata Ultralytics: Thông tin Platform chỉ đọc như ID model, project, dataset nguồn, tác vụ, trạng thái và dấu thời gian
• Metadata tùy chỉnh: Đối tượng JSON của riêng bạn dùng cho ngữ cảnh đánh giá, theo dõi bản phát hành, quản trị hoặc dữ liệu dành riêng cho model khác

Metadata tùy chỉnh tách biệt với thông tin model do training quản lý, thông tin môi trường và các tham số training. Người xem trong workspace có thể kiểm tra metadata, còn thành viên có quyền chỉnh sửa có thể thay thế đối tượng này. Đối tượng 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 đối tượng rỗng ({}) để xóa metadata tùy chỉnh.

Cài đặt khả năng hiển thị#

Kiểm soát những người có thể xem model của bạn:

Tính hiển thị được đặt ở cấp project, vì vậy áp dụng cho mọi model trong project. Để thay đổi, hãy nhấp vào huy hiệu hiển thị (private hoặc public) bên cạnh tên project trong breadcrumb ở đầu trang. Việc chuyển sang riêng tư có hiệu lực ngay lập tức. Việc chuyển sang công khai sẽ hiển thị hộp thoại xác nhận trước khi áp dụng.

Xóa model#

Xóa model bạn không còn cần:

1. Mở menu More actions trong phần header của model và chọn Delete Model
2. Xác nhận xóa

Xem thêm#

• Inference: Kiểm thử model trong trình duyệt bằng tab Predict
• Endpoints: Triển khai model vào production bằng các endpoint chuyên dụng
• Cloud Training: Cấu hình và chạy các tác vụ training trên GPU cloud
• Export Formats: Hướng dẫn đầy đủ về tất cả 20 định dạng export

FAQ#