Models#

Ultralytics Platform cung cấp khả năng quản lý mô hình toàn diện để huấn luyện, phân tích và triển khai các mô hình YOLO. Tải lên các mô hình đã được huấn luyện trước hoặc huấn luyện mô hình mới trực tiếp trên nền tảng.

Tải lên mô hình#

Tải trọng số mô hình hiện có lên nền tảng:

1. Điều hướng đến dự án của bạn
2. Kéo và thả các tệp .pt vào trang dự án hoặc thanh bên mô hình, hoặc nhấp vào biểu tượng Tải lên mô hình
3. Siêu dữ liệu (metadata) của mô hình được phân tích cú pháp tự động từ tệp

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

Các định dạng mô hình được hỗ trợ:

Sau khi tải lên, nền tảng sẽ phân tích siêu dữ liệu của mô hình:

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

Huấn luyện mô hình#

Huấn luyện một mô hình mới trực tiếp trên nền tảng:

1. Điều hướng đến dự án của bạn
2. Nhấp vào New Model
3. Chọn mô hình cơ sở và tập dữ liệu
4. Cấu hình các tham số huấn luyện
5. Chọn huấn luyện trên đám mây hoặc cục bộ
6. Bắt đầu huấn luyện

Xem phần Huấn luyện trên đám mây để biết hướng dẫn chi tiết.

Vòng đời mô hình#

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 trang mô hình#

Mỗi trang mô hình có các tab sau:

Phần đầu Model#

Phía trên các tab, phần đầu hiển thị màu của model (có thể chỉnh sửa), tên (nhấp để đổi tên), huy hiệu tác vụ, phiên bản ultralytics của checkpoint và trình chọn license. Các thao tác bao gồm Clone Model (trên các model đã hoàn thành 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 thẻ cho một metric tác vụ hiển thị giá trị cuối cùng trên biểu đồ thu nhỏ của quá trình huấn luyện — nhấp vào bất kỳ thẻ nào để chuyển đến biểu đồ — kèm theo một thẻ liên kết đến tập dữ liệu mà model đã được huấn luyện.

Tab tổng quan#

Thẻ Run Information ghi lại cách thức chạy: trạng thái, thời gian bắt đầu, thời gian chạy, chi phí tính toán với GPU và mức phí theo giờ, phiên bản ultralytics, chi tiết máy chủ (hostname, môi trường, OS, Python, CPU, GPU), model cha, phiên bản tập dữ liệu đã ghim, kho lưu trữ Git, nhánh và commit khi quá trình chạy báo cáo chúng, cùng với một lệnh yolo train có thể tái tạo mà bạn có thể sao chép.

Trong khi một lần chạy đang hoạt động, thẻ sẽ hiển thị tiến trình trực tiếp — bộ đếm epoch, thanh tiến trình, thời gian đã trôi qua, thời gian dự kiến (ETA), chi phí tích lũy — và nút Cancel. Nếu một lần chạy thất bại, một biểu ngữ lỗi sẽ thay thế nó bằng lỗi đã ghi lại cùng các thao tác View full console logs và Retry Training.

Bên dưới, Training Configuration liệt kê mọi siêu tham số được sử dụng và Performance Metrics liệt kê các kết quả đánh giá cuối cùng. Cả hai bảng đều có thể tìm kiếm và có menu Export data (Sao chép JSON, Tải xuống CSV, Tải xuống JSON).

Tab Huấn luyện#

Tab Huấn luyện có ba tab con:

Tab con Biểu đồ#

Biểu đồ metric tương tác theo các epoch, được chia thành chế độ xem Training và Validation khi quá trình chạy tạo ra các artifact xác thực. Các nhóm biểu đồ tuân theo các metric mà quá trình chạy đã báo cáo:

Mỗi nhóm có thể thu gọn, menu của nó ẩn hoặc hiện các biểu đồ riêng lẻ (và đối với các hàm mất mát, chuỗi train hoặc validation), đồng thời các biểu đồ có thể được kéo và thay đổi kích thước thành bố cục duy trì qua các phiên.

Tab con Console#

Đầu ra console trực tiếp từ quá trình huấn luyện:

• Truyền phát log thời gian thực trong quá trình huấn luyện, giữ lại 2000 dòng cuối cùng
• Thanh tiến trình theo epoch và kết quả kiểm định
• Phát hiện lỗi nghiêm trọng giúp kết thúc quá trình chạy và hiển thị thông báo trong biểu ngữ
• Hỗ trợ màu ANSI, cột dấu thời gian tùy chọn và sao chép một cú nhấp chuột dưới dạng văn bản thuần túy

Tab con Hệ thống#

Thẻ máy chủ tóm tắt phiên bản huấn luyện (hostname, CPU, GPU, tổng dung lượng RAM và đĩa, và thời điểm nó được nhìn thấy lần cuối), tiếp theo là các biểu đồ theo từng epoch:

Các biểu đồ GPU, mạng và đĩa chỉ xuất hiện khi quá trình chạy báo cáo các bộ đếm đó.

Tab Dự đoán (Predict)#

Chạy suy luận tương tác trực tiếp trong trình duyệt:

• Tải lên ảnh, sử dụng ảnh ví dụ hoặc dùng webcam
• Kết quả hiển thị kèm theo khung bao (bounding box), mask, bản đồ lớp ngữ nghĩa hoặc điểm mấu chốt (keypoint)
• Tự động suy luận khi cung cấp ảnh
• Hỗ trợ tất cả các loại tác vụ (detect, segment, semantic, depth, classify, pose, OBB)

Tab Xuất (Export)#

Xuất mô hình của bạn sang 20 định dạng triển khai. Xem mục Xuất mô hình bên dưới và Hướng dẫn chế độ Xuất cốt lõi để biết chi tiết đầy đủ.

Tab Triển khai#

Tạo và quản lý các điểm cuối suy luận chuyên biệt. Xem phần Triển khai để biết chi tiết.

Biểu đồ kiểm định#

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

Ma trận nhầm lẫn (Confusion Matrix)#

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

Đường cong PR/F1#

Khi quá trình huấn luyện cung cấp, chế độ xem Validation cũng hiển thị các đường cong hiệu suất ở các ngưỡng tin cậy khác nhau. Các biểu đồ xác thực khả dụng tùy thuộc vào các artifact do quá trình chạy tạo ra.

Chẩn đoán theo từng ảnh#

Các model phát hiện được huấn luyện với một saved dataset version cũng nhận được phân tích xác thực theo từng ảnh, điều này chỉ ra dữ liệu đứng sau điểm số đáng thất vọng:

• Ảnh có hiệu suất tệ nhất và tốt nhất, được xếp hạng theo F1 trên mỗi ảnh và được vẽ cùng với các hộp ground-truth của chúng
• Trình khám phá đặc trưng, tương quan F1 với chiều rộng ảnh, chiều cao, số lượng pixel, tỷ lệ khung hình và số lượng instance, với mối quan hệ mạnh nhất được chọn theo mặc định
• Các lớp liên quan đến lỗi, xếp hạng lớp nào xuất hiện nhiều nhất trong các ảnh yếu nhất

Xuất mô hình#

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

Xuất model của bạn ra 20 định dạng triển khai:

1. Điều hướng đến tab Export
2. Chọn định dạng mục tiêu
3. Cấu hình các đối số xuất (kích thước ảnh, độ chính xác một nửa, dynamic, v.v.)
4. Đối với các định dạng yêu cầu GPU (TensorRT), hãy chọn loại GPU
5. Nhấp vào Start Export
6. Tải xuống khi hoàn tất

Kết nối Cảnh báo Slack để nhận thông báo khi quá trình xuất hoàn tất hoặc gặp lỗi.

Các định dạng được hỗ trợ#

Nền tảng hỗ trợ xuất 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#

Các mục tiêu NVIDIA Jetson TensorRT#

Ultralytics Platform cung cấp các lựa chọn mục tiêu Jetson sau cho các bản xuất TensorRT .engine. Kể từ tháng 7 năm 2026, các bản xuất Jetson TensorRT được xây dựng với 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 thời gian này là các bài kiểm tra định tuyến production từ đầu đến cuối được quan sát riêng lẻ từ tháng 7 năm 2026, được làm tròn đến giây gần nhất; đây là các phép đo tham chiếu, không phải là SLA hay tiêu chuẩn hiệu năng cho mỗi SKU. Cả hai tùy chọn Thor đều được xây dựng trên T5000 Developer Kit trong cấu hình tương thích T4000 của NVIDIA. Sáu tuyến đường Orin được xây dựng trên AGX Orin 64GB, nơi mỗi engine tạo ra được tải và chạy.

Hỗ trợ Chip RKNN#

Khi xuất sang định dạng RKNN, hãy chọn thiết bị Rockchip mục tiêu của bạn:

Vòng đời tác vụ xuất#

Các tác vụ xuất sẽ trải qua các trạng thái sau:

Tác vụ xuất hàng loạt#

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

Hạn chế định dạng#

Một số định dạng xuất có hạn chế về kiến trúc hoặc tác vụ:

Sao chép (Clone) Model#

Sao chép mô hình sang một dự án khác:

1. Mở trang mô hình
2. Nhấp vào Clone Model
3. Chọn dự án đích hoặc chọn New Project để tạo mới ngay trong dòng
4. Tùy chọn đặt tên khác cho bản clone
5. Nhấp vào Clone Model

Model và trọng số của nó được sao chép sang dự án đích. Clone Model xuất hiện trên các model đã hoàn thành có trọng số mà bạn chưa sở hữu.

Tải xuống Model#

Tải xuống trọng số mô hình của bạn:

1. Điều hướng đến tab Overview của mô hình
2. Nhấp vào nút Download
3. Điểm kiểm tra chính .pt của mô hình sẽ tự động tải xuống

Các định dạng đã xuất có thể được tải xuống từ tab Export sau khi quá trình xuất hoàn tất.

Liên kết tập dữ liệu#

Các mô hình có thể được liên kết với tập dữ liệu nguồn của chúng:

• Xem tập dữ liệu nào đã được sử dụng để huấn luyện
• Nhấp vào thẻ tập dữ liệu trên tab Overview để điều hướng đến đó
• Theo dõi nguồn gốc dữ liệu

Khi huấn luyện với các tập dữ liệu trên Platform sử dụng định dạng URI ul://, việc liên kết diễn ra 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 Thêm thao tác và chọn Thông tin để xem lại hai phần:

• Siêu dữ liệu Ultralytics: Các thông tin chi tiết trên Platform chỉ đọc như ID mô hình, dự án, tập dữ liệu nguồn, tác vụ, trạng thái và dấu thời gian
• Siêu dữ liệu Tùy chỉnh: Đối tượng JSON của riêng bạn dành cho ngữ cảnh đánh giá, theo dõi phát hành, quản trị hoặc dữ liệu cụ thể khác của mô hình

Siêu dữ liệu tùy chỉnh tách biệt với thông tin mô hình thuộc quyền sở hữu của quá trình huấn luyện, thông tin chi tiết về môi trường và các tham số huấn luyện. Người xem không gian làm việc có thể kiểm tra dữ liệu này, trong khi các thành viên có quyền chỉnh sửa có thể thay thế đối tượng. Đối tượng siêu dữ liệu được tuần tự hóa bị giới hạn ở 500.000 ký tự và mỗi khóa cấp cao nhất bị giới hạn ở 128 ký tự. Lưu một đối tượng trống ({}) để xóa siêu dữ liệu tùy chỉnh.

Cài đặt hiển thị#

Kiểm soát người có thể xem model của bạn:

Khả năng hiển thị được đặt ở cấp độ dự án, do đó nó kiểm soát mọi model trong dự án. Để thay đổi, hãy nhấp vào huy hiệu hiển thị (private hoặc public) bên cạnh tên dự án trong breadcrumb ở đầu trang. Chuyển sang riêng tư có hiệu lực ngay lập tức. Chuyển sang công khai hiển thị hộp thoại xác nhận trước khi áp dụng.

Xóa Model#

Xóa model bạn không còn cần đến:

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

Xem thêm#

• Suy luận: Kiểm tra các mô hình trực tiếp trên trình duyệt với tab Dự đoán
• Điểm cuối: Triển khai mô hình lên môi trường vận hành với các điểm cuối chuyên biệt
• Huấn luyện trên đám mây: Cấu hình và chạy các tác vụ huấn luyện trên GPU đám mây
• Định dạng Xuất: Hướng dẫn chi tiết về tất cả 20 định dạng xuất

Câu hỏi thường gặp#