Mô hình
Nền tảng Ultralytics cung cấp khả năng quản lý mô hình toàn diện để đào tạo, phân tích và triển khai. YOLO mô hình. Tải lên các mô hình đã được huấn luyện trước hoặc huấn luyện các mô hình mới trực tiếp trên Nền tảng.
Tải lên mô hình
Tải trọng số mô hình hiện có lên Nền tảng:
- Điều hướng đến dự án của bạn
- Nhấp vào Tải lên mô hình
- Chọn của bạn
.pttệp - Thêm tên và mô tả
- Nhấp vào Tải lên
Các định dạng mô hình được hỗ trợ:
| Định dạng | Sự mở rộng | Mô tả |
|---|---|---|
| PyTorch | .pt | Tự nhiên Ultralytics định dạng |
Sau khi tải lên, nền tảng sẽ phân tích siêu dữ liệu của mô hình:
- Loại nhiệm vụ ( detect , segment , tư thế, OBB, classify )
- Kiến trúc (YOLO11n, YOLO11s, v.v.)
- Tên lớp và số lượng
- Kích thước và thông số đầu vào
Huấn luyện Mô hình
Huấn luyện mô hình mới trực tiếp trên nền tảng:
- Điều hướng đến dự án của bạn
- Nhấp vào Mô hình tàu hỏa
- Chọn tập dữ liệu
- Chọn mẫu cơ bản
- Cấu hình các tham số huấn luyện
- Bắt đầu huấn luyện
Xem phần Đào tạo về Điện toán đám mây để biết hướng dẫn chi tiết.
Tổng quan về mô hình
Mỗi trang mô hình hiển thị:
| Phần | Nội dung |
|---|---|
| Tổng quan | Siêu dữ liệu mô hình, loại tác vụ, kiến trúc |
| Các độ đo | Biểu đồ tổn thất trong quá trình tập luyện và hiệu suất |
| Cốt truyện | Ma trận nhầm lẫn, đường cong PR, đường cong F1 |
| Bài kiểm tra | Kiểm thử suy luận tương tác |
| Triển khai | Tạo và quản lý điểm cuối |
| Xuất | Chuyển đổi định dạng và tải xuống |
Số liệu đào tạo
Xem số liệu huấn luyện theo thời gian thực và lịch sử:
Đường cong tổn thất
| Sự mất mát | Mô tả |
|---|---|
| Hộp | Mất mát hồi quy hộp giới hạn |
| Lớp học | Mất mát phân loại |
| DFL | Mất phân bố tiêu điểm |
Các chỉ số hiệu suất
| Chỉ số | Mô tả |
|---|---|
| mAP50 | Độ chính xác trung bình tại IoU 0,50 |
| mAP50 -95 | Độ chính xác trung bình tại IoU 0,50-0,95 |
| Độ chính xác | Tỷ lệ dự đoán dương tính chính xác |
| Độ nhớ lại | Tỷ lệ các trường hợp dương tính thực tế được xác định |
Biểu đồ xác thực
Sau khi quá trình huấn luyện hoàn tất, hãy xem phân tích xác thực chi tiết:
Ma Trận Nhầm Lẫn
Bản đồ nhiệt tương tác hiển thị độ chính xác dự đoán cho mỗi lớp:
Đường cong PR/F1
Đường cong hiệu suất ở các ngưỡng độ tin cậy khác nhau:
| Đường cong | Mô tả |
|---|---|
| Độ chính xác-Thu hồi | Sự đánh đổi giữa độ chính xác và khả năng thu hồi |
| F1-Sự tự tin | Điểm F1 ở các mức độ tự tin khác nhau |
| Độ chính xác - Sự tin cậy | Độ chính xác ở các mức độ tin cậy khác nhau |
| Khả năng nhớ lại - Sự tự tin | Khả năng nhớ lại ở các mức độ tin cậy khác nhau |
Mô hình xuất khẩu
Xuất mô hình của bạn sang 17 định dạng triển khai khác nhau:
- Điều hướng đến tab Xuất
- Chọn định dạng đích
- Nhấp vào Xuất
- Tải xuống khi hoàn tất
Các định dạng được hỗ trợ
| Định dạng | Mô tả | Trường hợp sử dụng |
|---|---|---|
| ONNX | Sàn giao dịch mạng thần kinh mở | Triển khai đa nền tảng |
| TorchScript | Đã tuần tự hóa PyTorch | PyTorch triển khai |
| OpenVINO | Intel tối ưu hóa | Intel CPU/GPU |
| TensorRT | NVIDIA tối ưu hóa | NVIDIA GPU |
| CoreML | Tối ưu hóa của Apple | iOS /macOS |
| TFLite | TensorFlow Lite | Di động/nhúng |
| TF SavedModel | TensorFlow định dạng | TensorFlow hệ sinh thái |
| TF GraphDef | TensorFlow đông lạnh | Di sản TensorFlow |
| PaddlePaddle | Khung Baidu | PaddlePaddle hệ sinh thái |
| NCNN | Suy luận di động | Android /nhúng |
| Bờ rìa TPU | Google Bờ rìa TPU | Thiết bị san hô |
| TF.js | TensorFlow.js | Triển khai trình duyệt |
| MNN | Khung Alibaba | Tối ưu hóa cho thiết bị di động |
| RKNN | Bộ xử lý NPU Rockchip | Thiết bị Rockchip |
| IMX | NXP i.MX | Nền tảng NXP |
| Axelera | Trí tuệ nhân tạo Metis | Bộ tăng tốc AI biên |
| ExecuTorch | Khung siêu cấp | Nền tảng meta |
Thời gian xuất khẩu
Thời gian xuất dữ liệu có thể khác nhau tùy thuộc vào định dạng. TensorRT Quá trình xuất dữ liệu có thể mất vài phút do tối ưu hóa công cụ.
Liên kết tập dữ liệu
Các mô hình có thể được liên kết với tập dữ liệu nguồn của chúng:
- Xem bộ dữ liệu nào đã được sử dụng để huấn luyện
- Truy cập tập dữ liệu từ trang mô hình
- Theo dõi nguồn gốc dữ liệu
Khi huấn luyện với các tập dữ liệu Nền tảng bằng cách sử dụng ul:// Định dạng URI, việc liên kết diễn ra tự động.
Cài đặt hiển thị
Kiểm soát ai có thể xem mô hình của bạn:
| Thiết lập | Mô tả |
|---|---|
| Riêng tư | Chỉ bạn mới có thể truy cập |
| Công cộng | Bất kỳ ai cũng có thể xem trên trang Khám phá. |
Để thay đổi chế độ hiển thị:
- Mở menu thao tác mô hình
- Nhấp vào Chỉnh sửa
- Bật/tắt hiển thị
- Nhấp vào Lưu
Xóa mô hình
Xóa mô hình mà bạn không còn cần nữa:
- Mở menu thao tác mô hình
- Nhấp vào Xóa
- Xác nhận xóa
Thùng rác và Khôi phục
Các mô hình đã xóa sẽ được chuyển vào Thùng rác trong 30 ngày. Khôi phục từ Cài đặt > Thùng rác.
Câu hỏi thường gặp
Những kiến trúc mô hình nào được hỗ trợ?
Ultralytics Nền tảng hỗ trợ tất cả YOLO kiến trúc:
- YOLO11 : các biến thể n, s, m, l, x
- YOLO26 : Thế hệ mới nhất (khi có hàng)
- YOLOv10 : Hỗ trợ phiên bản cũ
- YOLOv8 : Hỗ trợ phiên bản cũ
- YOLOv5 : Hỗ trợ phiên bản cũ
Tôi có thể tải xuống mô hình đã được huấn luyện của mình không?
Vâng, hãy tải xuống trọng số mô hình của bạn từ trang mô hình:
- Nhấp vào biểu tượng tải xuống
- Chọn định dạng (bản gốc)
.pthoặc xuất khẩu) - Quá trình tải xuống bắt đầu tự động
Làm thế nào để so sánh các mô hình giữa các dự án khác nhau?
Hiện tại, việc so sánh mô hình chỉ được thực hiện trong cùng một dự án. Để so sánh giữa các dự án khác nhau:
- Chuyển các mô hình sang một dự án duy nhất, hoặc
- Xuất các chỉ số và so sánh với các nguồn bên ngoài.
Kích thước mô hình tối đa là bao nhiêu?
Không có giới hạn cụ thể nào, nhưng các mô hình rất lớn (>2GB) có thể mất nhiều thời gian hơn để tải lên và xử lý.
Tôi có thể tinh chỉnh các mô hình đã được huấn luyện trước không?
Đúng vậy! Hãy tải lên một mô hình đã được huấn luyện trước, sau đó bắt đầu huấn luyện từ điểm kiểm tra đó với tập dữ liệu của bạn. Nền tảng sẽ tự động sử dụng mô hình đã tải lên làm điểm bắt đầu.
