Models#

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

Tải model lên#

Tải trọng số model hiện có lên nền tảng:

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

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

Các định dạng model được hỗ trợ:

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

• Loại tác vụ (phát hiện, phân đoạn, ngữ nghĩa, độ sâu, phân loại, tư thế, OBB)
• Kiến trúc (YOLO26n, YOLO26s, v.v.)
• Tên và số lượng lớp
• Kích thước đầu vào và số lượng tham số
• Kết quả và metric huấn luyện (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 cơ sở và dataset
4. Cấu hình các tham số huấn luyện
5. Chọn huấn luyện trên đám mây hoặc cục bộ
6. Bắt đầu huấn luyện

Xem Cloud Training để biết hướng dẫn chi tiết.

Vòng đời model#

Các tab trên trang Model#

Mỗi trang model có các tab sau:

Phần đầu trang Model#

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

Ngay bên dưới, mỗi metric tác vụ có một thẻ hiển thị giá trị cuối cùng phía trên sparkline thể hiện tiến trình huấn luyện — nhấp vào thẻ bất kỳ để chuyển đến biểu đồ — bên cạnh thẻ liên kết đến dataset dùng để huấn luyện model.

Tab Overview#

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

Trong khi lần chạy đang hoạt động, thẻ hiển thị tiến độ trực tiếp — bộ đếm epoch, thanh tiến độ, thời gian đã trôi qua, ETA, chi phí đang tăng — cùng nút Cancel. Nếu lần chạy thất bại, một banner lỗi sẽ thay thế thẻ, hiển thị lỗi được ghi lại cùng các thao tác View full console logs và Retry Training.

Bên dưới, Training Configuration liệt kê mọi siêu tham số đã sử dụng và Performance Metrics liệt kê kết quả đánh giá cuối cùng. Có thể tìm kiếm trong cả hai bảng và dùng menu Export data (Copy JSON, Download CSV, Download JSON).

Tab Train#

Tab Train có ba tab phụ:

Tab phụ Charts#

Biểu đồ metric tương tác theo từng epoch, được chia thành chế độ xem Training và Validation khi lần chạy tạo ra artifact validation. Các nhóm biểu đồ tương ứng với những metric được báo cáo trong lần chạy:

Có thể thu gọn từng nhóm; menu của nhóm cho phép ẩn hoặc hiện từng biểu đồ (và với loss, các chuỗi train hoặc validation). Có thể kéo và thay đổi kích thước biểu đồ để tạo bố cục được lưu lại giữa các phiên.

Tab phụ Console#

Đầu ra console trực tiếp từ quy trình huấn luyện:

• Truyền log theo thời gian thực trong quá trình huấn luyện, lưu giữ 2000 dòng gần nhất
• Thanh tiến trình epoch và kết quả validation
• Phát hiện lỗi nghiêm trọng để kết thúc lần chạy và hiển thị thông báo trên banner
• Hỗ trợ màu ANSI, cột dấu thời gian tùy chọn và sao chép văn bản thuần chỉ bằng một lần nhấp

Tab phụ System#

Thẻ máy chủ tóm tắt thông tin instance huấn luyện (hostname, CPU, tổng dung lượng GPU, RAM và đĩa, cùng thời điểm ghi nhận gần nhất), tiếp theo là các biểu đồ theo từng epoch:

Biểu đồ GPU, mạng và đĩa chỉ xuất hiện khi lần chạy báo cáo các bộ đếm tương ứng.

Tab Predict#

Chạy suy luận tương tác trực tiếp trong trình duyệt:

• Tải ảnh lên, sử dụng ảnh mẫu hoặc dùng webcam
• Kết quả được hiển thị bằng bounding box, mask, bản đồ lớp ngữ nghĩa hoặc keypoint
• Tự động chạy suy luận khi có ảnh được cung cấp
• Hỗ trợ mọi loại tác vụ (phát hiện, phân đoạn, ngữ nghĩa, độ sâu, phân loại, tư thế, OBB)

Tab Export#

Export model sang 22 format triển khai. Xem Export Model bên dưới và hướng dẫn mode Export cốt lõi để biết đầy đủ chi tiết.

Tab Deploy#

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

Biểu đồ validation#

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

Ma trận nhầm lẫn#

Bản đồ nhiệt tương tác thể hiện độ chính xác dự đoán theo từng lớp:

Đường cong PR/F1#

Khi lần chạy huấn luyện cung cấp các đường cong, chế độ xem Validation cũng hiển thị hiệu năng ở các ngưỡng confidence khác nhau. Các biểu đồ validation khả dụng tùy thuộc vào artifact do lần chạy tạo ra.

Chẩn đoán theo ảnh#

Các model phát hiện được huấn luyện bằng phiên bản dataset đã lưu cũng có phân tích validation theo từng ảnh, giúp xác định dữ liệu đứng sau điểm số chưa đạt kỳ vọng:

• Ảnh có hiệu năng thấp nhất và cao nhất, được xếp hạng theo F1 của từng ảnh và hiển thị cùng các bounding box ground truth
• Trình khám phá đặc trưng, đối chiếu F1 với chiều rộng, chiều cao, số pixel, tỷ lệ khung hình và số lượng instance của ảnh; mặc định chọn mối tương quan mạnh nhất
• Các lớp liên quan đến lỗi, xếp hạng những lớp xuất hiện thường xuyên nhất trong các ảnh có hiệu năng thấp nhất
• Tìm ảnh tương tự trong thư viện ảnh có hiệu năng thấp nhất, trên một ảnh riêng lẻ ở chế độ toàn màn hình và trên một hàng lớp; tính năng này tìm kiếm trong các dataset công khai, dataset của bạn và dataset nhóm để tìm ảnh tương tự các lỗi đã ghi nhận, rồi thêm những ảnh bạn chọn vào dataset huấn luyện dưới dạng ảnh train chưa gán nhãn (xem Tìm ảnh tương tự); tính năng này xuất hiện khi bạn có thể chỉnh sửa project và dataset huấn luyện là dataset không kết nối thuộc cùng workspace

Xuất model#

Export model sang 22 format triển khai:

1. Chuyển đến tab Export
2. Chọn định dạng đích
3. Cấu hình các tham số xuất (kích thước ảnh, độ chính xác, chế độ động, v.v.)
4. 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 sẵn sàng hoặc gặp lỗi.

Các định dạng được hỗ trợ#

Platform hỗ trợ export sang 22 format triển khai: TorchScript, ONNX, OpenVINO, TensorRT, CoreML, Apple Core AI, TF SavedModel, TF GraphDef, TF Edge TPU, LiteRT, PaddlePaddle, MNN, NCNN, IMX500, RKNN, ExecuTorch, Axelera, DeepX, Qualcomm (QNN), Hailo, Huawei Ascend và AMD Xilinx.

Hướng dẫn chọn định dạng#

Các đích TensorRT cho NVIDIA Jetson#

Ultralytics Platform cung cấp các lựa chọn đích Jetson sau đây cho quá trình xuất TensorRT .engine. Các số liệu validation tháng 7 năm 2026 dưới đây được đo bằng 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 số liệu mô tả môi trường đã kiểm thử đó; hãy xác minh runtime hiện tại của worker và thiết bị triển khai trước khi sử dụng lại engine đã xuất.

Thời gian là kết quả quan sát đơn lẻ từ các bài kiểm tra định tuyến production đầu cuối vào tháng 7 năm 2026, được làm tròn đến giây gần nhất; đây là số 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 ở cấu hình tương thích T4000 của NVIDIA. Sáu tuyến Orin được build trên AGX Orin 64GB, nơi mọi engine tạo ra đều được tải và chạy.

Hỗ trợ chip RKNN#

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

Vòng đời job export#

Job export lần lượt chuyển qua các trạng thái sau:

Thao tác export hàng loạt#

• Export tất cả: Nhấp vào Export All để bắt đầu job export cho tất cả định dạng dựa trên CPU bằng cài đặt mặc định. Các định dạng cần chọn GPU, không khả dụng cho model này hoặc đã có bản export sẽ bị bỏ qua và liệt kê để bạn xem.
• Xóa tất cả bản export: Nhấp vào Delete All để xóa tất cả bản 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 project#

Di chuyển các model bạn có thể chỉnh sửa sang project khác trong cùng workspace mà không cần sao chép:

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

Các model được di chuyển vẫn giữ nguyên weights, metrics, bản export và deployment, đồng thời sử dụng URL của project đích. Nếu tên URL của model đã được dùng trong project đích, model sẽ được đổi tên khi chuyển đến; không thể di chuyển model vẫn đang được training; và Esc sẽ hủy thao tác cắt đang chờ. Để sao chép model bạn không sở hữu vào một trong các project của mình, hãy dùng Clone Model.

Clone model#

Clone model sang project khác:

1. Mở trang model
2. Nhấp vào Clone Model
3. Chọn project đích hoặc chọn Project mới để tạo project ngay tại đây
4. Bạn có thể đặt tên khác cho bản clone
5. Nhấp vào Clone Model

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

Tải xuống model#

Tải xuống trọng số model của bạn:

1. Mở trang model
2. Nhấp vào biểu tượng tải xuống trong phần đầu model (có sẵn ở mọi tab)
3. Checkpoint .pt chính của model sẽ tự động được tải xuống

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

Liên kết dataset#

Có thể liên kết model với dataset nguồn:

• Xem dataset nào đã được dùng để huấn luyện
• Nhấp vào thẻ dataset trong tab Overview để mở dataset đó
• Theo dõi nguồn gốc dữ liệu

Khi huấn luyện bằng dataset Platform theo định dạng URI ul://, liên kết sẽ được tạo 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 Thao tác khác rồi chọn Thông tin để xem hai mục:

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

Siêu dữ liệu tùy chỉnh tách biệt với thông tin model do quá trình huấn luyện quản lý, thông tin môi trường và tham số huấn luyện. Người xem trong workspace có thể kiểm tra siêu dữ liệu này, còn thành viên có quyền chỉnh sửa có thể thay thế đối tượng. Đối tượng siêu dữ liệu đã tuần tự hóa bị giới hạn ở 500.000 ký tự, mỗi khóa cấp cao nhất bị giới hạn ở 128 ký tự. Lưu một đối tượng rỗng ({}) để xóa siêu dữ liệu tùy chỉnh.

Cài đặt chế độ hiển thị#

Kiểm soát người có thể xem model của bạn:

Chế độ hiển thị được thiết lập ở cấp project, vì vậy chế độ này áp dụng cho mọi model trong project. Để thay đổi, hãy nhấp vào huy hiệu chế độ hiển thị (private hoặc public) bên cạnh tên project trong đường dẫn điều hướng ở đầu trang. Chuyển sang chế độ riêng tư có hiệu lực ngay lập tức. Khi chuyển sang chế độ công khai, hộp thoại xác nhận sẽ xuất hiện trước khi áp dụng.

Xóa model#

Xóa model bạn không còn cần:

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

Xem thêm#

• Suy luận: Kiểm thử model trong trình duyệt bằng tab Predict
• Endpoint: Triển khai model lên môi trường production bằng endpoint chuyên dụng
• Huấn luyện trên đám mây: Cấu hình và chạy các job huấn luyện trên GPU đám mây
• Các format export: Hướng dẫn đầy đủ về cả 22 format export

Câu hỏi thường gặp#