Mô hình
Nền tảng Ultralytics 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 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 | Phần mở rộng | Mô tả |
|---|---|---|
| PyTorch | .pt | Định dạng Ultralytics gốc |
Sau khi tải lên, Nền tảng phân tích siêu dữ liệu mô hình:
- Loại tác vụ (detect, segment, pose, OBB, classify)
- Kiến trúc (YOLO26n, YOLO26s, v.v.)
- Tên lớp và số lượng
- Kích thước đầu vào và tham số
Huấn luyện Mô hình
Huấn luyện một mô hình mới trực tiếp trên Nền tảng:
- Điều hướng đến dự án của bạn
- Nhấp vào Huấn luyện Mô hình
- Chọn tập dữ liệu
- Chọn mô hình cơ sở
- Cấu hình các tham số huấn luyện
- Bắt đầu huấn luyện
Xem Huấn luyện trên đám mây để biết hướng dẫn chi tiết.
Tổng quan mô hình
Mỗi trang mô hình hiển thị:
| Mục | Nội dung |
|---|---|
| Tổng quan | Siêu dữ liệu mô hình, loại tác vụ, kiến trúc |
| Các độ đo | Mất mát huấn luyện và biểu đồ hiệu suất |
| Biểu đồ | Ma trận nhầm lẫn, đường cong PR, đường cong F1 |
| Kiểm thử | Kiểm thử suy luận tương tác |
| Triển khai | Tạo và quản lý điểm cuối |
| Xuất | Chuyển đổi định dạng và tải xuống |
Các chỉ số huấn luyện
Xem các chỉ số huấn luyện thời gian thực và lịch sử:
Đường cong mất mát
| Mất mát | Mô tả |
|---|---|
| Hộp | Mất mát hồi quy hộp giới hạn |
| Lớp | Hàm mất mát phân loại |
| DFL | Hàm mất mát tiêu điểm phân phối |
Các chỉ số hiệu suất
| Chỉ số | Mô tả |
|---|---|
| mAP50 | Độ chính xác trung bình (mAP) tại IoU 0.50 |
| mAP50-95 | Độ chính xác trung bình (mAP) tại IoU 0.50-0.95 |
| Độ chính xác | Tỷ lệ dự đoán dương tính đúng |
| Độ nhớ lại | Tỷ lệ dương tính thực tế được nhận diện |
Biểu đồ xác thực
Sau khi quá trình huấn luyện hoàn tất, xem phân tích xác thực chi tiết:
Ma Trận Nhầm Lẫn
Bản đồ nhiệt tương tác hiển thị độ chính xác dự đoán theo từng lớp:
Đường cong PR/F1
Các đường cong hiệu suất tại các ngưỡng độ tin cậy khác nhau:
| Đường cong | Mô tả |
|---|---|
| Độ chính xác-Độ thu hồi | Sự đánh đổi giữa độ chính xác và độ thu hồi |
| F1-Độ tin cậy | Điểm F1 tại các mức độ tin cậy khác nhau |
| Độ chính xác-Độ tin cậy | Độ chính xác tại các mức độ tin cậy khác nhau |
| Độ thu hồi-Độ tin cậy | Độ thu hồi tại các mức độ tin cậy khác nhau |
Xuất mô hình
Xuất mô hình của bạn sang 17 định dạng triển khai:
- Điều hướng đến tab Export
- Chọn định dạng mục tiêu
- Nhấp vào Xuất
- Tải xuống khi hoàn tất
Các định dạng được hỗ trợ (tổng cộng 17 định dạng)
| # | Định dạng | Phần mở rộng tệp | Trường hợp sử dụng |
|---|---|---|---|
| 1 | ONNX | .onnx | Đa nền tảng, web, hầu hết các môi trường chạy |
| 2 | TorchScript | .torchscript | PyTorch triển khai mà không Python |
| 3 | OpenVINO | .xml, .bin | Intel CPU, GPU, VPU |
| 4 | TensorRT | .engine | NVIDIA GPU (suy luận nhanh nhất) |
| 5 | CoreML | .mlpackage | Quả táo iOS macOS, watchOS |
| 6 | TF Lite | .tflite | Di động ( Android , iOS ), bờ rìa |
| 7 | TF SavedModel | saved_model/ | TensorFlow Phục vụ |
| 8 | TF GraphDef | .pb | TensorFlow 1.x |
| 9 | TF Edge TPU | .tflite | Google Thiết bị san hô |
| 10 | TF.js | .json, .bin | Suy luận trình duyệt |
| 11 | PaddlePaddle | .pdmodel | Baidu PaddlePaddle |
| 12 | NCNN | .param, .bin | Di động ( Android / iOS ), tối ưu hóa |
| 13 | MNN | .mnn | Thời gian chạy di động Alibaba |
| 14 | RKNN | .rknn | Bộ xử lý NPU của Rockchip |
| 15 | IMX500 | .imx | Cảm biến Sony IMX500 |
| 16 | Axelera | .axelera | Bộ tăng tốc AI của Axelera |
Hướng dẫn lựa chọn định dạng
Đối với GPU NVIDIA : Sử dụng TensorRT để đạt tốc độ tối đa.
Đối với phần cứng Intel : Sử dụng OpenVINO để Intel CPU, GPU và VPU
Đối với các thiết bị của Apple: Sử dụng CoreML để iOS macOS, Apple Silicon
Đối với Android : Hãy sử dụng TF Lite hoặc NCNN để có hiệu năng tốt nhất.
Đối với trình duyệt web: Sử dụng TF hoặc ONNX (với ONNX (Runtime Web)
Đối với các thiết bị biên: Sử dụng TF Edge TPU cho Coral, RKNN cho Rockchip.
Để đảm bảo khả năng tương thích chung: Hãy sử dụng ONNX — hoạt động với hầu hết các môi trường chạy suy luận.
Thời gian xuất
Thời gian xuất khác nhau tùy theo định dạng. Việc xuất TensorRT có thể mất vài phút do tối ưu hóa engine.
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
- Truy cập tập dữ liệu từ trang mô hình
- Track nguồn gốc dữ liệu
Khi huấn luyện với các tập dữ liệu Nền tảng sử dụng ul:// định dạng URI, việc liên kết là tự động.
Cài đặt hiển thị
Kiểm soát ai có thể xem mô hình của bạn:
| Thiết lập | Mô tả |
|---|---|
| Riêng tư | Chỉ bạn có thể truy cập |
| Công khai | Bất kỳ ai cũng có thể xem trên trang Khám phá |
Để thay đổi chế độ hiển thị:
- Mở menu hành động của mô hình
- Nhấp vào Chỉnh sửa
- Chuyển đổi khả năng hiển thị
- Nhấp vào Lưu
Xóa mô hình
Xóa một mô hình bạn không còn cần:
- Mở menu hành động của mô hình
- Nhấp vào Xóa
- Xác nhận xóa
Thùng rác và Khôi phục
Các mô hình đã xóa sẽ 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?
Nền tảng Ultralytics hỗ trợ tất cả các kiến trúc YOLO:
- YOLO26 : các biến thể n, s, m, l, x (được khuyến nghị)
- YOLO11: các biến thể n, s, m, l, x
- YOLOv10: Hỗ trợ kế thừa
- YOLOv8: Hỗ trợ kế thừa
- YOLOv5: Hỗ trợ kế thừa
Tôi có thể tải xuống mô hình đã huấn luyện của mình không?
Có, bạn có thể tải xuống trọng số mô hình của mình từ trang mô hình:
- Nhấp vào biểu tượng tải xuống
- Chọn định dạng (gốc
.pthoặc được xuất) - Tải xuống bắt đầu tự động
Làm cách nào để so sánh các mô hình giữa các dự án?
Hiện tại, việc so sánh mô hình được thực hiện trong cùng một dự án. Để so sánh giữa các dự án:
- Chuyển mô hình sang một dự án duy nhất, hoặc
- Xuất các chỉ số và so sánh bên ngoài
Kích thước mô hình tối đa là bao nhiêu?
Không có giới hạn nghiêm ngặt, nhưng các mô hình rất lớn (>2GB) có thể có thời gian tải lên và xử lý lâu hơn.
Tôi có thể tinh chỉnh các mô hình đã được huấn luyện trước không?
Có! 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 khởi đầu.
