Phát hiện đối tượng với Ultralytics YOLO#

Phát hiện đối tượng là tác vụ xác định vị trí và lớp của đối tượng trong ảnh hoặc luồng video.

Đầu ra của bộ phát hiện đối tượng là tập hợp các hộp giới hạn bao quanh đối tượng trong ảnh, cùng với nhãn lớp và điểm tin cậy cho từng hộp. Phát hiện đối tượng là lựa chọn phù hợp khi bạn cần xác định các đối tượng quan tâm trong cảnh nhưng không cần biết hình dạng chính xác của đối tượng.

Model#

Các model YOLO26 Detect được huấn luyện trước trên dataset COCO được liệt kê bên dưới.

Model sẽ tự động tải xuống từ bản phát hành Ultralytics mới nhất trong lần sử dụng đầu tiên.

• Các giá trị mAP^val được tính cho một model, một scale trên dataset COCO val2017.
  Tái tạo kết quả bằng yolo detect val data=coco.yaml device=0. Thêm nms=False để tái tạo cột e2e.
• Tốc độ là mức trung bình trên các ảnh COCO val, sử dụng ONNX trên CPU và TensorRT10 trên GPU NVIDIA T4.
  Tái tạo kết quả bằng yolo detect val data=coco.yaml batch=1 device=0|cpu nms=False
• Các giá trị Params và FLOPs được tính cho model đã hợp nhất sau khi gộp Conv/BatchNorm và loại bỏ nhánh phát hiện không sử dụng. Checkpoint được huấn luyện trước vẫn giữ nguyên kiến trúc huấn luyện đầy đủ nên có thể hiển thị số liệu cao hơn.

Xem bản xem trước YOLO27 chưa phát hành để biết kết quả phát hiện COCO sơ bộ.

Huấn luyện#

Huấn luyện YOLO26n trên dataset COCO8 trong 100 epoch với kích thước ảnh 640. Để xem danh sách đầy đủ các đối số hiện có, hãy truy cập trang Cấu hình.

from ultralytics import YOLO

# Tải model
model = YOLO("yolo26n.yaml")  # tạo model mới từ YAML
model = YOLO("yolo26n.pt")  # tải model đã huấn luyện trước (được khuyến nghị khi huấn luyện)
model = YOLO("yolo26n.yaml").load("yolo26n.pt")  # tạo từ YAML và chuyển trọng số

# Huấn luyện model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Xem chi tiết đầy đủ về chế độ train trên trang Huấn luyện. Bạn cũng có thể huấn luyện model phát hiện bằng dịch vụ huấn luyện đám mây của Ultralytics Platform.

Định dạng dataset#

Bạn có thể tìm hiểu chi tiết định dạng dataset phát hiện YOLO trong Hướng dẫn về Dataset. Để chuyển đổi dataset COCO JSON hiện có sang định dạng YOLO, hãy dùng hàm tích hợp sẵn convert_coco được mô tả trong hướng dẫn chuyển đổi COCO sang YOLO. Bạn cũng có thể gán nhãn và quản lý dataset phát hiện bằng các công cụ gán nhãn có AI hỗ trợ của Ultralytics Platform.

Đánh giá#

Đánh giá độ chính xác của model YOLO26n đã huấn luyện. Không cần đối số nào vì model lưu lại data dùng trong quá trình huấn luyện cùng các đối số dưới dạng thuộc tính của model: path/to/best.pt trong ví dụ Huấn luyện sẽ đánh giá trên COCO8. Trọng số chính thức ghi lại đường dẫn dataset huấn luyện không tồn tại trên máy của bạn, nên chúng sẽ chuyển sang coco8.yaml mặc định của tác vụ và đưa ra cảnh báo. Truyền data để đánh giá trên dataset khác.

from ultralytics import YOLO

# Tải model
model = YOLO("yolo26n.pt")  # tải model chính thức
model = YOLO("path/to/best.pt")  # tải model tùy chỉnh

# Xác thực model
metrics = model.val()  # không cần đối số, dataset và cài đặt đã được ghi nhớ
metrics.box.map  # map50-95
metrics.box.map50  # map50
metrics.box.map75  # map75
metrics.box.maps  # danh sách chứa mAP50-95 cho từng danh mục
metrics.box.image_metrics  # dictionary metric theo từng ảnh, gồm precision, recall, F1, TP, FP và FN

Dự đoán#

Sử dụng model YOLO26n đã huấn luyện để chạy dự đoán trên ảnh.

from ultralytics import YOLO

# Tải model
model = YOLO("yolo26n.pt")  # tải model chính thức
model = YOLO("path/to/best.pt")  # tải model tùy chỉnh

# Dự đoán bằng model
results = model("https://ultralytics.com/images/bus.jpg")  # dự đoán trên một ảnh

# Truy cập kết quả
for result in results:
    xywh = result.boxes.xywh  # tâm-x, tâm-y, chiều rộng, chiều cao
    xywhn = result.boxes.xywhn  # normalized
    xyxy = result.boxes.xyxy  # trên-trái-x, trên-trái-y, dưới-phải-x, dưới-phải-y
    xyxyn = result.boxes.xyxyn  # normalized
    names = [result.names[cls.item()] for cls in result.boxes.cls.int()]  # tên lớp của từng hộp
    confs = result.boxes.conf  # điểm tin cậy của từng hộp

Xem chi tiết đầy đủ về chế độ predict trên trang Dự đoán.

Đầu ra kết quả#

Phát hiện đối tượng trả về một đối tượng Results cho mỗi ảnh. Trường dự đoán chính là result.boxes, chứa tọa độ hộp, ID lớp và điểm tin cậy cho từng đối tượng được phát hiện.

Để xem các trường Results dành riêng cho từng tác vụ trên tất cả tác vụ, hãy tham khảo mục Kết quả dự đoán theo tác vụ.

Export#

Xuất model YOLO26n sang định dạng khác như ONNX, CoreML, v.v.

from ultralytics import YOLO

# Tải model
model = YOLO("yolo26n.pt")  # tải model chính thức
model = YOLO("path/to/best.pt")  # tải model tùy chỉnh

# # Xuất model
model.export(format="onnx")

Các định dạng xuất YOLO26 hiện có được liệt kê trong bảng bên dưới. Bạn có thể xuất sang bất kỳ định dạng nào bằng đối số format, chẳng hạn format='onnx' hoặc format='engine'. Bạn có thể dự đoán hoặc đánh giá trực tiếp trên model đã xuất, chẳng hạn yolo predict model=yolo26n.onnx. Ví dụ sử dụng cho model sẽ hiển thị sau khi quá trình xuất hoàn tất.

nms=None mặc định xuất đầu ra thô cho NMS bên ngoài. Đặt nms=False để chọn một head không dùng NMS hiện có; các định dạng không được hỗ trợ sẽ chuyển về luồng đầu ra gốc. Các mục nms ở trên xác định những định dạng có thể tích hợp NMS với nms=True.

Xem chi tiết đầy đủ về export trên trang Export.

Câu hỏi thường gặp#