Huấn luyện tùy chỉnh Ultralytics YOLO11 với các dataset computer vision

Việc huấn luyện một model thị giác máy tính như Ultralytics YOLO11 thường bao gồm thu thập hình ảnh cho dataset, gắn nhãn, chuẩn bị dữ liệu và fine-tune model để đáp ứng các yêu cầu cụ thể của bạn. Mặc dù gói Python của Ultralytics giúp các bước này trở nên đơn giản và thân thiện với người dùng, quá trình phát triển AI thị giác vẫn có thể tốn nhiều thời gian.

Điều này đặc biệt đúng khi bạn phải làm việc với thời hạn gấp hoặc đang phát triển prototype. Trong những tình huống này, việc có các công cụ hoặc tích hợp giúp đơn giản hóa một số phần của quy trình—chẳng hạn như tối ưu hóa việc chuẩn bị dataset hoặc tự động hóa các tác vụ lặp đi lặp lại—có thể tạo ra khác biệt lớn. Bằng cách giảm thời gian và công sức cần thiết, các giải pháp này giúp bạn tập trung vào việc xây dựng và tinh chỉnh model. Đó chính là điều mà tích hợp Roboflow cung cấp.

Tích hợp Roboflow cho phép bạn dễ dàng truy cập các dataset từ Roboflow Universe, một thư viện lớn gồm các dataset thị giác máy tính mã nguồn mở. Thay vì mất hàng giờ thu thập và sắp xếp dữ liệu, bạn có thể nhanh chóng tìm và sử dụng các dataset có sẵn để khởi động quy trình huấn luyện Ultralytics YOLO11. Tích hợp này giúp việc thử nghiệm và lặp lại trong quá trình phát triển model thị giác máy tính nhanh chóng và đơn giản hơn nhiều.

Trong bài viết này, chúng ta sẽ tìm hiểu cách tận dụng tích hợp Roboflow để phát triển model nhanh hơn. Hãy bắt đầu!

Roboflow Universe là gì?#

Roboflow Universe là một nền tảng do Roboflow duy trì, một công ty tập trung vào việc đơn giản hóa quá trình phát triển thị giác máy tính. Nền tảng này gồm hơn 350 triệu hình ảnh, 500.000 dataset và 100.000 model được fine-tune cho các tác vụ như phát hiện đối tượng, phân loại hình ảnh và phân đoạn. Với sự đóng góp của các developer và nhà nghiên cứu trên toàn thế giới, Roboflow Universe là một trung tâm cộng tác dành cho bất kỳ ai muốn khởi động hoặc nâng cao các dự án thị giác máy tính của mình.

Hình 1. Ví dụ về các dataset phát hiện đối tượng trên Roboflow Universe.

Roboflow Universe bao gồm các tính năng chính sau:

• Công cụ khám phá dataset: Khám phá, lọc và trực quan hóa các dataset để nhanh chóng tìm thấy tài nguyên phù hợp với yêu cầu dự án của bạn.
• Tùy chọn export: Export dữ liệu ở các format như COCO, YOLO, TFRecord, CSV và nhiều format khác để phù hợp với workflow của bạn.
• Phân tích dataset: Thu thập thông tin chuyên sâu về nhiều dataset khác nhau bằng các công cụ phân tích cung cấp hình ảnh trực quan về phân phối nhãn, mất cân bằng class và chất lượng dataset.
• Theo dõi phiên bản: Xem và truy cập các phiên bản khác nhau của dataset do các contributor tải lên, cho phép bạn theo dõi cập nhật, so sánh thay đổi và chọn phiên bản phù hợp nhất với nhu cầu dự án.

Tích hợp Roboflow giúp bạn tìm đúng dữ liệu#

Tìm đúng dataset thường là một trong những phần khó khăn nhất khi xây dựng một model thị giác máy tính. Việc tạo dataset thường bao gồm thu thập một lượng lớn hình ảnh, đảm bảo chúng phù hợp với tác vụ của bạn và gắn nhãn chính xác cho chúng.

Quá trình này có thể tiêu tốn nhiều thời gian và tài nguyên, đặc biệt khi bạn đang thử nghiệm các phương pháp khác nhau trong một khoảng thời gian ngắn. Ngay cả việc tìm các dataset có sẵn cũng có thể khó khăn, vì chúng thường nằm rải rác trên nhiều nền tảng, không được tài liệu hóa đầy đủ hoặc thiếu các annotation cụ thể mà bạn cần.

Ví dụ, nếu bạn đang xây dựng một ứng dụng thị giác máy tính để phát hiện cỏ dại trên các cánh đồng nông nghiệp, bạn có thể muốn thử nghiệm các phương pháp AI thị giác khác nhau, chẳng hạn như phát hiện đối tượng và phân đoạn instance. Điều này cho phép bạn thử nghiệm và xác định phương pháp nào hoạt động tốt nhất trước khi dành thời gian và công sức thu thập, gắn nhãn dataset của riêng mình.

Hình 2. Phát hiện các bộ phận ô tô bằng Ultralytics YOLO11.

Bằng cách sử dụng tích hợp Roboflow, bạn có thể duyệt qua nhiều dataset liên quan đến nông nghiệp, bao gồm các dataset tập trung vào phát hiện cỏ dại, tình trạng cây trồng hoặc giám sát đồng ruộng. Những dataset sẵn sàng sử dụng này cho phép bạn thử nghiệm các kỹ thuật khác nhau và tinh chỉnh model mà không phải bỏ công sức ban đầu để tự tạo dữ liệu.

Cách thức hoạt động của tích hợp Roboflow#

Bây giờ chúng ta đã tìm hiểu cách sử dụng tích hợp Roboflow để tìm đúng dataset, hãy xem tích hợp này phù hợp với workflow của bạn như thế nào. Sau khi chọn một dataset từ Roboflow Universe, bạn có thể export hoặc tải xuống dataset ở format YOLO11. Sau khi dataset được export, bạn có thể sử dụng dataset để custom train YOLO11 bằng gói Python của Ultralytics.

Khi tải dataset xuống, bạn có thể nhận thấy Roboflow Universe cũng hỗ trợ các format khác để huấn luyện những model khác. Vậy tại sao bạn nên custom train Ultralytics YOLO11?

YOLO11 là phiên bản mới nhất của các model Ultralytics YOLO và được xây dựng để mang lại khả năng phát hiện đối tượng nhanh hơn và chính xác hơn. Model này sử dụng ít hơn 22% parameter (các giá trị nội bộ mà model điều chỉnh trong quá trình huấn luyện để đưa ra dự đoán) so với YOLOv8m, nhưng vẫn đạt độ chính xác trung bình (mAP) cao hơn trên dataset COCO. Sự cân bằng giữa tốc độ và độ chính xác này khiến YOLO11 trở thành lựa chọn linh hoạt cho nhiều ứng dụng thị giác máy tính, đặc biệt khi custom train model để phù hợp với các tác vụ cụ thể.

Dưới đây là cái nhìn chi tiết hơn về cách custom train Ultralytics YOLO11 hoạt động:

• Nạp dữ liệu: Model Ultralytics YOLO11 xử lý dataset của bạn, học cách phát hiện và phân loại các đối tượng từ hình ảnh và annotation tương ứng.
• Dự đoán và phản hồi: Model đưa ra dự đoán về các đối tượng trong hình ảnh và so sánh chúng với đáp án chính xác được cung cấp trong dataset.
• Theo dõi hiệu suất: Các metric như precision (phát hiện đúng), recall (phát hiện bị bỏ sót) và loss (lỗi dự đoán) được theo dõi để đánh giá tiến độ.
• Học lặp: Model điều chỉnh các parameter qua nhiều vòng (epoch) để cải thiện độ chính xác phát hiện và giảm thiểu lỗi.
• Đầu ra model cuối cùng: Sau khi huấn luyện, model đã được tối ưu hóa sẽ được lưu lại và sẵn sàng để deployment.

Các tích hợp khác tập trung vào phát triển thị giác máy tính#

Khi khám phá tích hợp Roboflow, bạn sẽ nhận thấy các tích hợp khác được đề cập trong tài liệu Ultralytics. Chúng tôi hỗ trợ nhiều tích hợp liên quan đến các giai đoạn khác nhau của quá trình phát triển thị giác máy tính.

Mục đích là cung cấp cho cộng đồng nhiều lựa chọn, để bạn có thể chọn giải pháp phù hợp nhất với workflow cụ thể của mình.

Hình 3. Tổng quan về các tích hợp được Ultralytics hỗ trợ.

Ngoài dataset, các tích hợp được Ultralytics hỗ trợ còn tập trung vào nhiều phần khác nhau của quy trình thị giác máy tính, chẳng hạn như huấn luyện, deployment và tối ưu hóa. Dưới đây là một số ví dụ về các tích hợp khác mà chúng tôi hỗ trợ:

• Tích hợp huấn luyện: Các tích hợp như Amazon SageMaker và Paperspace Gradient tối ưu hóa workflow huấn luyện bằng cách cung cấp các nền tảng trên cloud để phát triển và kiểm thử model hiệu quả.
• Tích hợp workflow và theo dõi thử nghiệm: ClearML, MLflow và Weights & Biases (W&B) giúp tự động hóa workflow, theo dõi các thử nghiệm và cải thiện khả năng cộng tác, từ đó giúp quản lý các dự án machine learning dễ dàng hơn.
• Tích hợp tối ưu hóa và deployment: CoreML, ONNX và OpenVINO cho phép deployment được tối ưu hóa trên nhiều thiết bị và framework, đảm bảo hiệu suất hiệu quả trên các nền tảng như phần cứng Apple và CPU Intel.
• Tích hợp giám sát và trực quan hóa: TensorBoard và Weights & Biases cung cấp các công cụ để trực quan hóa tiến độ huấn luyện và giám sát hiệu suất, mang lại thông tin chuyên sâu để tinh chỉnh model.

Các ứng dụng Ultralytics YOLO11 và vai trò của tích hợp#

Các tích hợp hỗ trợ phát triển thị giác máy tính, kết hợp với năng lực đáng tin cậy của Ultralytics YOLO11, giúp giải quyết các thách thức trong thực tế dễ dàng hơn. Hãy xem xét những đổi mới như thị giác máy tính trong sản xuất, trong đó AI thị giác được sử dụng để phát hiện lỗi trên dây chuyền sản xuất—chẳng hạn như vết xước trên các bộ phận kim loại hoặc linh kiện bị thiếu. Việc thu thập dữ liệu phù hợp cho các tác vụ này thường chậm và khó khăn, đồng thời đòi hỏi quyền truy cập vào các môi trường chuyên biệt.

Quá trình này thường bao gồm việc lắp đặt camera hoặc sensor dọc theo dây chuyền sản xuất để chụp hình sản phẩm. Những hình ảnh này cần được chụp với số lượng lớn, thường trong điều kiện ánh sáng và góc chụp nhất quán, để đảm bảo độ rõ nét và tính đồng nhất.

Sau khi được chụp, hình ảnh phải được annotation tỉ mỉ với các nhãn chính xác cho từng loại lỗi, chẳng hạn như vết xước, vết lõm hoặc linh kiện bị thiếu. Quá trình này đòi hỏi nhiều thời gian, tài nguyên và chuyên môn để đảm bảo dataset phản ánh chính xác sự biến thiên trong thực tế. Cần tính đến các yếu tố như kích thước, hình dạng và vật liệu khác nhau của lỗi để tạo ra một dataset mạnh mẽ và đáng tin cậy.

Các tích hợp cung cấp dataset dựng sẵn giúp thực hiện những tác vụ như kiểm soát chất lượng công nghiệp, và với khả năng phát hiện theo thời gian thực của Ultralytics YOLO11, nhà sản xuất có thể giám sát dây chuyền sản xuất, phát hiện lỗi ngay lập tức và cải thiện hiệu quả.

Hình 4. Ví dụ về việc sử dụng Ultralytics YOLO11 để phát hiện và đếm các lon đang được sản xuất.

Ngoài sản xuất, các tích hợp liên quan đến dataset có thể được sử dụng trong nhiều ngành khác. Bằng cách kết hợp tốc độ và độ chính xác của Ultralytics YOLO11 với các dataset dễ dàng truy cập, doanh nghiệp có thể nhanh chóng phát triển và triển khai các giải pháp phù hợp với nhu cầu cụ thể. Ví dụ, trong lĩnh vực chăm sóc sức khỏe, tích hợp dataset có thể hỗ trợ phát triển các giải pháp phân tích hình ảnh y tế để phát hiện những bất thường như khối u. Tương tự, trong lĩnh vực lái xe tự hành, các tích hợp này có thể hỗ trợ nhận diện phương tiện, người đi bộ và biển báo giao thông nhằm tăng cường an toàn.

Những điểm chính#

Tìm đúng dataset thường là một trong những phần tốn nhiều thời gian nhất khi xây dựng một model thị giác máy tính. Tuy nhiên, tích hợp Roboflow giúp bạn dễ dàng tìm được dataset tốt nhất để custom train các model Ultralytics YOLO, ngay cả khi bạn mới làm quen với thị giác máy tính.

Với quyền truy cập vào một bộ sưu tập dataset khổng lồ dành cho các tác vụ thị giác máy tính như phát hiện đối tượng, phân loại hình ảnh hoặc phân đoạn instance, Roboflow Universe giúp loại bỏ sự phức tạp của quá trình tìm kiếm dữ liệu. Nền tảng này giúp bạn nhanh chóng bắt đầu và tập trung vào việc xây dựng model thay vì dành thời gian thu thập, sắp xếp dữ liệu. Cách tiếp cận được tối ưu hóa này giúp developer prototype, lặp lại và phát triển các giải pháp thị giác máy tính hiệu quả hơn.

Để tìm hiểu thêm, hãy truy cập repository GitHub của chúng tôi và tham gia cộng đồng. Khám phá các đổi mới trong những lĩnh vực như AI trong xe tự lái và thị giác máy tính trong nông nghiệp trên các trang giải pháp của chúng tôi. 🚀