Huấn luyện tùy chỉnh Ultralytics YOLO11 bằng bộ dữ liệu thị giác máy tính

Huấn luyện model thị giác máy tính như Ultralytics YOLO11 thường bao gồm thu thập ảnh cho dataset, gán nhãn, chuẩn bị dữ liệu và tinh chỉnh model để đáp ứng các yêu cầu cụ thể. Mặc dù gói Python Ultralytics giúp các bước này trở nên đơn giản và dễ thực hiện, quá trình phát triển AI thị giác vẫn có thể tốn nhiều thời gian.

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

Tích hợp Roboflow giúp bạn dễ dàng truy cập dataset từ Roboflow Universe, một thư viện lớn gồm các dataset thị giác máy tính mã nguồn mở. Thay vì dành hàng giờ thu thập và sắp xếp dữ liệu, bạn có thể nhanh chóng tìm và sử dụng các dataset hiện có để bắt đầu huấn luyện Ultralytics YOLO11. Tích hợp này giúp quá trình thử nghiệm và lặp lại trong phát triển model thị giác máy tính nhanh chóng, 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.

Roboflow Universe là gì?#

Roboflow Universe là nền tảng do Roboflow duy trì, một công ty tập trung đơn giản hóa quá trình phát triển thị giác máy tính. Nền tảng này có hơn 350 triệu hình ảnh, 500.000 dataset và 100.000 model được tinh chỉnh cho các tác vụ như phát hiện đối tượng, phân đoạn và phân loại hình ảnh. Với đóng góp từ các developer và nhà nghiên cứu trên toàn thế giới, Roboflow Universe là một không gian cộng tác dành cho bất kỳ ai muốn nhanh chóng bắt đầu hoặc cải thiện dự án thị giác máy tính của mình.

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

Roboflow Universe có các tính năng chính sau:

• Công cụ khám phá dataset: Khám phá, lọc và trực quan hóa dataset để nhanh chóng tìm tài nguyên phù hợp với yêu cầu dự án.
• Tùy chọn export: Export dữ liệu sang các định dạng như COCO, YOLO, TFRecord, CSV và nhiều định dạng khác để phù hợp với quy trình làm việc của bạn.
• Phân tích dataset: Tìm hiểu về nhiều dataset thông qua các công cụ phân tích cung cấp hình ảnh trực quan về phân bố nhãn, mất cân bằng lớp và chất lượng dataset.
• Theo dõi phiên bản: Xem và truy cập các phiên bản khác nhau của dataset do cộng tác viên tải lên, giúp 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 dataset phù hợp thường là một trong những thách thức lớn nhất khi xây dựng model thị giác máy tính. Tạo dataset thường bao gồm thu thập lượng lớn hình ảnh, đảm bảo hình ảnh phù hợp với tác vụ, sau đó gán nhãn chính xác.

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

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

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

Với 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, sức khỏe cây trồng hoặc giám sát đồng ruộng. Những dataset sẵn sàng sử dụng này cho phép bạn thử các kỹ thuật khác nhau và tinh chỉnh model mà không cần bỏ công tạo dữ liệu từ đầu.

Cách thức hoạt động của tích hợp Roboflow#

Giờ đây, sau khi đã tìm hiểu cách sử dụng tích hợp Roboflow để tìm dataset phù hợp, hãy xem cách tích hợp này phù hợp với quy trình làm việc của bạn. Sau khi chọn dataset từ Roboflow Universe, bạn có thể xuất hoặc tải dataset xuống ở định dạng YOLO11. Sau khi xuất dataset, bạn có thể dùng dataset để huấn luyện tùy chỉnh YOLO11 bằng gói Python Ultralytics.

Khi tải dataset xuống, bạn có thể nhận thấy Roboflow Universe cũng hỗ trợ các định dạng khác để huấn luyện những model khác nhau. Vậy tại sao nên chọn huấn luyện tùy chỉnh Ultralytics YOLO11?

Tại thời điểm bài viết được thực hiện, YOLO11 là phiên bản mới nhất của các model Ultralytics YOLO (kể từ đó, model này đã được thay thế bởi Ultralytics YOLO26) và được xây dựng để phát hiện đối tượng nhanh, chính xác hơn. YOLO11m sử dụng ít hơn 22% tham số (các giá trị nội bộ mà model điều chỉnh trong quá trình huấn luyện để đưa ra dự đoán) so với YOLOv8m, nhưng đạt độ chính xác trung bình tổng thể (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 huấn luyện tùy chỉnh model cho các tác vụ cụ thể.

Sau đây là phần tìm hiểu kỹ hơn về cách huấn luyện tùy chỉnh Ultralytics YOLO11:

• Nạp dữ liệu: Model Ultralytics YOLO11 xử lý dataset, học cách phát hiện và phân loại đối tượng từ hình ảnh cùng chú giải.
• Dự đoán và phản hồi: Model dự đoán các đối tượng trong ảnh và so sánh kết quả với đáp án chính xác được cung cấp trong dataset.
• Theo dõi hiệu năng: Các metric như precision (số lượng dự đoán đúng), recall (số đối tượng thực tế được tìm thấy) và loss (lỗi dự đoán) được theo dõi để đánh giá tiến độ.
• Học lặp: Model điều chỉnh các tham số qua nhiều vòng (epoch) để cải thiện độ chính xác khi phát hiện và giảm thiểu lỗi.
• Model đầu ra cuối cùng: Sau khi huấn luyện, model đã tối ưu được lưu lại và sẵn sàng triển khai.

Các tích hợp khác hỗ trợ phát triển thị giác máy tính#

Khi tìm hiểu tích hợp Roboflow, bạn sẽ 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 trong quá trình phát triển thị giác máy tính.

Điều này nhằm cung cấp cho cộng đồng nhiều lựa chọn để bạn có thể chọn giải pháp phù hợp nhất với quy trình làm việc cụ thể của mình.

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

Ngoài dataset, các tích hợp khác được Ultralytics hỗ trợ tập trung vào nhiều khâu của quy trình thị giác máy tính, chẳng hạn như huấn luyện, triển khai và tối ưu hóa. Sau đây là một vài ví dụ về những tích hợp khác mà chúng tôi hỗ trợ:

• Tích hợp huấn luyện: Các tích hợp như Amazon SageMaker và Paperspace Gradient tinh giản quy trình huấn luyện bằng cách cung cấp nền tảng dựa trên đám mây để phát triển và kiểm thử model hiệu quả.
• Tích hợp theo dõi quy trình làm việc và thử nghiệm: ClearML, MLflow và Weights & Biases (W&B) giúp tự động hóa quy trình làm việc, theo dõi thử nghiệm và cải thiện khả năng cộng tác, qua đó quản lý các dự án machine learning dễ dàng hơn.
• Tích hợp tối ưu hóa và triển khai: CoreML, ONNX và OpenVINO hỗ trợ triển khai tối ưu trên nhiều thiết bị và framework, đảm bảo hiệu năng 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 công cụ trực quan hóa tiến trình huấn luyện và giám sát hiệu năng, giúp thu thập thông tin chi tiết để tinh chỉnh model.

Các ứng dụng của 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 thực tế dễ dàng hơn. Hãy xem xét những đổi mới như thị giác máy tính trong sản xuất, nơi 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 như vậy thường chậm và khó khăn, đồng thời đòi hỏi quyền truy cập vào các môi trường chuyên biệt.

Thông thường, quy trình này bao gồm việc lắp đặt camera hoặc cảm biến dọc theo dây chuyền sản xuất để chụp ảnh sản phẩm. Cần chụp số lượng lớn ảnh, thường trong điều kiện ánh sáng và góc chụp nhất quán, nhằm đảm bảo độ rõ nét và đồng nhất.

Sau khi chụp, ảnh phải được gán nhãn tỉ mỉ bằng các nhãn chính xác cho từng loại lỗi, chẳng hạn như vết xước, vết lõm hoặc linh kiện bị thiếu. Quy trình này đòi hỏi nhiều thời gian, nguồn lực và chuyên môn để đảm bảo tập dữ liệu 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 tập dữ liệu mạnh mẽ và đáng tin cậy.

Các tích hợp cung cấp tập dữ liệu có sẵn hỗ trợ những tác vụ như kiểm soát chất lượng công nghiệp; kết hợp 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 suất.

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

Ngoài lĩnh vực sản xuất, các tích hợp liên quan đến tập dữ liệu có thể được sử dụng trong nhiều ngành khác. Bằng cách kết hợp tốc độ và độ chính xác của Ultralytics YOLO11 với các tập dữ liệu dễ 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, các tích hợp tập dữ liệu có thể hỗ trợ phát triển giải pháp phân tích ảnh y tế để phát hiện những bất thường như khối u. Tương tự, trong lĩnh vực xe tự hành, các tích hợp này có thể giúp nhận diện phương tiện, người đi bộ và biển báo giao thông nhằm tăng cường an toàn.

Điểm chính cần ghi nhớ#

Tìm tập dữ liệu phù hợp thường là một trong những công đoạn tốn nhiều thời gian nhất khi xây dựng model thị giác máy tính. Tuy nhiên, tích hợp Roboflow giúp tìm tập dữ liệu tốt nhất để huấn luyện tùy chỉnh các model Ultralytics YOLO dễ dàng hơn, ngay cả khi bạn mới làm quen với thị giác máy tính.

Với quyền truy cập vào kho dataset phong phú cho các tác vụ thị giác máy tính như phát hiện đối tượng, phân loại hình ảnh hoặc phân đoạn instance, Roboflow Universe giúp bạn không còn phải vất vả tìm kiếm dữ liệu. Nền tảng này giúp bạn bắt đầu nhanh chóng và tập trung xây dựng model thay vì tốn thời gian thu thập, sắp xếp dữ liệu. Quy trình được tinh giản này giúp developer tạo prototype, lặp lại và phát triển giải pháp thị giác máy tính hiệu quả hơn.

Để tìm hiểu thêm, hãy truy cập repo GitHub và tham gia cộng đồng của chúng tôi. 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.