Cấp phép YOLO
Nền tảng Ultralytics

Hướng EXIF trong Ultralytics YOLO: Vì sao ảnh bị xoay ngang làm hỏng dataset

Các giá trị hướng EXIF từ 5 đến 8 hoán đổi chiều rộng và chiều cao của ảnh. Tìm hiểu cách một thẻ bị bỏ qua làm lệch nhãn và cách Ultralytics hiện đọc ảnh có thẻ theo đúng chiều.

Sergiu WaxmannSergiu Waxmann18 phút đọc
Trình xem toàn màn hình Ultralytics Platform hiển thị ảnh vạch qua đường được chú thích nhìn từ trên cao, bên cạnh bảng các giá trị hướng EXIF với giá trị 6, xoay 90 độ theo chiều kim đồng hồ, được tô sáng, trên ảnh bìa nền chuyển sắc đen có tiêu đề Giải thích về hướng EXIF

Ảnh trông đúng chiều trong thư viện ảnh, trên trình duyệt và trong công cụ gán nhãn. Nhưng sau đó, một script huấn luyện đọc ảnh bị xoay ngang, khiến các bounding box bạn vẽ có thể nằm sai vị trí. Không có lỗi nào xảy ra. Model chỉ học từ các nhãn không còn khớp với pixel của ảnh.

Nhãn và pixel bị lệch nhau khi hai công cụ sử dụng các hệ quy chiếu khác nhau cho cùng một file; hướng EXIF là một nguyên nhân: đây là thẻ metadata nhỏ cho phần mềm biết cách xoay ảnh để hiển thị, trong khi pixel vẫn giữ nguyên như lúc camera lưu. Một số trình đọc áp dụng thẻ này, số khác thì không. Hướng dẫn này giải thích về thẻ, cách thẻ làm hỏng việc gán nhãn dữ liệu và quá trình huấn luyện, cũng như cách kiểm tra dataset để phát hiện vấn đề. Hướng dẫn cũng đề cập đến hai tính năng chúng tôi vừa phát hành: Ultralytics 8.4.214 hiện áp dụng hướng EXIF nhất quán khi đọc ảnh, còn Ultralytics Platform hiện có thể xoay ảnh cùng các chú thích để xử lý những file có pixel vốn đã bị xoay ngang.

Hướng EXIF là chỉ dẫn hiển thị, không phải phép xoay#

Camera có thể lưu pixel theo cách cảm biến ghi nhận và ghi giá trị Orientation vào metadata EXIF của file (thẻ 274, hay 0x0112), thay vì tự xoay lưới pixel. Trình xem tuân theo thẻ sẽ xoay ảnh trước khi hiển thị; trình xem bỏ qua thẻ sẽ hiển thị lưới pixel gốc. Một số thiết bị khác xoay dữ liệu pixel trước khi lưu, vì vậy việc một ảnh có thẻ này hay không tùy thuộc vào thiết bị và phần mềm đã xử lý ảnh đó.

Thẻ này có một trong tám giá trị, được liệt kê trong tài liệu tham khảo về thẻ EXIF của ExifTool:

Giá trịÝ nghĩaChiều rộng và chiều cao hiển thị
1Bình thường, không thay đổiGiống như dữ liệu đã lưu
2Lật ngangGiống như dữ liệu đã lưu
3Xoay 180°Giống như dữ liệu đã lưu
4Lật dọcGiống như dữ liệu đã lưu
5Lật ngang và xoay 270° theo chiều kim đồng hồĐã hoán đổi
6Xoay 90° theo chiều kim đồng hồĐã hoán đổi
7Lật ngang và xoay 90° theo chiều kim đồng hồĐã hoán đổi
8Xoay 270° theo chiều kim đồng hồĐã hoán đổi

Có hai điểm quan trọng đối với thị giác máy tính. Các giá trị từ 5 đến 8 hoán đổi chiều rộng và chiều cao hiển thị, vì vậy ảnh có kích thước lưu là 4000 x 3000 sẽ thành 3000 x 4000 trên màn hình. Các giá trị 2, 4, 5 và 7 còn bao gồm thao tác lật, nên ảnh có thể trông gần như đúng chiều nhưng chữ và bố cục trái-phải lại bị đảo ngược. Ảnh chân dung có thẻ giá trị 6 là trường hợp điển hình bị xoay ngang.

Vì sao ảnh bị xoay ngang âm thầm làm hỏng dataset thị giác máy tính#

Bounding box, polygon và keypoint được lưu dưới dạng tọa độ tương đối với ảnh; trong định dạng Ultralytics YOLO, các tọa độ này được chuẩn hóa theo chiều rộng và chiều cao của ảnh. Chúng chỉ có ý nghĩa khi mọi công cụ đều thống nhất về hệ quy chiếu mà chúng tham chiếu.

Ảnh vạch qua đường dưới mưa nhìn từ trên cao, hiển thị hai lần. Bên trái: ảnh được đọc sau khi áp dụng hướng EXIF, với các phát hiện YOLO26x về người và ô. Bên phải: cùng file được đọc theo dữ liệu đã lưu, xoay 90 độ, với cùng các nhãn đã chuẩn hóa được đặt lên pixel đã lưu

Một ảnh JPEG có Orientation 6, được đọc theo hai cách. Bên trái: đã áp dụng hướng, với các phát hiện YOLO26x. Bên phải: bỏ qua hướng, với cùng các nhãn đã chuẩn hóa được đặt lên pixel đã lưu.

Dataset chứa ảnh có thẻ có thể bị lệch nhau như sau:

  1. Người gán nhãn gán nhãn trên ảnh hiển thị đúng chiều. Nếu trình duyệt hoặc công cụ gán nhãn áp dụng thẻ này, bounding box quanh người sẽ nằm đúng vị trí người đó xuất hiện trên màn hình.
  2. Trình nạp dữ liệu huấn luyện đọc lưới pixel đã lưu. Nếu bộ giải mã bỏ qua thẻ, cùng bounding box đã chuẩn hóa sẽ được đặt lên pixel bị xoay 90 độ, có thể bao phủ nhầm đối tượng hoặc không bao phủ đối tượng nào.
  3. Quá trình huấn luyện vẫn tiếp tục. Các tọa độ vẫn nằm trong khoảng từ 0 đến 1, nên không có lỗi kiểm tra định dạng nào được phát hiện. Model học từ các cặp dữ liệu không khớp, điều này có thể làm giảm chất lượng dự đoán trên ảnh thực tế. Nếu tập validation cũng có cùng sai lệch, mean average precision có thể khiến bạn hiểu nhầm thay vì cảnh báo về vấn đề.

Các hướng bị lật khó phát hiện hơn vì ảnh lật có thể vượt qua bước kiểm tra trực quan nhanh. Chúng làm chữ bị đảo ngược; với ước lượng tư thế, chúng khiến các landmark bên trái và bên phải cơ thể lệch khỏi nhãn tương ứng.

Vấn đề này cũng rất khó nhận ra. Dataset được tạo từ ảnh tải lên bằng điện thoại, ảnh kiểm tra thực địa hoặc ảnh thu thập từ cộng đồng có thể trộn lẫn file có thẻ và không có thẻ; chỉ những ảnh được đọc trong hệ quy chiếu khác với nhãn mới bị lệch. Tác hại trông giống như nhãn nhiễu hơn là lỗi trong pipeline.

Cùng một file có thể được đọc theo hai cách trong OpenCV#

Nếu bạn đọc ảnh bằng OpenCV, việc áp dụng thẻ hay không tùy thuộc vào cách gọi hàm. Tài liệu OpenCV imread nêu rõ rằng hướng EXIF được áp dụng trừ khi truyền IMREAD_IGNORE_ORIENTATION hoặc IMREAD_UNCHANGED. Rất dễ dùng đến cờ thứ hai này: đó là cách giữ lại kênh alpha hoặc các band bổ sung.

Khi kiểm tra package Ultralytics, chúng tôi phát hiện đường dẫn đọc ảnh phụ thuộc vào cờ, định dạng và phiên bản OpenCV. Trước PR #27168, imread của chúng tôi hoạt động như sau với các hướng từ 2 đến 8:

Cách đọcKết quả trước 8.4.214
Đọc JPEG, PNG hoặc WebP bằng IMREAD_UNCHANGED (dataset và model có channels khác 1 hoặc 3)Giống như dữ liệu đã lưu, trên mọi phiên bản OpenCV
WebP với mọi cờ, trên OpenCV trước 5.0Giống như dữ liệu đã lưu
predict("a.webp") so với predict(Image.open("a.webp")), trên OpenCV trước 5.0Hai hệ quy chiếu khác nhau
JPEG và PNG, ảnh màu hoặc ảnh xámĐúng chiều

Ảnh JPEG và PNG màu hoặc xám vốn đã được đọc đúng chiều. Rủi ro nằm ở dataset dùng channels khác 1 hoặc 3, file WebP trên OpenCV 4.x và việc so sánh dự đoán trên đường dẫn WebP với ảnh PIL. Chẳng hạn, với channels: 4, shape của ảnh trong cache đã là shape đúng chiều nhưng pixel thì chưa, khiến các thao tác chia tile, tạo batch hình chữ nhật và thay đổi kích thước mask sử dụng shape đã bị hoán vị.

Ultralytics 8.4.214 áp dụng hướng EXIF nhất quán#

Từ phiên bản 8.4.214, phát hành ngày 15 tháng 11 năm 2026, imread áp dụng hướng EXIF cho ảnh màu, ảnh xám và ảnh đọc nguyên trạng trên các định dạng và phiên bản OpenCV được hỗ trợ, ngoại trừ một số trường hợp đặc biệt được liệt kê bên dưới. Tài liệu tham khảo imread nêu rõ mục tiêu: nhãn và dự đoán dùng chung hệ quy chiếu mà trình xem hiển thị. Tài liệu về dataset phát hiện hiện cũng ghi rõ điều tương tự về tọa độ nhãn, để quy ước này được nêu rõ tại nơi tác giả dataset tìm kiếm.

Tóm tắt cách hoạt động:

  • Đọc nhất quán qua các đường xử lý. Việc nạp ảnh cho dataset và dự đoán trên một đường dẫn ảnh đơn đều đi qua imread trong ultralytics/utils/patches.py; dataset phân loại và thao tác chia DOTA hiện cũng sử dụng cách này. Các đường dẫn ảnh được truyền vào predict dưới dạng danh sách sẽ được mở bằng Pillow và chuyển vị theo EXIF; ảnh PIL đầu vào cũng được chuyển vị theo EXIF. Vì vậy, ngoại trừ các trường hợp đặc biệt bên dưới, chúng cho ra cùng hệ quy chiếu đúng chiều.
  • Áp dụng thẻ khi OpenCV bỏ qua. Với thao tác đọc nguyên trạng và mọi thao tác đọc WebP, ảnh được giải mã bằng IMREAD_IGNORE_ORIENTATION, sau đó áp dụng thẻ lên mảng; vì vậy kết quả không phụ thuộc vào phiên bản OpenCV.
  • Bước xử lý EXIF kiểm tra nội dung file. Thẻ được áp dụng cho dữ liệu JPEG, WebP và PNG có eXIf chunk, ngay cả khi phần mở rộng không khớp, chẳng hạn JPEG có tên .webp. Dữ liệu TIFF được giao cho bộ giải mã TIFF của OpenCV, vốn tự định hướng ảnh; AVIF và HEIC được xử lý bằng exif_transpose của Pillow.
  • Chỉ dùng Pillow khi cần. Các chunk PNG được quét trước, vì vậy Pillow chỉ được gọi khi có eXIf chunk.

Chúng tôi xác thực thay đổi trên OpenCV 5.0.0, 4.12.0 và 4.7.0 với Pillow 13.0.0, bằng cách so sánh pixel với exif_transpose của Pillow. Cả tám hướng đều được đọc đúng chiều đối với JPEG, PNG (RGB và RGBA) và WebP (RGB và RGBA) trong các chế độ đọc màu, ảnh xám và nguyên trạng, tổng cộng 45 tổ hợp; ảnh không có thẻ được giải mã thành các mảng giống như trước.

Một số trường hợp đặc biệt vẫn giữ nguyên hướng đã lưu: JPEG có phần mở rộng .tif hoặc .tiff (trừ khi đọc ở chế độ ảnh xám), thao tác đọc JPEG và PNG khi bạn chủ động truyền IMREAD_IGNORE_ORIENTATION (file WebP vẫn được xoay đúng chiều), và thao tác đọc JPEG hoặc PNG nguyên trạng cùng thao tác đọc WebP đối với ảnh lớn hơn khoảng 179 megapixel theo giới hạn pixel mặc định của Pillow. Với các trường hợp này, hãy áp dụng hướng vào pixel trước khi huấn luyện (xem các bước kiểm tra bên dưới).

Phiên bản cache dataset được nâng lên 1.0.13, vì vậy cache nhãn lưu shape cũ sẽ được tạo lại một lần trong lần chạy tiếp theo. Có một ngoại lệ: với PNG có eXIf chunk nằm sau dữ liệu ảnh, pixel được đọc đúng chiều nhưng shape trong cache có thể vẫn là shape đã lưu. Hãy áp dụng hướng vào các PNG đó và tạo lại cache.

Xoay ảnh và nhãn trong Ultralytics Platform#

Trình đọc tốt hơn có thể xử lý file có thẻ. Nhưng trình đọc không thể giúp khi bản thân pixel đã sai hướng: ảnh quét bị đưa vào theo chiều ngang, ảnh được xuất ngược đầu hoặc thẻ bị xóa ở một bước trước đó khiến chỉ còn lại lưới pixel đã lưu. Metadata không thể cho biết những ảnh đó nên quay về hướng nào. Cần xoay ảnh thực sự và xoay cả nhãn theo.

Ultralytics Platform hiện hỗ trợ thao tác này trong trình xem toàn màn hình của thư viện dataset. Nếu có quyền chỉnh sửa, nhấn R hoặc nút xoay để xoay ảnh và chú thích 90 độ theo chiều kim đồng hồ. Bounding box, polygon và keypoint di chuyển cùng pixel, nhờ đó chú thích vẫn nằm trên các đối tượng mà chúng mô tả.

Cách xử lý dữ liệu:

  • Không làm giảm chất lượng qua nhiều lần xoay. Platform giữ nguyên ảnh như khi được lưu lần đầu và tạo mỗi lượt xoay từ ảnh gốc, vì vậy xoay nhiều lần không làm giảm chất lượng; xoay ảnh trở lại đúng chiều cũng khôi phục ảnh gốc.
  • Pixel sau khi xoay sẽ được lưu. Platform xoay pixel đã lưu thay vì ghi cờ xoay, nên dataset xuất ra không có trường mới; Download lưu ảnh đã xoay ở kích thước đầy đủ như hiển thị.

Không hỗ trợ xoay đối với dataset độ sâu, dataset đa phổ, ảnh lưu dưới dạng TIFF, cũng như dataset lưu trên đám mây và On Premise.

Quy trình chuẩn hóa khi tải lên của Platform áp dụng hướng EXIF. Khi thẻ mô tả đúng file, ảnh sẽ được tải lên đúng chiều; các giá trị từ 5 đến 8 cũng hoán đổi chiều rộng và chiều cao cho phù hợp. Hãy dùng Rotate nếu ảnh vẫn sai hướng.

Trình xem toàn màn hình Ultralytics Platform hiển thị ảnh vạch qua đường có chú thích được lưu theo chiều ngang ở kích thước 3000 x 2400, và cùng ảnh đó sau khi dùng Rotate ở kích thước 2400 x 3000, với các bounding box người và ô được xoay theo

Ảnh bị xoay ngang trong trình xem toàn màn hình Ultralytics Platform trước và sau khi dùng Rotate. Ảnh chuyển từ kích thước 3000 x 2400 sang 2400 x 3000, và mọi chú thích đều xoay theo.

Cách kiểm tra và khắc phục hướng EXIF trong dataset#

Trước tiên, hãy kiểm tra các thẻ. Script này báo cáo những file JPEG, PNG và WebP trong thư mục có thẻ Orientation khác 1:

from pathlib import Path

from PIL import Image

for path in Path("datasets/my_data/images").rglob("*"):
    if path.suffix.lower() in {".jpg", ".jpeg", ".png", ".webp"}:
        with Image.open(path) as im:
            orientation = im.getexif().get(274, 1)  # 274 là thẻ Orientation của EXIF
        if orientation != 1:
            print(path, orientation)

Kết quả sạch nghĩa là không file nào trong số đó có giá trị Orientation khác 1. Cách này không phát hiện file có phần mở rộng gây nhầm lẫn, ảnh có pixel đã bị xoay ngang hoặc nhãn được vẽ trong hệ quy chiếu khác. Tiếp theo, hãy xác nhận những gì Ultralytics sẽ đọc; với phiên bản 8.4.214 trở lên, imread trả về hệ quy chiếu hiển thị, ngoại trừ các trường hợp đặc biệt nêu trên:

import cv2

from ultralytics.utils.patches import imread

img = imread("datasets/my_data/images/train/photo.jpg", cv2.IMREAD_UNCHANGED)
print(img.shape)  # (height, width, channels) theo cách trình xem hiển thị

Tiếp theo, cách khắc phục tùy thuộc vào cách tạo nhãn:

  1. Nâng cấp. Chạy pip install -U ultralytics để cài phiên bản 8.4.214 trở lên, nhờ đó quá trình huấn luyện, validation và dự đoán đọc file ảnh có thẻ và ảnh PIL theo hệ quy chiếu hiển thị, tùy thuộc vào các trường hợp đặc biệt nêu trên. Mảng NumPy và tensor không có thẻ EXIF, vì vậy hãy đảm bảo chúng đã đúng hướng trước khi truyền vào predict.
  2. Xóa cache ảnh cũ. Nếu các lần chạy trước đã tạo cache ảnh .npy bên cạnh ảnh, hãy xóa các file do Ultralytics tạo này trước khi kiểm tra hoặc huấn luyện lại, kể cả khi lần chạy tiếp theo dùng cache=False, vì trình nạp dữ liệu vẫn có thể lấy các file hiện có. Không xóa các file NumPy không liên quan; cache nhãn sẽ tự được tạo lại.
  3. Đối chiếu một vài ảnh có thẻ với nhãn tương ứng. Vẽ nhãn lên ảnh đã đúng chiều. Nếu người gán nhãn dùng công cụ tuân theo thẻ, bounding box sẽ khớp.
  4. Nếu nhãn được vẽ trên lưới pixel đã lưu, điều có thể xảy ra với script hoặc công cụ bỏ qua thẻ, hãy gán nhãn lại các ảnh đó hoặc chuyển đổi nhãn sang ảnh hiển thị đúng chiều. Chỉ xoay pixel sẽ khiến chúng tiếp tục bị lệch.
  5. Khắc phục ảnh có pixel sai hướng bằng thao tác Rotate của Platform, thao tác này cũng xoay chú thích theo ảnh, sau đó huấn luyện lại.

Để file hiển thị giống nhau trong mọi công cụ và xử lý hầu hết các trường hợp đặc biệt nêu trên, hãy áp dụng hướng vào pixel bằng ImageOps.exif_transpose của Pillow rồi lưu bản sao. Thực hiện việc này trước khi gán nhãn, hoặc chuyển đổi cả nhãn. Pillow cảnh báo khi vượt quá giới hạn pixel mặc định và từ chối ảnh lớn hơn gấp đôi giới hạn đó, khoảng 179 megapixel. Với ảnh quá khổ đáng tin cậy, hãy tăng Image.MAX_IMAGE_PIXELS trước khi mở ảnh.

Để xem danh sách kiểm tra rộng hơn trước khi huấn luyện, các bài học Academy về kiểm soát chất lượng dataset và chất lượng chú thích đề cập đến những bước kiểm tra khác nên thực hiện cùng bước này.

Tăng cường dữ liệu bằng phép xoay không khắc phục được sai lệch hướng#

Bạn có thể nghĩ rằng phép xoay ngẫu nhiên trong quá trình huấn luyện khiến hướng ảnh không còn quan trọng. Tăng cường dữ liệu, chẳng hạn cài đặt degrees trong tăng cường dữ liệu YOLO, xoay ảnh và nhãn cùng nhau để chúng luôn khớp, đồng thời giúp model xử lý các đối tượng bị nghiêng. Việc đọc EXIF sai khiến ảnh và nhãn lệch nhau trước khi tăng cường dữ liệu được thực hiện; sau đó xoay cả hai vẫn không làm chúng khớp lại.

Lập luận tương tự cũng áp dụng cho các tác vụ có hướng tham chiếu cố định. Nếu model đọc văn bản, như trong hướng dẫn OCR bằng Python với Ultralytics YOLO26 của chúng tôi, hoặc phân biệt trái với phải, hướng bị lật sẽ làm thay đổi ý nghĩa của ảnh chứ không chỉ góc xoay.

Ai nên kiểm tra hướng EXIF#

Hãy chạy bước kiểm tra nếu dữ liệu của bạn có bất kỳ đặc điểm nào sau đây:

  • Ảnh chụp bằng điện thoại hoặc máy tính bảng, từ hoạt động kiểm tra thực địa, kiểm tra bán lẻ, yêu cầu bồi thường bảo hiểm hoặc thu thập từ cộng đồng.
  • Nguồn dữ liệu hỗn hợp được kết hợp thành một dataset, trong đó một số file có thể chứa thẻ còn số khác thì không.
  • Dataset WebP hoặc dataset có channels khác 1 hoặc 3, được huấn luyện bằng các bản phát hành Ultralytics trước 8.4.214.
  • Tài liệu được quét, trong đó các trang có thể bị xoay ngang ngay trong pixel và cần được xoay thực sự.

Sau khi dữ liệu đã sạch, bạn có thể gán nhãn và huấn luyện model Ultralytics YOLO26 trong cùng workspace, với mỗi nhãn nằm trên đúng pixel mà nhãn mô tả. Để tìm hiểu thêm về cách duy trì dataset tốt trong Platform, xem quản lý dataset thông minh với Ultralytics Platform.

Câu hỏi thường gặp

  • Hướng EXIF là giá trị metadata từ 1 đến 8, được lưu trong thẻ 274 của file ảnh, cho phần mềm biết cách xoay hoặc lật pixel đã lưu để hiển thị. Giá trị 1 nghĩa là không thay đổi; giá trị 6 nghĩa là xoay 90 độ theo chiều kim đồng hồ. Bản thân pixel không bị xoay, nên công cụ bỏ qua thẻ sẽ hiển thị ảnh theo dữ liệu đã lưu, thường là nằm ngang.

  • Thường là do file có thẻ Orientation mà công cụ nhận ảnh không áp dụng. Điện thoại và trình duyệt của bạn tuân theo thẻ này nên ảnh trông đúng chiều, trong khi bộ giải mã bỏ qua thẻ sẽ hiển thị lưới pixel đã lưu. Nếu pixel đã lưu bị xoay ngang và không có thẻ nào sửa hướng, hãy xoay chính ảnh đó.

  • Thông thường là có. imread của OpenCV áp dụng thẻ này trừ khi bạn truyền IMREAD_IGNORE_ORIENTATION hoặc IMREAD_UNCHANGED; các bản phát hành trước 5.0 cũng giữ nguyên hướng đã lưu đối với WebP. Từ phiên bản 8.4.214, imread của Ultralytics áp dụng thẻ cho ảnh màu, ảnh xám và thao tác đọc nguyên trạng trên mọi phiên bản OpenCV mà chúng tôi đã kiểm tra.

  • Có. Từ Ultralytics 8.4.214, file ảnh và ảnh PIL được đọc sau khi áp dụng hướng EXIF, ngoại trừ một số trường hợp đặc biệt như JPEG được lưu với phần mở rộng .tif; tọa độ nhãn cũng tham chiếu đến cùng hệ quy chiếu hiển thị đó. Mảng NumPy và tensor không có thẻ EXIF, vì vậy cần đảm bảo chúng đã đúng hướng trước khi dự đoán.

  • Mở ảnh trong trình xem toàn màn hình của dataset rồi nhấn R hoặc nút xoay; mỗi lần nhấn sẽ xoay ảnh và các annotation 90 độ theo chiều kim đồng hồ. Bạn cần quyền chỉnh sửa; tính năng xoay không khả dụng với ảnh độ sâu, ảnh đa phổ hoặc TIFF, cũng như với dataset lưu trữ đám mây và dataset tại chỗ.

Được viết bởi

Sergiu Waxmann
Sergiu Waxmann

Kỹ sư Phần mềm Trưởng nhóm · Ultralytics

Sergiu Waxmann là Trưởng nhóm Phát triển Web tại Ultralytics, tập trung xây dựng trải nghiệm web trực quan và linh hoạt. Là kỹ sư phần mềm chuyên về các framework phát triển web hiện đại, anh có bằng Cử nhân Kỹ thuật Phần mềm Máy tính của Saxion University of Applied Sciences.

Bình luận

Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.

Khám phá các giải pháp

Thị giác máy tính trong thể thao

Thị giác máy tính trong thể thao

Khám phá cách Ultralytics YOLO thúc đẩy thị giác máy tính trong thể thao với khả năng theo dõi cầu thủ và bóng, phân tích hiệu suất, cung cấp thông tin chuyên sâu cho huấn luyện và hỗ trợ phục hồi cho vận động viên.
Tìm hiểu thêm
Thị giác máy tính cho ảnh hàng không

Thị giác máy tính cho ảnh hàng không

Chuyển hình ảnh từ drone và ảnh hàng không thành thông tin chuyên sâu theo thời gian thực cho nông nghiệp, nuôi trồng thủy sản, bảo tồn và phân tích không gian địa lý với Ultralytics YOLO.
Tìm hiểu thêm
Thị giác máy tính trong hàng không vũ trụ

Thị giác máy tính trong hàng không vũ trụ

Ứng dụng computer vision trong ngành hàng không vũ trụ với Ultralytics YOLO cho kiểm tra máy bay, phát hiện dị vật trên đường băng (FOD), vận hành mặt đất tại sân bay và phát hiện lỗi vật liệu composite.
Tìm hiểu thêm
Computer vision trong lĩnh vực an ninh

Computer vision trong lĩnh vực an ninh

Bảo vệ mọi địa điểm bằng model Ultralytics YOLO. Vision AI hỗ trợ giám sát vành đai, phát hiện mối đe dọa, nhận dạng biển số và an toàn nơi làm việc.
Tìm hiểu thêm
Computer vision trong robotics

Computer vision trong robotics

Tăng cường năng lực cho máy móc thông minh bằng model Ultralytics YOLO. Vision AI trong lĩnh vực robotics hỗ trợ điều hướng tự động, nhận thức, theo dõi đối tượng và điều khiển theo thời gian thực.
Tìm hiểu thêm
Thị giác máy tính trong logistics

Thị giác máy tính trong logistics

Tinh giản hoạt động logistics với các model Ultralytics YOLO. Vision AI hỗ trợ kiểm tra kiện hàng, phân loại, theo dõi phương tiện và giám sát an toàn kho hàng theo thời gian thực.
Tìm hiểu thêm
Thị giác máy tính trong bán lẻ

Thị giác máy tính trong bán lẻ

Định hình lại hoạt động bán lẻ với các model Ultralytics YOLO. Vision AI hỗ trợ theo dõi hàng tồn kho, giám sát kệ hàng, quản lý hàng chờ và phân tích khách hàng thông minh hơn.
Tìm hiểu thêm
Thị giác máy tính trong chăm sóc sức khỏe

Thị giác máy tính trong chăm sóc sức khỏe

Xây dựng các giải pháp chăm sóc sức khỏe với model Ultralytics YOLO. Vision AI trong chăm sóc sức khỏe hỗ trợ xử lý hình ảnh y tế nhanh hơn, chẩn đoán thông minh hơn và theo dõi bệnh nhân.
Tìm hiểu thêm
Thị giác máy tính trong sản xuất

Thị giác máy tính trong sản xuất

Tối ưu hóa sản xuất bằng các model Ultralytics YOLO. Vision AI thúc đẩy kiểm soát chất lượng, phát hiện lỗi, tuân thủ PPE và tự động hóa dây chuyền lắp ráp.
Tìm hiểu thêm
Thị giác máy tính trong ngành ô tô

Thị giác máy tính trong ngành ô tô

Ứng dụng thị giác máy tính trong ngành ô tô với các model Ultralytics YOLO. Vision AI nâng cao an toàn giao thông, hỗ trợ người lái và tự động hóa phương tiện để tạo nên những tuyến đường thông minh hơn.
Tìm hiểu thêm
Thị giác máy tính trong nông nghiệp

Thị giác máy tính trong nông nghiệp

Ứng dụng AI thị giác vào nông nghiệp thông minh với các model Ultralytics YOLO. Hỗ trợ giám sát cây trồng, theo dõi vật nuôi và canh tác chính xác để nâng cao năng suất một cách thông minh hơn.
Tìm hiểu thêm

Hãy cùng nhau kiến tạo tương lai của AI!

Bắt đầu hành trình hướng đến tương lai của machine learning