Cách sử dụng phần Reference của Ultralytics YOLO Docs

Ngày nay, trí tuệ nhân tạo (AI) trở nên dễ tiếp cận hơn bao giờ hết, giúp bất kỳ ai cũng có thể tìm hiểu và nhanh chóng bắt đầu sử dụng các model AI khác nhau cho nhiều tác vụ tiên tiến.

Ví dụ, thị giác máy tính là một nhánh của AI, cho phép máy tính diễn giải và hiểu thông tin trực quan từ hình ảnh và video; các model thị giác máy tính như Ultralytics YOLO11 cũng rất dễ bắt đầu sử dụng.

Ultralytics YOLO11 hỗ trợ các tác vụ như phát hiện đối tượng, phân đoạn instance và phân loại hình ảnh, đồng thời có thể được sử dụng cho các ứng dụng như lái xe tự hành, giám sát an ninh và phân tích bán lẻ.

Hình 1. Ultralytics YOLO11 có thể được sử dụng để phát hiện nhiều đối tượng khác nhau.

Cụ thể, gói Python của Ultralytics cung cấp các công cụ thân thiện với người dùng để nhanh chóng huấn luyện, tùy chỉnh và triển khai những model AI này, cho phép người dùng ở mọi cấp độ kỹ năng dễ dàng xây dựng các ứng dụng thị giác máy tính nâng cao.

Tuy nhiên, nếu bạn muốn tìm hiểu sâu hơn về cách mọi thứ hoạt động hoặc tạo các tùy chỉnh của riêng mình, mục Reference trong tài liệu Ultralytics là một tài nguyên hữu ích. Mục này trình bày cơ chế hoạt động bên trong của gói Python Ultralytics, bao gồm cách dữ liệu được xử lý, quy trình huấn luyện model và cách trực quan hóa các dự đoán.

Trong bài viết này, chúng ta sẽ tìm hiểu kỹ hơn về mục Reference trong tài liệu Ultralytics và cách sử dụng mục này khi làm việc với các dự án thị giác máy tính. Hãy bắt đầu!

Tìm hiểu sâu hơn về cách làm việc với các model Ultralytics YOLO#

Làm việc với gói Python Ultralytics rất đơn giản và trực quan. Bạn có thể huấn luyện các model YOLO hoặc phát hiện đối tượng trong hình ảnh chỉ bằng vài dòng code.

Tuy nhiên, khi đã quen với việc làm việc cùng các model thị giác máy tính, mục Reference trong tài liệu Ultralytics sẽ giúp bạn tìm hiểu sâu hơn về cách code hoạt động và các hàm mà gói này hỗ trợ. Mục này cũng bao gồm các giải thích dễ theo dõi, các tùy chọn có thể cấu hình và liên kết đến code liên quan trong repository Ultralytics trên GitHub.

Mục này giải thích cấu trúc của gói Python Ultralytics và trình bày các thành phần chính như thiết lập model, tải dữ liệu, quy trình huấn luyện cũng như cách các dự đoán được tạo và trả về.

Mọi thứ được sắp xếp thành các danh mục rõ ràng, giúp bạn dễ dàng tìm thấy nội dung cần tìm. Chẳng hạn, nếu đang huấn luyện model bằng dataset của riêng mình, bạn có thể đi đến phần về dữ liệu trong mục Reference để hiểu rõ hơn cách dữ liệu của mình sẽ được sử dụng cho quá trình huấn luyện model.

Cách bắt đầu với mục Reference#

Nếu mở mục Reference trong tài liệu Ultralytics YOLO, bạn sẽ thấy một menu ở bên trái trang với các danh mục reference khác nhau. Mỗi danh mục đại diện cho một phần cụ thể của codebase Ultralytics, chẳng hạn như models, xử lý dữ liệu hoặc các hàm huấn luyện.

Nhấp vào một danh mục sẽ đưa bạn đến trang cung cấp thêm thông tin chi tiết.

Hình 2. Ở bên trái, bạn sẽ thấy menu gồm các danh mục Reference khác nhau.

Tương tự, ở bên phải trang, bạn sẽ thấy mục lục phân tách từng trang reference thành các thành phần chính như hàm (các khối code có thể tái sử dụng), class (bản thiết kế để tạo đối tượng) và method (các hàm được định nghĩa bên trong class). Nhờ đó, bạn có thể nhanh chóng chuyển đến nội dung cần tìm.

Hình 3. Ở bên phải, bạn sẽ thấy mục lục của trang Reference cụ thể đang xem.

Cấu trúc repository Ultralytics trên GitHub#

Repository Ultralytics trên GitHub được tổ chức thành các thư mục con hoặc subpackage dựa trên những phần khác nhau của gói Ultralytics, chẳng hạn như models, training và data. Mục Reference trong tài liệu tuân theo cùng cấu trúc này, giúp bạn dễ hiểu cách mọi thành phần kết nối với nhau.

Dưới đây là một số thư mục con hoặc danh mục chính mà bạn sẽ thấy trong cả repository Ultralytics trên GitHub và mục Reference của tài liệu Ultralytics:

• Models: Phần này tập trung vào các model khác nhau và modes của chúng, chẳng hạn như tạo dự đoán, đánh giá hiệu năng và export các model đã huấn luyện.
• Engine: Phần này chứa logic cốt lõi để huấn luyện, validation, dự đoán, export và đánh giá model.
• Data: Phần này quản lý cách dataset được tải, xử lý và augmentation. Nội dung này bao gồm các hàm tạo dataloader (công cụ đưa dữ liệu vào model theo từng batch), áp dụng transformation (các thay đổi đối với hình ảnh như thay đổi kích thước hoặc lật ảnh để giúp model học tốt hơn) và chuẩn bị dữ liệu (sắp xếp, định dạng hình ảnh và nhãn) cho quá trình huấn luyện.
• Utils: Phần này cung cấp nhiều hàm hỗ trợ được sử dụng trong toàn bộ codebase, chẳng hạn như công cụ trực quan hóa, xử lý file và tính toán metric.
• HUB: Phần này kết nối với Ultralytics HUB, một nền tảng thị giác máy tính no-code, cho phép sử dụng các tính năng cloud như đăng nhập, upload model và quản lý dataset thông qua API.
• Trackers: Phần này triển khai logic tracking đối tượng cho các ứng dụng liên quan đến video hoặc chuỗi hình ảnh theo từng frame.

Mỗi thư mục con trong repository GitHub đều có một mục tương ứng trong tài liệu. Cấu trúc này được cố ý đồng bộ, giúp bạn dễ dàng chuyển đổi giữa việc đọc tài liệu và khám phá source code.

Trên thực tế, nhiều trang Reference cũng hiển thị source code thực tế, giúp bạn xem chính xác cách các hàm và class được triển khai mà không cần rời khỏi tài liệu.

Hình 4. Source code cũng được đưa vào các trang Reference.

Tìm hiểu các thành phần models, engine và data#

Sau khi đã xem cách mục Reference được tổ chức, hãy cùng tìm hiểu kỹ hơn về ba phần chính của gói Ultralytics: models, engine và data.

Thư mục con models chứa code định nghĩa cách từng loại model hoạt động. Thư mục này được tổ chức theo cả loại model (như YOLO, FastSAM hoặc RT-DETR) và tác vụ như detection, segmentation hoặc classification. Bên trong mỗi phần, bạn sẽ tìm thấy các file hoặc module xử lý những hành động cụ thể, chẳng hạn như cách model tạo dự đoán, cách model được huấn luyện hoặc cách đánh giá hiệu năng của model.

Trong khi đó, thư mục con engine hoạt động phía sau để quản lý toàn bộ quy trình. Trong khi thư mục con models tập trung vào nhiệm vụ mà mỗi model cần thực hiện, thư mục con engine tập trung vào cách thực thi các nhiệm vụ đó một cách nhất quán và hiệu quả.

Ngoài ra, thư mục con data chịu trách nhiệm tải và chuẩn bị dataset. Phần codebase này đảm bảo dữ liệu huấn luyện của bạn sạch, có cấu trúc và đa dạng, giúp model học tốt hơn và khái quát hóa hiệu quả hơn.

Sự phân tách rõ ràng này giúp code dễ bảo trì hơn và mang lại cho người dùng sự linh hoạt để tùy chỉnh.

Ví dụ về cách sử dụng mục Reference#

Có thể bạn đang thắc mắc: tại sao việc hiểu các phần khác nhau của codebase Ultralytics lại quan trọng? Khi biết phần nào của code xử lý nhiệm vụ gì, bạn sẽ dễ dàng tìm thấy thông tin cần thiết, thực hiện thay đổi hoặc khắc phục sự cố hơn nhiều.

Dưới đây là một số ví dụ về cách bạn có thể sử dụng mục Reference trong tài liệu:

• Nếu bạn đang hỏi “Model tạo dự đoán như thế nào?”, bạn có thể đi đến danh mục Models trong mục Reference, chọn một loại model (chẳng hạn như YOLO), chọn một tác vụ (chẳng hạn như detect), sau đó mở trang Predict để xem chi tiết.
• Nếu muốn biết data augmentation được áp dụng như thế nào, bạn có thể khám phá trang Augment trong danh mục Data. Trang này liệt kê các kỹ thuật augmentation tích hợp được sử dụng để cải thiện hiệu năng model và độ đa dạng của dữ liệu huấn luyện.

Khám phá kết quả thông qua mục Reference#

Mục Reference cũng hữu ích khi bạn muốn hiểu các output được model trả về. Sau khi một model như Ultralytics YOLO11 thực hiện inference trên hình ảnh, model sẽ trả về một tập hợp kết quả mô tả những gì đã được phát hiện.

Ví dụ, trong luồng camera, model có thể phát hiện một người và đánh dấu vị trí của họ bằng bounding box, cùng với điểm confidence — một giá trị từ 0 đến 1 cho biết mức độ chắc chắn của model về kết quả phát hiện.

Nếu đang tìm hiểu cách sử dụng output đó trong dự án, mục Reference có thể hướng dẫn bạn. Mục này bao gồm một trang về module Results, phân tích những nội dung được trả về và cách truy cập chúng trong code. Trang này cung cấp thông tin chi tiết về cách xem các box phát hiện, kiểm tra điểm confidence, hiển thị kết quả hoặc lưu kết quả.

Hình 5. Ví dụ về cách trực quan hóa kết quả do YOLO11 trả về.

Những điểm chính#

Tài liệu Ultralytics giúp bạn hiểu cách sử dụng hiệu quả các model YOLO. Tài liệu giải thích những quy trình chính như huấn luyện model, chuẩn bị dữ liệu và làm việc với kết quả. Mỗi trang đều có phần giải thích rõ ràng cùng các đoạn code ví dụ để giúp bạn nhanh chóng bắt đầu.

Nếu tò mò về những gì diễn ra phía sau, mục Reference trong tài liệu cũng phân tích quy trình đó theo từng bước. Mục này cho thấy code được cấu trúc như thế nào, từng phần thực hiện nhiệm vụ gì và mọi thành phần phối hợp với nhau ra sao. Nhờ đó, bạn có thể dễ dàng học hỏi, tùy chỉnh và tự tin xây dựng các dự án thị giác máy tính của riêng mình.

Hãy tham gia cộng đồng năng động của chúng tôi và khám phá repository trên GitHub để tìm hiểu thêm về việc xây dựng ứng dụng với AI. Sẵn sàng triển khai ý tưởng thị giác máy tính của riêng bạn? Truy cập các tùy chọn cấp phép của chúng tôi để bắt đầu. Tìm hiểu cách AI thị giác trong ngành ô tô và AI trong lĩnh vực chăm sóc sức khỏe đang tạo ra tác động bằng cách truy cập các trang giải pháp của chúng tôi.