Cách sử dụng mục Reference trong tài liệu Ultralytics YOLO

Ngày nay, trí tuệ nhân tạo (AI) dễ tiếp cận hơn bao giờ hết, giúp mọi người có thể bắt đầu khám phá và nhanh chóng sử dụng nhiều model AI khác nhau cho các 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 hình ảnh từ 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 đối tượng và phân loại ảnh, đồng thời có thể được dùng trong các ứng dụng như lái xe tự hành, giám sát an ninh và phân tích bán lẻ.

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

Gói Python của Ultralytics cung cấp các công cụ dễ sử dụng để nhanh chóng huấn luyện, tùy chỉnh và triển khai các model AI này, giúp người dùng ở mọi cấp độ kỹ năng dễ dàng xây dựng ứng dụng thị giác máy tính tiên tiến.

Tuy nhiên, nếu bạn muốn tìm hiểu sâu hơn về cách mọi thứ hoạt động hoặc tạo các tùy chỉnh của riêng mình, mục Tài liệu tham khảo trong tài liệu Ultralytics là một nguồn tài nguyên hữu ích. Mục này trình bày cách vận hành bên trong của gói Python Ultralytics, bao gồm cách xử lý dữ liệu, 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 Tài liệu tham khảo trong tài liệu Ultralytics và cách sử dụng mục này khi thực hiện các dự án thị giác máy tính. Bắt đầu nào!

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

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

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

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 tạo và trả về dự đoán.

Mọi thứ được sắp xếp thành các danh mục rõ ràng, vì vậy bạn có thể dễ dàng tìm thấy nội dung cần thiết. Chẳng hạn, nếu đang huấn luyện model bằng dataset của riêng mình, bạn có thể xem phần Tài liệu tham khảo tập trung vào dữ liệu để hiểu rõ hơn cách dữ liệu được dùng trong quá trình huấn luyện model.

Cách bắt đầu với mục Tài liệu tham khảo#

Khi truy cập mục Tài liệu tham khảo trong tài liệu Ultralytics YOLO, bạn sẽ thấy menu ở bên trái trang với nhiều danh mục tham khảo. Mỗi danh mục tương ứng với một phần cụ thể trong codebase Ultralytics, chẳng hạn như model, 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 nhiều danh mục Tài liệu tham khảo.

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

Hình 3. Ở bên phải, bạn sẽ thấy mục lục của trang Tài liệu tham khảo cụ thể đang xem.

Cấu trúc của kho GitHub Ultralytics#

Kho GitHub Ultralytics được tổ chức thành các thư mục con hoặc subpackage dựa trên những phần khác nhau của package Ultralytics, chẳng hạn như model, huấn luyện và dữ liệu. Mục Tài liệu tham khảo trong tài liệu tuân theo cùng cấu trúc này, giúp bạn hiểu rõ hơn cách mọi thành phần kết nối với nhau.

Dưới đây là một số thư mục con hoặc danh mục chính xuất hiện trong cả kho GitHub Ultralytics lẫn mục Tài liệu tham khảo trong tài liệu Ultralytics:

• Model: Phần này tập trung vào các model và chế độ khác nhau, chẳng hạn như tạo dự đoán, đánh giá hiệu năng và xuất model đã huấn luyện.
• Engine: Phần này chứa logic cốt lõi để huấn luyện, xác thực, dự đoán, xuất và đánh giá model.
• Dữ liệu: Phần này quản lý cách tải, xử lý và tăng cường dataset. Nội dung bao gồm các hàm tạo dataloader (công cụ cung cấp dữ liệu cho model theo từng batch), áp dụng phép biến đổi (thay đổi ảnh như đổi kích thước hoặc lật để giúp model học tốt hơn) và chuẩn bị dữ liệu (sắp xếp, định dạng ảnh và nhãn) cho quá trình huấn luyện.
• Utils: Phần này cung cấp nhiều hàm hỗ trợ được dùng 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 không cần code, cho phép sử dụng các tính năng đám mây như đăng nhập, tải model lên và quản lý dataset thông qua API.
• Bộ theo dõi: Phần này triển khai logic theo dõi đối tượng cho các ứng dụng xử lý video hoặc chuỗi ảnh theo từng frame.

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

Trên thực tế, nhiều trang Tài liệu tham khảo còn hiển thị cả source code, để bạn có thể xem chính xác cách triển khai các hàm và class mà không cần rời khỏi tài liệu.

Hình 4. Source code cũng được đưa vào các trang Tài liệu tham khảo.

Tìm hiểu các thành phần model, engine và dữ liệu#

Giờ đây, khi đã biết cách tổ chức mục Tài liệu tham khảo, hãy cùng tìm hiểu kỹ hơn ba phần chính của package Ultralytics: model, engine và dữ liệu.

Thư mục con models chứa code định nghĩa cách hoạt động của từng loại model. Thư mục này được tổ chức theo cả loại model (như YOLO, FastSAM hoặc RT-DETR) lẫn tác vụ như phát hiện, phân đoạn hoặc phân loại. Trong mỗi mục, bạn sẽ tìm thấy các file hoặc module xử lý những thao tác cụ thể, chẳng hạn như cách model tạo dự đoán, được huấn luyện hoặc đánh giá hiệu năng.

Trong khi đó, thư mục con engine hoạt động ở phía sau để quản lý toàn bộ quy trình. Thư mục con models tập trung vào chức năng của từng model, còn thư mục con engine tập trung vào cách thực thi các tác vụ đó một cách nhất quán và hiệu quả.

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

Cách 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 Tài liệu tham khảo#

Có thể bạn đang tự hỏi vì sao cần hiểu các phần khác nhau trong codebase Ultralytics. Khi biết phần nào của code xử lý chức năng nào, bạn sẽ dễ tìm thông tin cần thiết, thực hiện thay đổi hoặc khắc phục sự cố hơn.

Dưới đây là một số ví dụ về cách bạn có thể sử dụng mục Tài liệu tham khảo:

• Nếu bạn thắc mắc “Model tạo dự đoán như thế nào?”, hãy vào danh mục Models trong mục Tài liệu tham khảo, chọn loại model (chẳng hạn YOLO), chọn tác vụ (chẳng hạn detect), rồi mở trang Predict để xem chi tiết.
• Nếu muốn biết cách áp dụng tăng cường dữ liệu, bạn có thể xem trang Augment trong danh mục Data. Trang này liệt kê các kỹ thuật tăng cường tích hợp sẵn, được dùng để cải thiện hiệu năng của model và tăng độ đa dạng của dữ liệu huấn luyện.

Khám phá kết quả qua mục Tài liệu tham khảo#

Mục Tài liệu tham khảo cũng hữu ích khi bạn muốn hiểu các đầu ra mà model trả về. Sau khi dùng một model như Ultralytics YOLO11 để chạy inference trên ảnh, model sẽ trả về một tập kết quả mô tả những gì đã được phát hiện.

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

Nếu đang tìm hiểu cách sử dụng đầu ra đó trong dự án, mục Tài liệu tham khảo có thể hướng dẫn bạn. Mục này có một trang về module Results, giải thích những nội dung được bao gồm và cách truy cập chúng trong code. Trang này trình bày cách xem các hộp phát hiện, kiểm tra điểm tin cậy, hiển thị kết quả hoặc lưu kết quả.

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

Điểm chính cần ghi nhớ#

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 và các đoạn code mẫu giúp bạn nhanh chóng bắt đầu.

Nếu muốn tìm hiểu những gì diễn ra phía sau, mục Tài liệu tham khảo trong tài liệu cũng phân tích quy trình theo từng bước. Mục này cho thấy cấu trúc code, chức năng của từng phần và cách mọi thành phần phối hợp với nhau. Nhờ vậy, 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 kho GitHub để tìm hiểu thêm về cách xây dựng với AI. Bạn đã sẵn sàng triển khai ý tưởng thị giác máy tính của riêng mình chưa? Truy cập các lựa chọn cấp phép của chúng tôi để bắt đầu. Tìm hiểu cách AI thị giác trong ngành ô tô và AI trong chăm sóc sức khỏe đang tạo ra tác động qua các trang giải pháp của chúng tôi.