Cách sử dụng phần Tham chiếu của tài liệu Ultralytics YOLO

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

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

Ultralytics YOLO11 hỗ trợ các tác vụ như phát hiện đối tượng, phân đoạn thực thể và phân loại hình ảnh, đồng thời có thể được sử dụng cho các ứng dụng như lái xe tự động, 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, Ultralytics Python package cung cấp các công cụ thân thiện với người dùng để nhanh chóng train, tùy chỉnh và deploy các AI model này, cho phép người dùng ở mọi cấp độ kỹ năng dễ dàng xây dựng các ứng dụng computer vision 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, Reference section trong tài liệu của Ultralytics là một nguồn tài nguyên tuyệt vời. Phần này bao gồm hoạt động bên trong của Ultralytics Python package, bao gồm cách dữ liệu của bạn được xử lý, quy trình model training và cách bạn có thể trực quan hóa các dự đoán.

Trong bài viết này, chúng ta sẽ xem xét kỹ hơn phần Reference của tài liệu Ultralytics và cách sử dụng nó khi làm việc trên các dự án computer vision. Hãy bắt đầu nào!

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

Làm việc với Ultralytics Python package rất đơn giản và trực quan. Bạn có thể train các YOLO model hoặc detect objects trong hình ảnh chỉ bằng một vài dòng code.

Tuy nhiên, một khi bạn đã quen thuộc với việc làm việc với các computer vision model, Reference section trong tài liệu của Ultralytics sẽ giúp bạn xem xét kỹ hơn về cách code hoạt động và những function mà package hỗ trợ. Phần này cũng bao gồm các giải thích dễ hiểu, các tùy chọn có thể cấu hình và các liên kết đến code có liên quan trong Ultralytics GitHub repository.

Nó giải thích cách cấu trúc của Ultralytics Python package và bao gồm các thành phần chính như thiết lập model, tải dữ liệu, quy trình huấn luyện, cũng như cách các dự đoán được thực hiện và trả về.

Mọi thứ được tổ chức thành các danh mục rõ ràng, vì vậy rất dễ dàng để tìm thấy những gì bạn đang tìm kiếm. Ví dụ, nếu bạn đang huấn luyện một model với bộ dữ liệu của riêng mình, bạn có thể đi đến phần Reference tập trung vào dữ liệu, và nó sẽ giúp bạn hiểu rõ hơn về cách dữ liệu của bạn sẽ được sử dụng để huấn luyện model.

Cách bắt đầu với phần Reference#

Nếu bạn chuyển đến Reference section trong tài liệu của Ultralytics YOLO, bạn sẽ tìm thấy một menu ở bên trái trang với các reference category khác nhau. Mỗi category đại diện cho một phần cụ thể của Ultralytics codebase, chẳng hạn như models, xử lý dữ liệu hoặc training function.

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

Fig 2. Ở bên trái, bạn sẽ tìm thấy một menu gồm các reference category khác nhau.

Tương tự, ở phía bên phải trang, bạn sẽ tìm thấy mục lục phân tách từng trang tham khảo thành các thành phần chính như hàm (các khối code có thể tái sử dụng), lớp (bản thiết kế để tạo đối tượng) và phương thức (hàm được định nghĩa bên trong lớp). Điều này giúp dễ dàng nhảy thẳng đến những gì bạn đang tìm kiếm.

Fig 3. Ở bên phải, bạn sẽ tìm thấy mục lục cho trang Reference cụ thể mà bạn đang xem.

Cấu trúc của kho lưu trữ Ultralytics GitHub#

Ultralytics GitHub repository được tổ chức thành các thư mục con hoặc gói con dựa trên các phần khác nhau của Ultralytics package, chẳng hạn như models, training và data. Reference section trong tài liệu tuân theo cấu trúc tương tự này, giúp dễ hiểu cách mọi thứ kết hợp với nhau hơn.

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

• Models: Phần này tập trung vào các model khác nhau và các mode của chúng, chẳng hạn như đưa ra dự đoán, đánh giá performance và export các trained model.
• Engine: Chứa logic cốt lõi để huấn luyện, xác thực, dự đoán, xuất và đánh giá các model.
• Data: Quản lý cách tải, xử lý và tăng cường dữ liệu. Điều này bao gồm các hàm để tạo dataloaders (công cụ cung cấp dữ liệu cho model theo lô), áp dụng các phép biến đổi (các thay đổi được thực hiện đối với hình ảnh như thay đổi kích thước hoặc lật để giúp model học tốt hơn) và chuẩn bị dữ liệu (tổ chức và định dạng hình ảnh và nhãn) để huấn luyện.
• Utils: Phần này cung cấp nhiều loại hàm hỗ trợ được sử dụng trên toàn bộ codebase, chẳng hạn như công cụ trực quan hóa, xử lý tệp và tính toán chỉ số.
• HUB: Kết nối với Ultralytics HUB, một nền tảng computer vision không cần code, hỗ trợ các tính năng đám mây như đăng nhập, upload model và quản lý dataset thông qua một API.
• Trackers: Triển khai logic theo dõi đối tượng cho các ứng dụng liên quan đến video hoặc chuỗi hình ảnh theo từng khung hình.

Mỗi thư mục con trong kho lưu trữ GitHub có một phần tương ứng trong tài liệu. Cấu trúc này được cố tình phản chiếu, giúp việc chuyển đổi giữa việc đọc tài liệu và khám phá source code trở nên dễ dàng hơn.

Trên thực tế, trong nhiều trang Reference, source code thực tế cũng được hiển thị, vì vậy bạn có thể thấy chính xác cách các hàm và lớp được triển khai mà không cần rời khỏi tài liệu.

Fig 4. Source code cũng được bao gồm trong các trang Reference.

Hiểu về các thành phần models, engine và data#

Giờ đây khi chúng ta đã thấy cách phần Reference được tổ chức, hãy xem xét kỹ hơn ba phần chính của Ultralytics package: 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 các tác vụ như detection, segmentation hoặc classification. Bên trong mỗi phần này, bạn sẽ tìm thấy các file hoặc module xử lý các hành động cụ thể - ví dụ như cách model đưa ra dự đoán, cách model được train hoặc cách performance của model được đánh giá.

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 những gì mỗi model thực hiện, thư mục con engine tập trung vào cách thực hiện các tác vụ đó một cách nhất quán và hiệu quả.

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

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

Các ví dụ về cách sử dụng phần Reference#

Bạn có thể tự hỏi, tại sao việc hiểu các phần khác nhau của Ultralytics codebase lại quan trọng? Nếu bạn biết phần nào của code xử lý việc gì, việc tìm kiếm thông tin bạn cần, thực hiện thay đổi hoặc khắc phục sự cố sẽ trở nên dễ dàng hơn nhiều.

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

• Nếu bạn đang tự hỏi, “Làm thế nào để model đưa ra dự đoán?”, bạn có thể đi đến danh mục Models trong phần Reference, chọn một loại model (như YOLO), chọn một tác vụ (như detect), và sau đó mở trang Predict để biết chi tiết.
• Nếu bạn muốn biết cách data augmentation được áp dụng, bạn có thể khám phá trang Augment dưới danh mục Data. Trang này liệt kê các kỹ thuật augmentation tích hợp được sử dụng để cải thiện performance của model và độ đa dạng trong training data.

Khám phá kết quả thông qua phần Reference#

Phần Reference cũng hữu ích khi bạn đang cố gắng hiểu các kết quả đầu ra do model của mình trả về. Sau khi một model như Ultralytics YOLO11 được sử dụng để chạy suy luận trên một hình ảnh, nó sẽ trả về một tập hợp kết quả mô tả những gì đã được phát hiện.

Ví dụ, trong nguồn cấp dữ liệu camera, hệ thống có thể phát hiện một người và đánh dấu vị trí của họ bằng bounding box, cùng với điểm số độ tin cậy - một giá trị từ 0 đến 1 cho biết mức độ chắc chắn của model về kết quả detection.

Nếu bạn đang cố gắng tìm hiểu cách sử dụng output đó trong project của mình, Reference section có thể hướng dẫn bạn. Phần này bao gồm một trang dành cho Results module để chia nhỏ những gì được bao gồm và cách truy cập trong code của bạn. Có các chi tiết về cách xem các hộp detection, kiểm tra điểm số độ tin cậy, hiển thị kết quả hoặc lưu kết quả.

Fig 5. Ví dụ về cách kết quả trả về bởi YOLO11 có thể được trực quan hóa.

Các điểm chính cần lưu ý#

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

Nếu bạn tò mò về những gì diễn ra phía sau hậu trường, phần Reference của tài liệu cũng phân tích từng bước một. Nó cho thấy cách code được cấu trúc, mỗi phần làm gì và cách mọi thứ kết hợp với nhau. Điều này giúp dễ dàng học hỏi, tùy chỉnh và tự tin xây dựng các dự án computer vision của riêng bạn.

Hãy tham gia cộng đồng tích cực của chúng tôi và khám phá GitHub repository để tìm hiểu thêm về việc xây dựng với AI. Sẵn sàng ra mắt các ý tưởng computer vision của riêng bạn chưa? Hãy truy cập các tùy chọn cấp phép của chúng tôi để bắt đầu. Xem cách vision AI trong ngành ô tô và AI trong y tế đang tạo ra tác động bằng cách truy cập các trang giải pháp của chúng tôi.