Xe lửa YOLO mô hình nhanh hơn với Ultralytics Nền tảng
Tìm hiểu cách huấn luyện YOLO mô hình nhanh hơn với Ultralytics Nền tảng này là một môi trường hoàn chỉnh được xây dựng để đẩy nhanh quá trình từ dữ liệu đến triển khai.
Tìm hiểu cách huấn luyện YOLO mô hình nhanh hơn với Ultralytics Nền tảng này là một môi trường hoàn chỉnh được xây dựng để đẩy nhanh quá trình từ dữ liệu đến triển khai.
Tuần trước, Ultralytics Ultralytics Platform đã được giới thiệu, một không gian làm việc thống nhất được thiết kế để đơn giản hóa cách các nhóm xây dựng, huấn luyện và triển khai các mô hình thị giác máy tính. Thay vì phải sử dụng nhiều công cụ khác nhau, nền tảng này tập hợp mọi thứ vào một nơi. Việc chuyển từ ý tưởng đến triển khai các mô hình AI thị giác trở nên dễ dàng hơn.
Điều này rất quan trọng vì thị giác máy tính đang nhanh chóng trở thành một phần cốt lõi của nhiều ngành công nghiệp. Nó hỗ trợ các ứng dụng như kiểm tra sản xuất, phân tích bán lẻ và điều hướng tự động.
Việc biến các ứng dụng hỗ trợ thị giác máy tính thành các hệ thống đáng tin cậy phụ thuộc vào chất lượng huấn luyện mô hình. Huấn luyện mô hình bao gồm việc học từ dữ liệu được gắn nhãn để mô hình có thể nhận dạng các mẫu và đưa ra dự đoán chính xác. Nhìn chung, các mô hình được huấn luyện tốt sẽ dẫn đến hiệu suất mô hình tốt hơn và kết quả đáng tin cậy hơn trong các ứng dụng thực tế.
Tuy nhiên, việc huấn luyện một mô hình thị giác máy tính không phải lúc nào cũng đơn giản. Nó bao gồm nhiều khía cạnh khác nhau, chẳng hạn như thiết lập môi trường, lựa chọn tài nguyên tính toán phù hợp, tinh chỉnh các siêu tham số và theo dõi nhiều thí nghiệm huấn luyện. Khi các bước này được phân tán trên các công cụ và hệ thống khác nhau, quy trình huấn luyện nhanh chóng trở nên phức tạp và khó quản lý.
Cái Ultralytics Nền tảng này giải quyết vấn đề bằng cách tích hợp toàn bộ quy trình đào tạo vào một bảng điều khiển duy nhất, thống nhất. Bạn có thể cấu hình, chạy và giám sát các tác vụ đào tạo tại một nơi duy nhất, cho dù bạn đang làm việc trên đám mây, cục bộ hay từ xa. Google Hợp tác.
Trong bài viết này, chúng ta sẽ tìm hiểu về cách thức... Ultralytics Nền tảng này giúp đơn giản hóa quá trình huấn luyện mô hình và lý do tại sao nó có thể mang lại lợi thế cho bạn trong các dự án AI thị giác. Hãy bắt đầu nào!
Trước khi đi sâu vào cách thức hoạt động của quá trình huấn luyện mô hình, Ultralytics Thưa quý vị, trước tiên chúng ta hãy cùng nhìn lại và xem xét quá trình huấn luyện mô hình là gì và bao gồm những gì.
Huấn luyện mô hình là quá trình mà một mô hình thị giác máy tính học cách diễn giải dữ liệu hình ảnh. Nó phân tích hình ảnh hoặc video và dần dần điều chỉnh các tham số nội bộ để thực hiện các tác vụ thị giác như phát hiện đối tượng, phân loại hình ảnh và phân đoạn đối tượng một cách chính xác. Theo thời gian, mô hình được cải thiện bằng cách học các mẫu trực tiếp từ dữ liệu mà nó nhìn thấy.
Chất lượng huấn luyện phụ thuộc rất nhiều vào tập dữ liệu. Bạn có thể hình dung tập dữ liệu giống như một bộ thẻ học mà giáo viên sử dụng để dạy học sinh, trong đó mỗi ví dụ giúp mô hình học được những gì cần tìm kiếm.
Một bộ dữ liệu thị giác máy tính điển hình bao gồm các hình ảnh, thường ở định dạng như JPG hoặc PNG, và các chú thích mô tả nội dung trong mỗi hình ảnh. Những chú thích này, thường được lưu trữ dưới dạng tệp JSON hoặc TXT, cung cấp các nhãn và ngữ cảnh mà mô hình cần để học một cách hiệu quả.
Tuy nhiên, việc huấn luyện không chỉ đơn thuần là đưa dữ liệu vào mô hình. Nó bao gồm một số bước quan trọng, từ chuẩn bị tập dữ liệu đến lựa chọn mô hình phù hợp và cấu hình quy trình huấn luyện. Tiếp theo, chúng ta hãy cùng xem xét kỹ hơn một vài bước này.
Có vẻ như chỉ cần có tập dữ liệu là bạn có thể bắt đầu huấn luyện mô hình ngay lập tức, nhưng thực tế có một vài bước bạn cần thực hiện trước, chẳng hạn như chia nhỏ tập dữ liệu.
Nhìn chung, một tập dữ liệu được chia thành ba phần: tập huấn luyện, tập xác thực và tập kiểm tra. Hình ảnh huấn luyện được sử dụng để dạy mô hình nhận biết các mẫu trong dữ liệu, trong khi tập xác thực giúp theo dõi và tinh chỉnh hiệu suất trong quá trình huấn luyện.
Tập dữ liệu kiểm thử được sử dụng ở cuối để đánh giá hiệu suất của mô hình trên các dữ liệu hoàn toàn mới, chưa từng thấy. Thiết lập này giúp đảm bảo mô hình không chỉ ghi nhớ dữ liệu mà còn có thể khái quát hóa cho các tình huống thực tế.
Một bước quan trọng khác trước khi huấn luyện là chọn mô hình bạn muốn sử dụng. Trong nhiều trường hợp, điều này có nghĩa là chọn một mô hình đã được huấn luyện trước. Các mô hình như Ultralytics YOLO Các mô hình đã được huấn luyện trên các tập dữ liệu lớn và đã học được các mẫu hình thị giác tổng quát, khiến chúng trở thành một điểm khởi đầu mạnh mẽ.
Việc sử dụng các mô hình này là một ví dụ về học chuyển giao, trong đó bạn xây dựng dựa trên kiến thức hiện có và điều chỉnh mô hình cho phù hợp với nhiệm vụ cụ thể của mình. Cách tiếp cận này giúp tăng tốc quá trình huấn luyện và cải thiện kết quả, đặc biệt khi làm việc với dữ liệu hạn chế.
Các mô hình này cũng có nhiều kích thước khác nhau, mỗi kích thước đều có sự đánh đổi giữa tốc độ và độ chính xác. Các mô hình nhỏ hơn nhanh hơn và hiệu quả hơn, trong khi các mô hình lớn hơn thường cho độ chính xác cao hơn nhưng yêu cầu nhiều tài nguyên tính toán hơn.
Sau khi đã chuẩn bị xong tập dữ liệu và chọn được mô hình, bước tiếp theo là cấu hình cách thức mô hình học tập.
Mô hình thị giác máy tính được huấn luyện bằng một tập hợp các tham số xác định cách nó xử lý dữ liệu, cập nhật trọng số và cải thiện theo thời gian. Các thiết lập này ảnh hưởng trực tiếp đến cả tốc độ huấn luyện và độ chính xác cuối cùng, do đó rất cần thiết để đạt được kết quả tốt.
Dưới đây là một số tham số huấn luyện được sử dụng phổ biến nhất:
TRONG Ultralytics YOLO Đối với các quy trình làm việc dựa trên YAML, các cấu hình này thường được định nghĩa trong một tệp YAML. Tệp này chỉ định đường dẫn tập dữ liệu, tên lớp và cách dữ liệu được chia nhỏ. Nó hoạt động như một cấu hình trung tâm cho biết mô hình cách diễn giải tập dữ liệu.
Chúng ta vừa thảo luận về một số bước quan trọng trong quá trình huấn luyện mô hình thị giác máy tính, từ chuẩn bị tập dữ liệu đến lựa chọn mô hình và cấu hình các tham số huấn luyện. Trên thực tế, quy trình thường tiến hành nhiều bước hơn, bao gồm theo dõi các thí nghiệm, so sánh nhiều lần huấn luyện và liên tục tinh chỉnh mô hình theo thời gian.
Các bước này hiếm khi được thực hiện ở cùng một nơi. Tập dữ liệu có thể được chuẩn bị trong một công cụ, quá trình huấn luyện được thực hiện trong một môi trường khác và việc theo dõi thử nghiệm được quản lý riêng biệt. Khi dự án phát triển, sự phân mảnh này làm tăng độ phức tạp, làm chậm quá trình lặp lại và khiến việc tổ chức mọi thứ trở nên khó khăn hơn.
Ultralytics Nền tảng này loại bỏ sự phức tạp bằng cách tích hợp toàn bộ quy trình huấn luyện vào một môi trường duy nhất. Thay vì phải chuyển đổi giữa các công cụ, bạn có thể quản lý tập dữ liệu, cấu hình huấn luyện, chạy thử nghiệm và theo dõi kết quả, tất cả chỉ trong một nơi.
Tiếp theo, chúng ta hãy cùng tìm hiểu cách thức... Ultralytics Nền tảng này giúp việc huấn luyện mô hình trở nên thông minh hơn.
Trong các ứng dụng thực tế, việc huấn luyện mô hình thị giác máy tính thường yêu cầu môi trường linh hoạt. Tùy thuộc vào kích thước tập dữ liệu, độ phức tạp của mô hình và phần cứng sẵn có, bạn có thể chọn chạy quá trình huấn luyện trên đám mây, trên máy tính cục bộ hoặc thông qua môi trường notebook bên ngoài.
Ultralytics Nền tảng này hỗ trợ các tùy chọn đào tạo sau để đáp ứng những nhu cầu đó:
Đối với các dự án về thị giác máy tính, việc huấn luyện mô hình cục bộ hoặc thông qua môi trường máy tính xách tay không phải lúc nào cũng dễ dàng.
Ví dụ, với huấn luyện cục bộ, hiệu năng phụ thuộc hoàn toàn vào phần cứng của bạn, điều này có thể hạn chế sức mạnh tính toán và làm chậm quá trình thử nghiệm. GPU rất cần thiết cho việc huấn luyện hiệu quả, nhưng không phải mọi thiết lập đều có thể truy cập chúng một cách đáng tin cậy.
Trong khi môi trường sổ tay như Google Colab cung cấp một giải pháp thay thế bằng cách cung cấp GPU dựa trên đám mây, tuy nhiên các phiên làm việc thường chỉ tạm thời và có thể làm gián đoạn các quá trình huấn luyện dài hơn. Khi tập dữ liệu tăng lên và quy trình làm việc trở nên phức tạp hơn, những hạn chế này có thể nhanh chóng trở thành nút thắt cổ chai, làm cho quá trình huấn luyện chậm hơn và kém tin cậy hơn.
Ultralytics Nền tảng này giải quyết vấn đề đó bằng tùy chọn đào tạo trên đám mây. Nó cung cấp một môi trường sẵn sàng sử dụng, nơi mà... Python các phụ thuộc và khung như PyTorch Chúng được cấu hình sẵn, cho phép bạn bắt đầu huấn luyện mà không cần thiết lập thêm.
Từ một bảng điều khiển duy nhất, bạn có thể khởi chạy các tác vụ huấn luyện và theo dõi tiến độ theo thời gian thực. Điều này giúp bạn tập trung vào việc cải thiện mô hình thay vì quản lý cơ sở hạ tầng.
Bây giờ, hãy cùng xem cách bắt đầu với khóa đào tạo về điện toán đám mây. Ultralytics Nền tảng.
Bước đầu tiên là chọn một mô hình cơ sở cho quá trình huấn luyện của bạn. Bạn có thể chọn một mô hình Ultralytics YOLO đã được huấn luyện sẵn, sao chép một mô hình cộng đồng hoặc tải lên các trọng số đã được huấn luyện sẵn của riêng bạn để đáp ứng các yêu cầu tùy chỉnh.
Nền tảng này hỗ trợ tất cả. Ultralytics YOLO Các mẫu Ultralytics YOLO bao gồm Ultralytics YOLO26 , Ultralytics YOLO11 , Ultralytics YOLOv8 và Ultralytics YOLOv5 , mỗi mẫu đều có nhiều biến thể kích thước khác nhau như nano (n), nhỏ (s), trung bình (m), lớn (l) và cực lớn (x). Với các biến thể khác nhau mang lại sự cân bằng giữa tốc độ và độ chính xác, bạn có thể chọn một mẫu phù hợp với yêu cầu về hiệu năng và tính toán của mình.
Các mô hình này hỗ trợ một loạt các tác vụ thị giác máy tính mà Ultralytics YOLO Người dùng đã quen thuộc với các chức năng này, bao gồm phát hiện đối tượng, phân đoạn đối tượng, phân loại hình ảnh, phát hiện hộp giới hạn định hướng (OBB) và ước tính tư thế.
Nếu bạn có các yêu cầu tùy chỉnh, bạn cũng có thể tải lên trọng số mô hình đã được huấn luyện trước của riêng mình. Điều này có nghĩa là bạn có thể tiếp tục huấn luyện hoặc tinh chỉnh một mô hình hiện có, chẳng hạn như bộ phát hiện đối tượng, ngay trong nền tảng, thay vì bắt đầu lại từ đầu. Điều này đặc biệt hữu ích nếu bạn đã huấn luyện một mô hình ở nơi khác hoặc muốn điều chỉnh một mô hình cho một trường hợp sử dụng cụ thể hơn.
Bước tiếp theo là chọn tập dữ liệu để huấn luyện. Trên Ultralytics Trên nền tảng này, bạn có thể sử dụng các tập dữ liệu có sẵn như... COCO Bạn có thể sử dụng tập dữ liệu này, sao chép các tập dữ liệu từ cộng đồng hoặc tải lên tập dữ liệu tùy chỉnh của riêng bạn, được thiết kế riêng cho ứng dụng cụ thể của bạn.
Nền tảng này hỗ trợ các định dạng chú thích phổ biến như... Ultralytics YOLO Và COCO và cũng có thể xử lý việc tải lên hình ảnh thô nếu bạn dự định chú thích dữ liệu tùy chỉnh trực tiếp trên nền tảng.
Sau khi tải lên, các tập dữ liệu sẽ được xử lý tự động, bao gồm xác thực, chuẩn hóa, phân tích nhãn và tạo số liệu thống kê. Điều này giúp bạn có cái nhìn tổng quan ngay lập tức về dữ liệu của mình, bao gồm phân bố lớp và cấu trúc tập dữ liệu, đồng thời đảm bảo mọi thứ đã sẵn sàng cho quá trình huấn luyện.
Các tập dữ liệu cũng được tự động liên kết với các lần chạy huấn luyện, cho phép bạn track Dữ liệu nào được sử dụng cho mỗi mô hình và duy trì tính nhất quán giữa các thí nghiệm.
Sau khi chọn tập dữ liệu, bạn có thể cấu hình các tham số huấn luyện kiểm soát cách mô hình học. Các tham số này bao gồm số epoch, kích thước batch, kích thước ảnh và tên chạy cho nhật ký huấn luyện. Nhiều tham số trong số này ảnh hưởng đến cả thời gian huấn luyện và hiệu suất cuối cùng của mô hình.
Để huấn luyện được kiểm soát tốt hơn, nền tảng này cũng cho phép bạn điều chỉnh các tham số nâng cao như tốc độ học, loại thuật toán tối ưu hóa, cài đặt tăng cường màu sắc và các tùy chọn huấn luyện khác. Những cài đặt này có thể tinh chỉnh quá trình huấn luyện để cải thiện độ chính xác và tính ổn định của mô hình.
Tiếp theo, bạn có thể chọn GPU Cấu hình phù hợp cho bài chạy luyện tập của bạn. Chọn đúng GPU Hiệu quả phụ thuộc vào các yếu tố như kích thước tập dữ liệu, kích thước lô, độ phân giải hình ảnh và độ phức tạp của mô hình. Tìm được sự cân bằng phù hợp giúp duy trì hiệu quả huấn luyện mà không cần sử dụng nhiều tài nguyên tính toán hơn mức cần thiết.
Ultralytics Nền tảng này cung cấp 22 GPU các tùy chọn với các mức VRAM khác nhau (bộ nhớ trên một GPU và sức mạnh tính toán, hỗ trợ mọi thứ từ các tác vụ nhỏ đến các khối lượng công việc quy mô lớn.
Sử dụng công cụ này, bạn có thể lựa chọn phần cứng phù hợp với nhu cầu cụ thể của mình, cho dù bạn đang huấn luyện các mô hình nhẹ hay làm việc với các tập dữ liệu lớn và phức tạp. Để tìm hiểu thêm, hãy xem danh sách các GPU có sẵn trên trang web. Ultralytics Trang tài liệu hướng dẫn sử dụng nền tảng .
Sau khi bạn đã chọn mô hình, tập dữ liệu, tham số huấn luyện và tùy chọn tính toán, việc bắt đầu chạy huấn luyện rất nhanh chóng. Từ bảng điều khiển, bạn có thể khởi chạy huấn luyện chỉ bằng một cú nhấp chuột, và nền tảng sẽ xử lý phần còn lại bằng cách khởi tạo môi trường và chạy tác vụ trên tập dữ liệu đã chọn. GPU .
Khi quá trình huấn luyện bắt đầu, bạn có thể theo dõi tiến độ trực tiếp trên nền tảng. Tab Huấn luyện cung cấp khả năng hiển thị theo thời gian thực các chỉ số quan trọng, bao gồm các chỉ số hiệu suất, đường cong tổn thất, mức sử dụng hệ thống và nhật ký huấn luyện trực tiếp.
Để tìm hiểu thêm về đào tạo tại địa phương hoặc sử dụng Google Hợp tác với Ultralytics Trên nền tảng này, bạn có thể tìm hiểu thêm các hướng dẫn khác trong trang chính thức. Ultralytics Tài liệu hướng dẫn về nền tảng .
Sau khi quá trình huấn luyện hoàn tất, bước tiếp theo là đánh giá hiệu quả hoạt động của mô hình. Ultralytics Với nền tảng này, bạn có thể so sánh nhiều lần chạy huấn luyện trong cùng một dự án, giúp bạn có cái nhìn rõ ràng về hiệu quả hoạt động của các thử nghiệm khác nhau.
Khi phát triển mô hình, quá trình huấn luyện thường được lặp lại nhiều lần với các thiết lập khác nhau, chẳng hạn như thay đổi tốc độ học, kích thước lô hoặc kích thước mô hình, để cải thiện kết quả. Mỗi lần chạy này tạo ra một mô hình hơi khác nhau, đó là lý do tại sao việc so sánh chúng là rất quan trọng.
Các dự án đóng vai trò như một trung tâm điều phối, nơi các mô hình và thí nghiệm được tổ chức lại với nhau. Bạn có thể track Theo dõi tiến độ, xem xét kết quả và duy trì sự tập trung mà không cần chuyển đổi giữa các công cụ hoặc chế độ xem khác nhau.
Từ góc nhìn thống nhất này, bạn cũng có thể phân tích các chỉ số hiệu suất chính như độ chính xác, độ thu hồi và... mAP (Độ chính xác trung bình) để hiểu hiệu suất của mô hình trên các lớp khác nhau. Bạn cũng có thể so sánh các lần chạy huấn luyện cạnh nhau để xác định cấu hình nào mang lại kết quả tốt nhất.
Để bổ sung cho các chỉ số này, bạn có thể sử dụng tab Dự đoán để nhanh chóng kiểm tra các mô hình đã được huấn luyện trên ảnh hoặc dữ liệu mẫu, giúp bạn trực quan hóa việc xác nhận hiệu suất và phát hiện các vấn đề tiềm ẩn.
Với những thông tin chi tiết này, bạn có thể chọn mô hình hoạt động tốt nhất, thường được lưu dưới dạng điểm kiểm tra “best.pt”, và tiến tới giai đoạn tiếp theo, cho dù đó là đánh giá sâu hơn, sử dụng mô hình để chạy suy luận, hay triển khai mô hình thông qua nền tảng.
Việc huấn luyện các mô hình phát hiện đối tượng trên nền tảng đám mây phát sinh chi phí tính toán, đặc biệt khi bạn truy cập vào các GPU hiệu năng cao. Để đơn giản hóa quá trình này, Ultralytics Nền tảng này cung cấp ước tính chi phí trước khi khóa đào tạo bắt đầu.
Nó giúp bạn nắm rõ mức độ sử dụng dự kiến, từ đó lập kế hoạch công việc, quản lý ngân sách và tránh các chi phí phát sinh ngoài dự kiến trước khi bắt đầu một dự án đào tạo. Dưới đây là cách bạn có thể kiểm tra chi phí ước tính trước khi bắt đầu đào tạo.
Để ước tính chi phí chính xác, nền tảng này trước tiên sẽ tính toán thời gian cần thiết cho một chu kỳ huấn luyện duy nhất. Thời gian này phụ thuộc vào các yếu tố như kích thước tập dữ liệu, kích thước mô hình, độ phân giải hình ảnh, kích thước batch và tốc độ của thuật toán được chọn. GPU .
Sử dụng các dữ liệu đầu vào này, thuật toán sẽ xác định thời gian ước tính cho mỗi epoch và điều chỉnh tỷ lệ cho toàn bộ quá trình huấn luyện. Tổng thời gian được tính bằng cách cộng thời gian của tất cả các epoch với một khoảng thời gian khởi động nhỏ.
Chi phí phát sinh bao gồm các tác vụ như khởi tạo môi trường, tải tập dữ liệu và chuẩn bị. GPU , đảm bảo rằng ước tính phản ánh toàn bộ quá trình đào tạo, chứ không chỉ riêng vòng lặp đào tạo.
Sau khi ước tính tổng thời gian đào tạo, nền tảng sẽ chuyển đổi thời gian đó thành chi phí bằng cách sử dụng phương pháp đã chọn. GPU Mức lương theo giờ của [tên người nhận].
Bằng cách kết hợp thời lượng đào tạo với GPU Bằng cách tính giá, chúng ta có thể ước tính rõ ràng chi phí của toàn bộ quá trình sản xuất trước khi nó bắt đầu.
Việc có thể xem trước thông tin giúp bạn dễ dàng điều chỉnh thiết lập, chẳng hạn như tinh chỉnh các thông số huấn luyện hoặc chọn một tùy chọn khác. GPU Nhờ đó, bạn có thể cân bằng hiệu suất và chi phí một cách hiệu quả hơn.
Cho đến nay, chúng ta đã tìm hiểu các bước chính liên quan đến việc huấn luyện các mô hình thị giác máy tính và cách chúng kết hợp với nhau. Ultralytics Nền tảng.
Ngoài những tính năng cốt lõi này, còn có thêm các khả năng khác giúp nâng cao quy trình đào tạo. Dưới đây là tổng quan về một số lợi ích chính khi sử dụng... Ultralytics Nền tảng đào tạo mô hình:
Huấn luyện là một trong những giai đoạn quan trọng nhất trong vòng đời của mô hình máy học. Nó quyết định độ chính xác mà mô hình có thể nhận dạng và diễn giải dữ liệu hình ảnh.
Bằng cách kết hợp cấu hình dữ liệu huấn luyện, giám sát, so sánh thí nghiệm và ước tính chi phí trong cùng một môi trường, Ultralytics Nền tảng này giúp đơn giản hóa quy trình xây dựng các mô hình thị giác máy tính hiệu suất cao và chuẩn bị chúng để triển khai.
Hãy tham gia cộng đồng đang phát triển và kho lưu trữ GitHub của chúng tôi để tìm hiểu thêm về thị giác máy tính. Nếu bạn đang tìm kiếm các giải pháp thị giác máy tính, hãy xem xét các tùy chọn cấp phép của chúng tôi. Khám phá các trang giải pháp của chúng tôi để biết thêm về lợi ích của thị giác máy tính trong sản xuất và trí tuệ nhân tạo trong nông nghiệp .
Bắt đầu hành trình của bạn với tương lai của học máy
