Huấn luyện các mô hình YOLO nhanh hơn với Ultralytics Platform

Tuần trước, Ultralytics đã giới thiệu Ultralytics Platform, 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 model thị giác máy tính. Thay vì phải xoay xở với nhiều công cụ khác nhau, nền tảng này tập hợp mọi thứ vào một nơi duy nhất. Việc đi từ ý tưởng đến triển khai với các model AI thị giác trở nên dễ dàng hơn bao giờ hết.

Điều này rất quan trọng vì thị giác máy tính đang nhanh chóng trở thành một phần cốt lõi của nhiều ngành công nghiệp khác nhau. Nó hỗ trợ các ứng dụng như kiểm tra trong sản xuất, phân tích bán lẻ và điều hướng tự hành.

Việc biến các ứng dụng hỗ trợ thị giác này thành các hệ thống đáng tin cậy phụ thuộc vào mức độ hiệu quả của việc huấn luyện model. Huấn luyện model liên quan đến việc học từ dữ liệu đã gắn nhãn để model có thể nhận dạng các mẫu và đưa ra dự đoán chính xác. Nhìn chung, các model được huấn luyện tốt sẽ mang lại hiệu suất model cao hơn và các kết quả đáng tin cậy hơn trong các ứng dụng thực tế.

Tuy nhiên, việc huấn luyện một model thị giác máy tính không phải lúc nào cũng đơn giản. Nó bao gồm nhiều khía cạnh, chẳng hạn như thiết lập môi trường, chọn tài nguyên tính toán phù hợp, tinh chỉnh siêu tham số và theo dõi nhiều thử nghiệm huấn luyện. Khi các bước này bị phân tán qua nhiều công cụ và hệ thống khác nhau, quy trình huấn luyện nhanh chóng trở nên phức tạp và khó quản lý.

Ultralytics Platform giải quyết vấn đề này bằng cách đưa toàn bộ quá trình huấn luyện vào một bảng điều khiển thống nhất duy nhất. Bạn có thể cấu hình, chạy và giám sát các tác vụ huấn luyện tại một nơi, dù bạn đang làm việc trên cloud, cục bộ (locally) hay trên Google Colab.

Hình 1. Một cái nhìn thoáng qua về việc huấn luyện model bên trong Ultralytics Platform (Nguồn)

Trong bài viết này, chúng ta sẽ khám phá cách Ultralytics Platform hợp lý hóa việc huấn luyện model và lý do tại sao nó có thể mang lại cho bạn lợi thế trong các dự án AI thị giác của mình. Hãy bắt đầu ngay thôi!

Link to this sectionCác model thị giác máy tính học hỏi từ dữ liệu thông qua quá trình huấn luyện model#

Trước khi đi sâu vào cách thức hoạt động của việc huấn luyện model trên Ultralytics Platform, trước tiên chúng ta hãy lùi lại một bước và xem xét việc huấn luyện model là gì và những yếu tố nào tạo nên nó.

Huấn luyện model là quá trình mà qua đó một model 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 (object detection), phân loại hình ảnh (image classification) và phân đoạn cá thể (instance segmentation) một cách chính xác. Theo thời gian, model cải thiện nhờ việc học các mẫu trực tiếp từ dữ liệu mà nó quan sát được.

Chất lượng huấn luyện phụ thuộc rất nhiều vào các tập dữ liệu (datasets). Bạn có thể coi một dataset giống như một bộ thẻ ghi nhớ (flashcards) mà giáo viên sẽ sử dụng để đào tạo học sinh, trong đó mỗi ví dụ giúp model tìm hiểu những gì cần chú ý.

Một dataset thị giác máy tính điển hình bao gồm các hình ảnh, thường ở các định dạng như JPG hoặc PNG, cùng với các chú thích (annotations) mô tả những gì có trong mỗi hình ảnh. Các chú thích này, thường được lưu dưới dạng tệp JSON hoặc TXT, cung cấp các nhãn và ngữ cảnh mà model cần để học một cách hiệu quả.

Nhưng huấn luyện không chỉ đơn thuần là đưa dữ liệu vào model. Nó liên quan đến một vài bước chính, từ chuẩn bị dataset đến việc chọn model phù hợp và cấu hình quá trình huấn luyện. Tiếp theo, chúng ta hãy cùng xem xét kỹ hơn một vài bước trong số đó.

Link to this sectionXem xét cách các dataset được chuẩn bị#

Có vẻ như khi bạn đã có một dataset, bạn có thể bắt đầu huấn luyện model ngay lập tức, nhưng có một vài bước bạn cần thực hiện trước, chẳng hạn như phân chia dataset.

Thông thường, một dataset được chia thành ba phần: tập huấn luyện (training set), tập xác thực (validation set) và tập kiểm tra (testing set). Các hình ảnh huấn luyện được sử dụng để dạy model các mẫu trong dữ liệu, trong khi tập xác thực giúp theo dõi và tinh chỉnh hiệu suất trong quá trình huấn luyện.

Tập kiểm tra được sử dụng ở giai đoạn cuối để đánh giá mức độ hiệu quả của model trên các dữ liệu hoàn toàn mới, chưa từng thấy trước đó. Thiết lập này giúp đảm bảo model không chỉ ghi nhớ dữ liệu mà còn có thể khái quát hóa cho các tình huống thực tế.

Link to this sectionChọn model phù hợp để huấn luyện#

Một bước quan trọng khác trước khi huấn luyện là chọn model mà bạn muốn sử dụng. Trong nhiều trường hợp, điều này có nghĩa là chọn một model đã được huấn luyện trước (pre-trained model). Các model như Ultralytics YOLO đã được huấn luyện trên các dataset lớn và đã học được các mẫu thị giác chung, giúp chúng trở thành một điểm bắt đầu vững chắc.

Việc sử dụng các model này là một ví dụ về học chuyển đổi (transfer learning), nơi bạn xây dựng dựa trên kiến thức hiện có và điều chỉnh model cho phù hợp với tác vụ cụ thể của mình. Cách tiếp cận này giúp tăng tốc độ huấn luyện và cải thiện kết quả, đặc biệt là khi làm việc với dữ liệu hạn chế.

Các model này cũng có các kích thước khác nhau, mỗi kích thước mang lại sự cân bằng giữa tốc độ và độ chính xác. Các model nhỏ hơn thì nhanh và hiệu quả hơn, trong khi các model lớn hơn thường mang lại độ chính xác cao hơn nhưng yêu cầu nhiều tài nguyên tính toán hơn.

Link to this sectionCấu hình các tham số huấn luyện cho các model thị giác#

Sau khi bạn đã chuẩn bị xong dataset và đã chọn một model, bước tiếp theo là cấu hình cách model học.

Một model thị giác máy tính được huấn luyện bằng cách sử dụng một bộ các tham số xác định cách nó xử lý dữ liệu, cập nhật trọng số và cải thiện theo thời gian. Các cài đặt này ảnh hưởng trực tiếp đến cả tốc độ huấn luyện và độ chính xác cuối cùng, khiến chúng trở nên thiết yếu để đạt được các kết quả mạnh mẽ.

Dưới đây là một số tham số huấn luyện thường được sử dụng nhất:

• Epochs: Đại diện cho số lần model đi qua toàn bộ dataset trong quá trình huấn luyện. Tăng số lượng epoch mang lại cho model nhiều cơ hội hơn để tìm hiểu các mẫu từ dữ liệu.
• Batch size: Đây là số lượng hình ảnh được xử lý cùng nhau trong một bước huấn luyện. Batch size lớn hơn có thể tăng tốc độ huấn luyện nhưng đòi hỏi nhiều bộ nhớ hơn.
• Image size: Chỉ định độ phân giải của hình ảnh đầu vào được sử dụng trong quá trình huấn luyện. Độ phân giải cao hơn có thể cải thiện độ chính xác khi phát hiện nhưng làm tăng chi phí tính toán.
• Learning rate: Đây là tốc độ mà model cập nhật các tham số nội bộ trong quá trình huấn luyện. Các giá trị quá cao hoặc quá thấp có thể làm cho quá trình huấn luyện trở nên không ổn định.
• Optimizer: Đây là thuật toán chịu trách nhiệm cập nhật các tham số của model dựa trên sai số được tính toán trong mỗi vòng lặp huấn luyện.

Trong các quy trình làm việc dựa trên Ultralytics YOLO, các cấu hình này thường được định nghĩa trong một tệp YAML. Tệp này xác định đường dẫn dataset, tên lớp (class names) và cách dữ liệu được chia. Nó đóng vai trò như một cấu hình trung tâm cho biết cách model diễn giải dataset.

Link to this sectionTừ quy trình làm việc bị phân mảnh đến trải nghiệm thống nhất với Ultralytics Platform#

Chúng ta vừa thảo luận về một số bước chính liên quan đến việc huấn luyện một model thị giác máy tính, từ chuẩn bị dataset đến việc chọn model và cấu hình các tham số huấn luyện. Trong thực tế, quá trình này thường đi xa hơn, bao gồm việc theo dõi các thử nghiệm, so sánh nhiều lần chạy huấn luyện và liên tục cải tiến model theo thời gian.

Các bước này hiếm khi được xử lý tại một nơi duy nhất. Các dataset có thể được chuẩn bị trong một công cụ, các lần chạy huấn luyện được thực hiện trong một môi trường khác và việc theo dõi thử nghiệm được quản lý riêng biệt. Khi các dự án phát triển, sự phân mảnh này làm tăng độ phức tạp, làm chậm quá trình lặp lại và gây khó khăn cho việc giữ mọi thứ được ngăn nắp.

Ultralytics Platform loại bỏ sự phức tạp này bằng cách đưa toàn bộ quy trình huấn luyện vào một môi trường duy nhất. Thay vì chuyển đổi giữa các công cụ, bạn có thể quản lý dataset, cấu hình huấn luyện, chạy các thử nghiệm và giám sát kết quả tại một nơi duy nhất.

Tiếp theo, hãy cùng đi sâu vào cách Ultralytics Platform làm cho việc huấn luyện model trở nên thông minh hơn.

Link to this sectionCác tùy chọn huấn luyện được hỗ trợ bởi Ultralytics Platform#

Trong các ứng dụng thực tế, việc huấn luyện một model thị giác máy tính thường đòi hỏi các môi trường linh hoạt. Tùy thuộc vào kích thước dataset, độ phức tạp của model và phần cứng có sẵn, bạn có thể chọn chạy huấn luyện trên cloud, trên máy cục bộ hoặc thông qua các môi trường notebook bên ngoài.

Ultralytics Platform hỗ trợ các tùy chọn huấn luyện sau đây để đáp ứng các nhu cầu này:

• Cloud training: Các lần chạy huấn luyện trên các GPU được quản lý bởi Ultralytics. Tùy chọn này lý tưởng cho các dataset lớn hơn hoặc các model phức tạp hơn đòi hỏi tài nguyên tính toán đáng kể.
• Local training: Tùy chọn này sử dụng phần cứng có sẵn trên máy của bạn và rất phù hợp cho các thử nghiệm nhanh, kiểm tra cấu hình hoặc làm việc với các dataset nhỏ hơn. Đối với các khối lượng công việc có khả năng mở rộng lớn hơn, quá trình huấn luyện cũng có thể được thực hiện trong môi trường cloud của riêng bạn, chẳng hạn như AWS hoặc GCP.
• Google Colab: Với Ultralytics Platform, bạn có thể chạy huấn luyện trong môi trường notebook được lưu trữ trên Google Colab, cho phép một quy trình làm việc linh hoạt dựa trên trình duyệt mà không cần phải cấu hình máy cục bộ.

Link to this sectionKhám phá việc huấn luyện trên cloud trên Ultralytics Platform#

Khi nói đến các dự án thị giác máy tính, việc huấn luyện các model tại chỗ hoặc thông qua môi trường notebook không phải lúc nào cũng dễ dàng.

Ví dụ, với việc huấn luyện tại chỗ, hiệu suất hoàn toàn phụ thuộc vào phần cứng của bạn, điều này có thể giới hạn sức mạnh tính toán và làm chậm quá trình thử nghiệm. GPU là yếu tố cần thiết để huấn luyện hiệu quả, nhưng không phải thiết lập nào cũng có quyền truy cập ổn định vào chúng.

Mặc dù các môi trường notebook như Google Colab cung cấp một giải pháp thay thế bằng cách cung cấp các GPU dựa trên cloud, các phiên làm việc thường là tạm thời và có thể làm gián đoạn các lần huấn luyện dài hơn. Khi các dataset phát triển và quy trình làm việc trở nên phức tạp hơn, những hạn chế này có thể nhanh chóng trở thành các điểm nghẽn, làm cho quá trình huấn luyện chậm hơn và ít tin cậy hơn.

Ultralytics Platform giải quyết vấn đề này với tùy chọn huấn luyện trên cloud. Nó cung cấp một môi trường sẵn sàng để sử dụng, nơi các phụ thuộc Python và các framework như PyTorch đã được cấu hình trước, cho phép bạn bắt đầu huấn luyện mà không cần thêm thiết lập nào.

Từ một bảng điều khiển duy nhất, bạn có thể khởi chạy các tác vụ huấn luyện và giám sát tiến trình theo thời gian thực. Điều này giúp bạn dễ dàng tập trung vào việc cải thiện các model của mình thay vì phải quản lý cơ sở hạ tầng.

Bây giờ, hãy cùng xem cách bắt đầu với việc huấn luyện trên cloud trên Ultralytics Platform.

Link to this sectionBước 1: Chọn một model cơ sở#

Bước đầu tiên là chọn một model cơ sở cho lần huấn luyện của bạn. Bạn có thể chọn một Ultralytics YOLO model đã được huấn luyện trước, sao chép một model từ cộng đồng hoặc tải lên các trọng số đã được huấn luyện trước của riêng bạn để đáp ứng các yêu cầu tùy chỉnh.

Nền tảng này hỗ trợ tất cả các model Ultralytics YOLO, bao gồm Ultralytics YOLO26, Ultralytics YOLO11, Ultralytics YOLOv8 và Ultralytics YOLOv5, mỗi loại đều có sẵn các biến thể kích thước khác nhau như nano (n), small (s), medium (m), large (l) và extra-large (x). Với các biến thể model khác nhau cung cấp sự cân bằng giữa tốc độ và độ chính xác, bạn có thể chọn một model phù hợp với yêu cầu về hiệu suất và tính toán của mình.

Các model này hỗ trợ một loạt các tác vụ thị giác máy tính mà người dùng Ultralytics YOLO đã quen thuộc, bao gồm phát hiện đối tượng, phân đoạn cá thể, phân loại hình ảnh, phát hiện hộp bao xoay (oriented bounding box - OBB) và ước tính tư thế (pose estimation).

Nếu bạn có các yêu cầu tùy chỉnh, bạn cũng có thể tải lên các trọng số model đã được huấn luyện trước của riêng mình. Điều này có nghĩa là bạn có thể tiếp tục huấn luyện hoặc tinh chỉnh một model hiện có như một công cụ phát hiện đối tượng ngay trong nền tảng, thay vì bắt đầu lại từ đầu. Nó đặc biệt hữu ích nếu bạn đã huấn luyện một model ở nơi khác hoặc muốn điều chỉnh một model cho một trường hợp sử dụng cụ thể hơn.

Link to this sectionBước 2: Chọn một dataset#

Bước tiếp theo là chọn một dataset để huấn luyện. Trên Ultralytics Platform, bạn có thể sử dụng các dataset có sẵn như dataset COCO, sao chép các dataset từ cộng đồng hoặc tải lên dataset tùy chỉnh của riêng bạn phù hợp với ứng dụng cụ thể của bạn.

Nền tảng hỗ trợ các định dạng chú thích phổ biến như Ultralytics YOLO và COCO, đồng thời 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 được tải lên, các dataset sẽ được xử lý tự động, bao gồm xác thực, chuẩn hóa, phân tích cú pháp nhãn và tạo số liệu thống kê. Điều này cho phép bạn nhìn thấy ngay dữ liệu của mình, bao gồm cả phân phối lớp và cấu trúc dataset, đồng thời giúp đảm bảo mọi thứ đã sẵn sàng cho việc huấn luyện.

Các dataset cũng được liên kết tự động với các lần chạy huấn luyện, cho phép bạn theo dõi dữ liệu nào đã được sử dụng cho mỗi model và duy trì tính nhất quán trên các thử nghiệm.

Link to this sectionBước 3: Cấu hình các tham số huấn luyện#

Sau khi chọn dataset, bạn có thể cấu hình các tham số huấn luyện điều khiển cách model học. Chúng bao gồm số epoch, batch size, kích thước hình ảnh và tên lần 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 model.

Để huấn luyện được kiểm soát nhiều hơn, nền tảng cũng cho phép bạn điều chỉnh các tham số nâng cao như tốc độ học, loại optimizer, cài đặt tăng cường màu sắc và các tùy chọn huấn luyện khác. Các cài đặt này có thể tinh chỉnh quá trình huấn luyện để cải thiện độ chính xác và độ ổn định của model.

Link to this sectionBước 4: Chọn một GPU#

Tiếp theo, bạn có thể chọn cấu hình GPU cho lần chạy huấn luyện của mình. Việc chọn GPU phù hợp phụ thuộc vào các yếu tố như kích thước dataset, batch size, độ phân giải hình ảnh và độ phức tạp của model. Tìm sự cân bằng phù hợp giúp duy trì hiệu quả huấn luyện mà không sử dụng nhiều tài nguyên tính toán hơn mức cần thiết.

Ultralytics Platform cung cấp 22 tùy chọn GPU với các cấp độ VRAM (bộ nhớ trên GPU) và sức mạnh tính toán khác nhau, hỗ trợ mọi thứ từ các tác vụ nhỏ đến khối lượng công việc quy mô lớn.

Sử dụng tính năng này, bạn có thể kết hợp phần cứng với nhu cầu cụ thể của mình, cho dù bạn đang huấn luyện các model nhẹ hay đang làm việc với các dataset lớn, phức tạp. Để tìm hiểu thêm, hãy xem danh sách các GPU có sẵn trên trang tài liệu hướng dẫn huấn luyện trên Platform của Ultralytics.

Hình 2. Một số tùy chọn GPU được kích hoạt thông qua Ultralytics Platform (Nguồn)

Link to this sectionBước 5: Bắt đầu huấn luyện trên cloud#

Khi bạn đã chọn xong model, dataset, tham số huấn luyện và tùy chọn tính toán, việc bắt đầu một lần chạy huấn luyện rất nhanh chóng. Từ bảng điều khiển, bạn có thể khởi chạy huấn luyện chỉ với một cú nhấp chuột và nền tảng sẽ xử lý phần còn lại bằng cách khởi tạo môi trường và chạy tác vụ trên GPU đã chọn.

Khi quá trình huấn luyện bắt đầu, bạn có thể giám sát tiến trình trực tiếp bên trong nền tảng. Tab Train cung cấp khả năng hiển thị thời gian thực về các chỉ số chính, bao gồm số liệu hiệu suất, các đường cong mất mát (loss curves), mức sử dụng hệ thống và nhật ký huấn luyện trực tiếp.

Để tìm hiểu thêm về việc huấn luyện cục bộ hoặc sử dụng Google Colab với Ultralytics Platform, bạn có thể khám phá thêm các hướng dẫn trong tài liệu Platform chính thức của Ultralytics.

Link to this sectionĐánh giá và so sánh các model trên Ultralytics Platform#

Khi quá trình huấn luyện hoàn tất, bước tiếp theo là đánh giá mức độ hoạt động hiệu quả của model. Trên Ultralytics Platform, bạn có thể so sánh nhiều lần chạy huấn luyện trong một dự án, mang lại cho bạn cái nhìn rõ ràng về hiệu suất của các thử nghiệm khác nhau.

Khi phát triển các model, việc huấn luyện thường được lặp lại nhiều lần với các cài đặt khác nhau, chẳng hạn như thay đổi tốc độ học, batch size hoặc kích thước model để cải thiện kết quả. Mỗi lần chạy trong số này tạo ra một model hơi khác biệt, đó là lý do tại sao việc so sánh chúng là rất quan trọng.

Các dự án đóng vai trò là một trung tâm nơi các model và thử nghiệm được tổ chức cùng nhau. Bạn có thể theo dõi tiến trình, 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 chế độ xem thống nhất này, bạn cũng có thể phân tích các số liệu hiệu suất chính như độ chính xác (precision), độ nhớ (recall) và mAP (mean average precision - độ chính xác trung bình) để hiểu cách model của bạn hoạt động 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 số liệu này, bạn có thể sử dụng tab Predict để nhanh chóng kiểm tra các model đã được huấn luyện trên các hình ảnh hoặc dữ liệu mẫu, giúp bạn xác thực trực quan hiệu suất và phát hiện các vấn đề tiềm ẩn.

Với những thông tin chi tiết này, bạn có thể chọn model hoạt động hiệu quả nhất, thường được lưu dưới dạng checkpoint “best.pt” và tiến tới giai đoạn tiếp theo, cho dù đó là đánh giá thêm, sử dụng model để chạy suy luận (inference) hay triển khai model thông qua nền tảng.

Hình 3. Một ví dụ về việc xem các số liệu trên Ultralytics Platform (Nguồn)

Link to this sectionƯớc tính chi phí huấn luyện bên trong Ultralytics Platform#

Việc huấn luyện các model phát hiện đối tượng trên cloud sẽ phát sinh chi phí tính toán, đặc biệt là khi bạn truy cập vào các GPU hiệu suất cao. Để thuận tiện hơn, Ultralytics Platform cung cấp ước tính chi phí trước khi quá trình huấn luyện bắt đầu.

Nó cung cấp cho bạn khả năng hiển thị rõ ràng về mức sử dụng dự kiến, giúp bạn lập kế hoạch cho khối lượng công việc, quản lý ngân sách và tránh các chi phí bất ngờ trước khi khởi chạy một tác vụ huấn luyện. Dưới đây là cách bạn có thể kiểm tra chi phí ước tính trước khi bắt đầu huấn luyện.

Link to this sectionCách thời gian huấn luyện được ước tính#

Để ước tính chi phí chính xác, nền tảng trước tiên sẽ tính toán xem một epoch huấn luyện đơn lẻ sẽ mất bao lâu. Điều này phụ thuộc vào các yếu tố như kích thước dataset, kích thước model, độ phân giải hình ảnh, batch size và tốc độ của GPU đã chọn.

Sử dụng các thông tin đầu vào này, nó xác định thời gian ước tính cho mỗi epoch và mở rộng nó cho toàn bộ quá trình chạy huấn luyện. Tổng thời gian được tính toán bằng cách kết hợp thời gian trên tất cả các epoch cộng với một khoản thời gian khởi động nhỏ.

Khoản chi phí bổ sung này tính đến các tác vụ như khởi tạo môi trường, tải dataset và chuẩn bị GPU, đảm bảo rằng ước tính phản ánh toàn bộ quy trình huấn luyện chứ không chỉ riêng vòng lặp huấn luyện.

Link to this sectionCách chi phí huấn luyện được tính toán#

Khi tổng thời gian huấn luyện được ước tính, nền tảng sẽ chuyển đổi nó thành chi phí bằng cách sử dụng giá theo giờ của GPU đã chọn.

Bằng cách kết hợp thời gian huấn luyện với giá GPU, chúng ta có thể có được ước tính rõ ràng về chi phí cho lần chạy ngay cả trước khi nó bắt đầu.

Việc có được thông tin rõ ràng ngay từ đầu giúp bạn dễ dàng điều chỉnh thiết lập của mình, chẳng hạn như tinh chỉnh các tham số huấn luyện hoặc chọn một GPU khác, để bạn có thể cân bằng hiệu suất và chi phí một cách hiệu quả hơn.

Hình 4. Thiết lập huấn luyện model và ước tính chi phí bên trong Ultralytics Platform (Nguồn)

Link to this sectionNhững ưu điểm chính của việc sử dụng Ultralytics Platform cho việc huấn luyện model#

Cho đến nay, chúng ta đã xem qua các bước chính liên quan đến việc huấn luyện các model thị giác máy tính và cách chúng kết hợp với nhau trên Ultralytics Platform.

Ngoài các tính năng cốt lõi này, còn có các khả năng bổ sung giúp nâng cao quy trình làm việc huấn luyện. Dưới đây là tổng quan về một số lợi ích chính của việc sử dụng Ultralytics Platform cho việc huấn luyện model:

• Khả năng tái lập thử nghiệm tích hợp: Mọi lần chạy huấn luyện đều được ghi lại tự động với cấu hình đầy đủ của nó, bao gồm model, dataset, tham số và thiết lập tính toán. Điều này giúp bạn dễ dàng xem lại các thử nghiệm và tái tạo kết quả một cách đáng tin cậy.
• Thông tin chi tiết về quá trình huấn luyện theo thời gian: Thay vì chỉ xem kết quả cuối cùng, bạn có thể theo dõi hiệu suất thay đổi như thế nào qua các epoch, giúp bạn hiểu rõ hơn về hành vi của model trong quá trình huấn luyện.
• Giảm thiểu chi phí vận hành: Bằng cách xử lý việc thiết lập môi trường, quản lý phụ thuộc và cơ sở hạ tầng ở chế độ nền, nền tảng này cho phép bạn tập trung nhiều hơn vào việc phát triển model thay vì thiết lập.
• Tổ chức thử nghiệm tập trung: Các dự án đóng vai trò là nơi duy nhất để quản lý model, tập dữ liệu và các lần huấn luyện, giúp duy trì cấu trúc các thử nghiệm khi workflow trở nên phức tạp hơn.

Link to this sectionCác điểm chính cần lưu ý#

Huấn luyện là một trong những giai đoạn quan trọng nhất trong vòng đời của model machine learning. Nó quyết định mức độ chính xác mà một model có thể nhận diện và diễn giải dữ liệu thị giác.

Bằng cách kết hợp cấu hình dữ liệu huấn luyện, giám sát, so sánh thử nghiệm và ước tính chi phí trong một môi trường duy nhất, Ultralytics Platform hợp lý hóa quy trình xây dựng các model thị giác máy tính hiệu suất cao và chuẩn bị cho việc triển khai.

Hãy xem cộng đồng đang phát triển của chúng tôi và GitHub repository để tìm hiểu thêm về thị giác máy tính. Nếu bạn đang muốn xây dựng các giải pháp thị giác máy tính, hãy xem qua 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 AI trong nông nghiệp.