Huấn luyện model YOLO nhanh hơn bằng Ultralytics Platform

Tuần trước, Ultralytics giới thiệu Ultralytics Platform, một không gian làm việc hợp nhất được thiết kế để đơn giản hóa cách các nhóm xây dựng, huấn luyện và triển khai model thị giác máy tính. Thay vì phải xoay xở với nhiều công cụ, nền tảng này tập hợp mọi thứ vào một nơi, giúp chuyển từ ý tưởng đến triển khai model AI thị giác 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 nghệ này 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 tích hợp thị giác này thành hệ thống đáng tin cậy phụ thuộc vào chất lượng huấn luyện model. Huấn luyện model là quá trình học từ dữ liệu đã gán nhãn để model có thể nhận diện mẫu và đưa ra dự đoán chính xác. Nhìn chung, model được huấn luyện tốt sẽ có hiệu năng cao hơn và cho kết quả đáng tin cậy hơn trong các ứng dụng thực tế.

Tuy nhiên, huấn luyện model thị giác máy tính không phải lúc nào cũng đơn giản. Quá trình này bao gồm nhiều khía cạnh như thiết lập môi trường, chọn tài nguyên tính toán phù hợp, tinh chỉnh hyperparameter và theo dõi nhiều thử nghiệm huấn luyện. Khi các bước này được thực hiện bằng những công cụ và hệ thống khác nhau, workflow huấn luyện nhanh chóng trở nên phức tạp và khó quản lý.

Ultralytics Platform giải quyết vấn đề này bằng cách đưa toàn bộ quy trình huấn luyện vào một dashboard hợp nhất. Bạn có thể cấu hình, chạy và giám sát các job huấn luyện tại một nơi, dù làm việc trên cloud, máy cục bộ hay Google Colab.

Hình 1. Tổng quan về huấn luyện model trên Ultralytics Platform (Nguồn)

Trong bài viết này, chúng ta sẽ tìm hiểu cách Ultralytics Platform tối ưu hóa quá trình huấn luyện model và lý do nền tảng có thể tạo lợi thế cho các dự án AI thị giác của bạn.

Model thị giác máy tính học từ dữ liệu thông qua quá trình huấn luyện model#

Trước khi tìm hiểu cách huấn luyện model hoạt động trên Ultralytics Platform, hãy cùng lùi lại một bước để xem huấn luyện model là gì và cần những gì.

Huấn luyện model là quá trình model thị giác máy tính học cách diễn giải dữ liệu hình ảnh. Model phân tích hình ảnh hoặc video và dần điều chỉnh các tham số nội bộ để thực hiện chính xác các tác vụ thị giác như phát hiện đối tượng, phân đoạn instance và phân loại hình ảnh. Theo thời gian, model cải thiện bằng cách học trực tiếp các mẫu từ dữ liệu mà model xử lý.

Chất lượng huấn luyện phụ thuộc rất nhiều vào tập dữ liệu. Bạn có thể hình dung tập dữ liệu như bộ thẻ học mà giáo viên dùng để dạy học sinh, trong đó mỗi ví dụ giúp model học được những gì cần tìm.

Một tập dữ liệu thị giác máy tính điển hình gồm các hình ảnh, thường ở định dạng như JPG hoặc PNG, cùng với chú thích mô tả nội dung của từng hình ảnh. Các chú thích này thường được lưu dưới dạng tệp JSON hoặc TXT, cung cấp nhãn và ngữ cảnh cần thiết để model học hiệu quả.

Nhưng huấn luyện không chỉ là đưa dữ liệu vào model. Quá trình này gồm một số bước quan trọng, từ chuẩn bị tập dữ liệu đến chọn model phù hợp và cấu hình quy trình huấn luyện. Tiếp theo, hãy cùng xem kỹ hơn một vài bước trong số đó.

Tìm hiểu cách chuẩn bị tập dữ liệu#

Bạn có thể nghĩ rằng chỉ cần có tập dữ liệu là có thể bắt đầu huấn luyện model ngay, nhưng trước tiên cần thực hiện một số bước, chẳng hạn như chia tập dữ liệu.

Thông thường, tập dữ liệu được chia thành ba phần: tập huấn luyện, tập validation và tập kiểm thử. Hình ảnh huấn luyện được dùng để dạy model các mẫu trong dữ liệu, còn tập validation giúp theo dõi và tinh chỉnh hiệu năng trong quá trình huấn luyện.

Tập kiểm thử được dùng ở cuối quy trình để đánh giá mức độ hoạt động của model trên dữ liệu hoàn toàn mới, chưa từng thấy. Cách thiết lập này giúp bảo đảm model không chỉ ghi nhớ dữ liệu mà còn có thể khái quát hóa sang các tình huống thực tế.

Chọn model phù hợp để huấn luyện#

Một bước quan trọng khác trước khi huấn luyện là chọn model bạn muốn sử dụng. Trong nhiều trường hợp, điều này có nghĩa là chọn một model được huấn luyện trước. Các model như model Ultralytics YOLO đã được huấn luyện trên những tập dữ liệu lớn và học được các mẫu hình ảnh tổng quát, nên là điểm khởi đầu phù hợp.

Sử dụng các model này là một ví dụ về học chuyển giao, trong đó bạn tận dụng kiến thức sẵn có và điều chỉnh model cho tác vụ cụ thể của mình. Phương pháp này giúp tăng tốc quá trình huấn luyện và cải thiện kết quả, đặc biệt khi làm việc với dữ liệu hạn chế.

Các model này cũng có nhiều kích thước khác nhau, mỗi kích thước tạo ra sự cân bằng giữa tốc độ và độ chính xác. Model nhỏ chạy nhanh và hiệu quả hơn, trong khi model lớn thường đạt độ chính xác cao hơn nhưng cần nhiều tài nguyên tính toán hơn.

Cấu hình tham số huấn luyện cho model thị giác#

Sau khi chuẩn bị tập dữ liệu và chọn model, bước tiếp theo là cấu hình cách model học.

Model thị giác máy tính được huấn luyện bằng một tập hợp các tham số quyết định cách model 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 lẫn độ chính xác cuối cùng, do đó đóng vai trò thiết yếu để đạt kết quả tốt.

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

• Epoch: Số lần model xử lý toàn bộ tập dữ liệu trong quá trình huấn luyện. Tăng số epoch giúp model có thêm cơ hội học các mẫu từ dữ liệu.
• Batch size: Số lượng hình ảnh được xử lý cùng lúc trong một bước huấn luyện. Batch size lớn hơn có thể tăng tốc huấn luyện nhưng cần nhiều bộ nhớ hơn.
• Kích thước hình ảnh: 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 phát hiện nhưng làm tăng chi phí tính toán.
• Learning rate: Tốc độ model cập nhật các tham số nội bộ trong quá trình huấn luyện. Giá trị quá cao hoặc quá thấp đều có thể khiến quá trình huấn luyện mất ổn định.
• Optimizer: Thuật toán chịu trách nhiệm cập nhật các tham số của model dựa trên lỗi được tính toán trong mỗi vòng lặp huấn luyện.

Trong các quy trình làm việc dựa trên Ultralytics YOLO, những cài đặt này được truyền vào dưới dạng đối số huấn luyện, còn tập dữ liệu được mô tả trong tệp YAML. Tệp này chỉ định đường dẫn tập dữ liệu, tên lớp và cách chia dữ liệu. Tệp đóng vai trò cấu hình trung tâm, hướng dẫn model cách diễn giải tập dữ liệu.

Từ workflow rời rạc đến trải nghiệm hợp nhất với Ultralytics Platform#

Chúng ta vừa tìm hiểu một số bước quan trọng trong quá trình huấn luyện model thị giác máy tính, từ chuẩn bị tập dữ liệu đến chọn model và cấu hình tham số huấn luyện. Trên thực tế, quy trình thường còn bao gồm theo dõi thử nghiệm, so sánh nhiều lần chạy huấn luyện và liên tục tinh chỉnh model theo thời gian.

Những bước này hiếm khi được thực hiện tại một nơi duy nhất. Tập dữ liệu có thể được chuẩn bị bằng một công cụ, các lần chạy huấn luyện thực hiện trong một môi trường khác và việc theo dõi thử nghiệm được quản lý riêng. Khi dự án phát triển, sự phân mảnh này làm tăng độ phức tạp, kéo dài thời gian lặp và khiến việc sắp xếp mọi thứ trở nên khó khăn hơn.

Ultralytics Platform loại bỏ sự phức tạp này bằng cách đưa toàn bộ workflow huấn luyện vào một môi trường duy nhất. Thay vì 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 tại cùng một nơi.

Tiếp theo, hãy tìm hiểu cách Ultralytics Platform giúp huấn luyện model thông minh hơn.

Các tùy chọn huấn luyện được Ultralytics Platform hỗ trợ#

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

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

• Huấn luyện trên cloud: Quá trình huấn luyện chạy trên các bộ xử lý đồ họa (GPUs) trên cloud do Ultralytics quản lý. Tùy chọn này lý tưởng cho các tập dữ liệu lớn hơn hoặc model phức tạp hơn cần nhiều tài nguyên tính toán.
• Huấn luyện cục bộ: Tùy chọn này sử dụng phần cứng có sẵn trên máy của bạn, phù hợp cho các thử nghiệm nhanh, kiểm tra cấu hình hoặc làm việc với tập dữ liệu nhỏ hơn. Với workload cần khả năng mở rộng cao hơn, bạn cũng có thể chạy huấn luyện trong môi trường cloud riêng, 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, tạo workflow linh hoạt trên trình duyệt mà không cần cấu hình máy cục bộ.

Tìm hiểu về huấn luyện trên cloud với Ultralytics Platform#

Đối với các dự án thị giác máy tính, việc huấn luyện model trên máy cục bộ hoặc trong môi trường notebook không phải lúc nào cũng dễ dàng.

Chẳng hạn, khi huấn luyện cục bộ, hiệu năng phụ thuộc hoàn toàn vào phần cứng của bạn, điều này có thể giới hạn năng lực tính toán và làm chậm quá trình thử nghiệm. GPU rất cần thiết để huấn luyện hiệu quả, nhưng không phải hệ thống nào cũng có thể truy cập GPU một cách ổn định.

Các môi trường notebook như Google Colab cung cấp một giải pháp thay thế với GPU trên cloud, nhưng phiên làm việc thường chỉ tồn tại tạm thời và có thể làm gián đoạn các lần chạy huấn luyện kéo dài. Khi tập dữ liệu tăng lên và workflow trở nên phức tạp hơn, những hạn chế này có thể nhanh chóng trở thành nút thắt cổ chai, khiến việc huấn luyện chậm hơn và kém tin cậy hơn.

Ultralytics Platform giải quyết vấn đề này bằng tùy chọn huấn luyện trên cloud. Nền tảng cung cấp môi trường sẵn sàng sử dụng, trong đó các dependency Python và framework như PyTorch đã được cấu hình trước, cho phép bạn bắt đầu huấn luyện mà không cần thiết lập thêm.

Từ một dashboard duy nhất, bạn có thể khởi chạy các job huấn luyện và theo dõi tiến độ theo thời gian thực. Nhờ đó, bạn có thể tập trung cải thiện model thay vì quản lý hạ tầng.

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

Bước 1: Chọn model cơ sở#

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

Nền tảng hỗ trợ mọi model Ultralytics YOLO, bao gồm Ultralytics YOLO26, Ultralytics YOLO11, Ultralytics YOLOv8 và Ultralytics YOLOv5; mỗi model có nhiều biến thể kích thước như nano (n), small (s), medium (m), large (l) và extra-large (x). Vì các biến thể model có sự đánh đổi giữa tốc độ và độ chính xác, bạn có thể chọn model phù hợp với yêu cầu về hiệu năng và năng lực tính toán.

Các model này hỗ trợ nhiều tác vụ thị giác máy tính mà người dùng Ultralytics YOLO đã quen thuộc, bao gồm phát hiện đối tượng, phân đoạn instance, phân loại hình ảnh, ước tính tư thế và phát hiện bounding box định hướng (OBB).

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

Bước 2: Chọn tập dữ liệu#

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

Nền tảng hỗ trợ các định dạng chú thích phổ biến như Ultralytics YOLO và COCO, đồng thời có thể xử lý ảnh thô tải lên nếu bạn dự định gán nhãn dữ liệu tùy chỉnh trực tiếp trên nền tảng.

Sau khi tải lên, tập dữ liệu sẽ được xử lý tự động, bao gồm xác thực, chuẩn hóa, phân tích nhãn và tạo thống kê. Nhờ đó, bạn có thể xem ngay thông tin về dữ liệu, bao gồm phân bố lớp và cấu trúc tập dữ liệu, đồng thời bảo đảm mọi thứ đã sẵn sàng cho việc huấn luyện.

Tập dữ liệu cũng được tự động liên kết với các lần chạy huấn luyện, cho phép bạn theo dõi dữ liệu được dùng cho từng model và duy trì tính nhất quán giữa các thử nghiệm.

Bước 3: Cấu hình tham số huấn luyện#

Sau khi chọn tập dữ liệu, bạn có thể cấu hình các tham số huấn luyện kiểm soát cách model học. Các tham số này bao gồm epoch, batch size, kích thước hình ảnh và tên lần chạy trong log huấn luyện. Nhiều tham số trong số đó ảnh hưởng đến cả thời lượng huấn luyện lẫn hiệu năng cuối cùng của model.

Để kiểm soát quá trình huấn luyện tốt hơn, nền tảng cũng cho phép bạn điều chỉnh các tham số nâng cao như learning rate, loại optimizer, thiết lập tăng cường màu sắc và các tùy chọn huấn luyện khác. Những thiết lập này giúp tinh chỉnh quy trình huấn luyện nhằm cải thiện độ chính xác và tính ổn định của model.

Bước 4: Chọn GPU#

Tiếp theo, bạn có thể chọn cấu hình GPU cho lượt huấn luyện. Việc chọn GPU phù hợp phụ thuộc vào các yếu tố như kích thước tập dữ liệu, batch size, độ phân giải hình ảnh và độ phức tạp của model. Cân bằng hợp lý giúp quá trình huấn luyện hiệu quả mà không sử dụng nhiều năng lực tính toán hơn mức cần thiết.

Ultralytics Platform cung cấp 26 tùy chọn GPU với dung lượng VRAM (bộ nhớ trên GPU) và sức mạnh tính toán khác nhau, đáp ứng mọi nhu cầu từ tác vụ nhỏ đến tải công việc quy mô lớn.

Nhờ đó, bạn có thể chọn phần cứng phù hợp với nhu cầu cụ thể, dù đang huấn luyện model nhẹ hay làm việc với tập dữ liệu lớn và phức tạp. Để tìm hiểu thêm, hãy xem danh sách GPU hiện có trên trang tài liệu huấn luyện của Platform của Ultralytics.

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

Bước 5: Bắt đầu huấn luyện trên cloud#

Sau khi chọn model, tập dữ liệu, tham số huấn luyện và tùy chọn tính toán, bạn có thể nhanh chóng bắt đầu một lần chạy huấn luyện. Từ dashboard, bạn có thể khởi chạy huấn luyện chỉ bằng một lần nhấp; nền tảng sẽ xử lý phần còn lại bằng cách khởi tạo môi trường và chạy job trên GPU đã chọn.

Khi quá trình huấn luyện bắt đầu, bạn có thể theo dõi tiến độ trực tiếp trên nền tảng. Tab Train cung cấp thông tin theo thời gian thực về các metric chính, bao gồm metric hiệu năng, đường cong loss, mức sử dụng hệ thống và log huấn luyện trực tiếp.

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

Đánh giá và so sánh model trên Ultralytics Platform#

Sau khi hoàn tất huấn luyện, bước tiếp theo là đánh giá hiệu năng của model. Trên Ultralytics Platform, bạn có thể so sánh nhiều lần chạy huấn luyện trong cùng một dự án để nắm rõ hiệu quả của các thử nghiệm khác nhau.

Trong quá trình phát triển model, việc huấn luyện thường được lặp lại nhiều lần với các thiết lập khác nhau, chẳng hạn như thay đổi learning rate, batch size hoặc kích thước model, để cải thiện kết quả. Mỗi lần chạy tạo ra một model hơi khác biệt, vì vậy việc so sánh chúng là rất quan trọng.

Các dự án đóng vai trò như một trung tâm tập hợp model và thử nghiệm. Bạn có thể theo dõi tiến độ, xem lại kết quả và tập trung làm việc mà không phải chuyển đổi giữa các công cụ hoặc chế độ xem khác nhau.

Từ chế độ xem hợp nhất này, bạn cũng có thể phân tích các metric hiệu năng chính như precision, recall và mAP (độ chính xác trung bình trung bình) để hiểu hiệu năng của model trên các lớp khác nhau. Bạn cũng có thể so sánh các lần chạy huấn luyện song song để xác định cấu hình nào cho kết quả tốt nhất.

Để bổ sung cho các metric này, bạn có thể dùng tab Predict để nhanh chóng kiểm tra model đã huấn luyện trên hình ảnh hoặc dữ liệu mẫu, qua đó xác thực hiệu năng trực quan và phát hiện các vấn đề tiềm ẩn.

Với những thông tin chuyên sâu này, bạn có thể chọn model có hiệu năng cao nhất, thường được lưu dưới dạng checkpoint “best.pt”, rồi chuyển sang giai đoạn tiếp theo, dù là đánh giá thêm, dùng model để chạy inference hay triển khai model thông qua nền tảng.

Hình 3. Ví dụ về cách xem các chỉ số trên Ultralytics Platform (Nguồn)

Ước tính chi phí huấn luyện trên Ultralytics Platform#

Huấn luyện model phát hiện đối tượng trên cloud phát sinh chi phí tính toán, đặc biệt khi bạn sử dụng GPU hiệu năng cao. Để thuận tiện hơn, Ultralytics Platform cung cấp ước tính chi phí trước khi bắt đầu huấn luyện.

Nền tảng giúp bạn nắm rõ mức sử dụng dự kiến, qua đó lập kế hoạch workload, quản lý ngân sách và tránh các khoản phí bất ngờ trước khi khởi chạy job huấn luyện. Sau đây là cách kiểm tra chi phí ước tính trước khi bắt đầu huấn luyện.

Cách ước tính thời gian huấn luyện#

Để ước tính chi phí chính xác, trước tiên nền tảng tính thời gian cần thiết để hoàn thành một epoch huấn luyện. Thời gian này phụ thuộc vào các yếu tố như kích thước dataset, kích thước model, độ phân giải ảnh, batch size và tốc độ của GPU được chọn.

Dựa trên các thông tin đầu vào này, nền tảng xác định thời gian ước tính cho mỗi epoch rồi nhân rộng cho toàn bộ quá trình huấn luyện. Tổng thời lượng được tính bằng cách cộng thời gian của tất cả các epoch với một khoản thời gian khởi động nhỏ.

Khoản thời gian bổ sung này bao gồm các tác vụ như khởi tạo môi trường, tải dataset và chuẩn bị GPU, nhờ đó ước tính phản ánh toàn bộ quy trình huấn luyện chứ không chỉ riêng vòng lặp huấn luyện.

Cách tính chi phí huấn luyện#

Sau khi ước tính tổng thời gian huấn luyện, nền tảng quy đổi thời gian này thành chi phí dựa trên mức giá theo giờ của GPU được chọn.

Kết hợp thời lượng huấn luyện với giá GPU sẽ giúp bạn ước tính rõ chi phí của lượt chạy trước khi bắt đầu.

Biết trước chi phí giúp bạn dễ dàng điều chỉnh cấu hình, chẳng hạn như tinh chỉnh các tham số huấn luyện hoặc chọn GPU khác, để cân bằng hiệu năng và chi phí hiệu quả hơn.

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

Những ưu điểm chính khi sử dụng Ultralytics Platform để huấn luyện model#

Đến đây, chúng ta đã điểm qua các bước chính trong quá trình huấn luyện model thị giác máy tính và cách các bước này được kết hợp trên Ultralytics Platform.

Ngoài những tính năng cốt lõi này, nền tảng còn có các khả năng khác giúp cải thiện workflow huấn luyện. Sau đây là tổng quan về một số lợi ích chính khi sử dụng Ultralytics Platform để huấn luyện model:

• Khả năng tái lập thí nghiệm tích hợp sẵn: Mỗi lượt chạy huấn luyện được tự động ghi nhật ký cùng toàn bộ cấu hình, bao gồm model, dataset, tham số và thiết lập tính toán. Nhờ đó, bạn có thể dễ dàng xem lại thí nghiệm và tái lập kết quả một cách đáng tin cậy.
• Thông tin chuyên sâu về quá trình huấn luyện theo thời gian: Thay vì chỉ xem kết quả cuối cùng, bạn có thể theo dõi hiệu năng thay đổi qua từng epoch, giúp hiểu rõ hơn hành vi của model trong quá trình huấn luyện.
• Giảm chi phí vận hành: Bằng cách xử lý việc thiết lập môi trường, quản lý dependency và hạ tầng ở chế độ nền, nền tảng giúp bạn tập trung nhiều hơn vào phát triển model và giảm thời gian cho khâu thiết lập.
• Tổ chức thí nghiệm tập trung: Project đóng vai trò là nơi duy nhất để quản lý model, dataset và các lượt chạy huấn luyện, giúp giữ cho thí nghiệm luôn có tổ chức khi workflow ngày càng phức tạp.

Điểm chính cần ghi nhớ#

Huấn luyện là một trong những giai đoạn quan trọng nhất trong vòng đời của model machine learning. Giai đoạn này quyết định mức độ chính xác mà model có thể nhận diện 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 Platform hợp lý hóa quy trình xây dựng model thị giác máy tính hiệu năng cao và chuẩn bị đưa model vào triển khai.

Khám phá cộng đồng và repository GitHub đang ngày càng phát triển của chúng tôi để tìm hiểu thêm về thị giác máy tính. Nếu bạn muốn xây dựng các giải pháp thị giác, hãy xem các tùy chọn cấp phép của chúng tôi. Khám phá các trang giải pháp để tìm hiểu thêm về lợi ích của thị giác máy tính trong sản xuất và AI trong nông nghiệp.