Cấp phép YOLO
Quay lại Bảng thuật ngữ Ultralytics

Model Card

Model card ghi lại mục đích sử dụng, dữ liệu huấn luyện, kết quả đánh giá và giới hạn của một model đã huấn luyện; đây là định dạng do các nhà nghiên cứu của Google đề xuất vào năm 2018.

Model card là tài liệu ngắn được phát hành cùng một model machine learning đã huấn luyện, ghi lại mục đích của model, cách huấn luyện và đánh giá, hiệu năng trên các nhóm và điều kiện khác nhau, cũng như những trường hợp model thất bại. Năm 2018, Margaret Mitchell, Timnit Gebru và các cộng sự tại Google đề xuất định dạng này trong bài báo Model Cards for Model Reporting, được trình bày tại hội nghị FAT* 2019. Model card hiện là thông lệ tiêu chuẩn nhằm đảm bảo tính minh bạch trong AI: kho model trên Hugging Face hiển thị model card ở trang chủ, còn các phòng nghiên cứu AI phát hành card cho những bản phát hành lớn, chẳng hạn model card Claude 3 do Anthropic phát hành năm 2024.

Model card bao gồm những gì#

Bài báo ban đầu đề xuất chín mục:

  • Chi tiết model: Nhà phát triển, phiên bản, ngày tháng, kiến trúc, giấy phép và nơi gửi câu hỏi.
  • Mục đích sử dụng: Những mục đích và người dùng chính mà model được xây dựng để phục vụ, cùng các mục đích nằm ngoài phạm vi.
  • Yếu tố ảnh hưởng: Các nhóm, thiết bị và môi trường có thể làm thay đổi hiệu năng, chẳng hạn nhóm tuổi, loại camera hoặc điều kiện chiếu sáng.
  • Metric: Các metric hiệu năng được báo cáo, ngưỡng quyết định áp dụng và lý do lựa chọn.
  • Dữ liệu đánh giá: Các tập dữ liệu dùng để kiểm thử và lý do lựa chọn.
  • Dữ liệu huấn luyện: Dữ liệu model đã học, được mô tả chi tiết nhất có thể trong phạm vi được phép chia sẻ.
  • Phân tích định lượng: Kết quả được phân tách theo từng yếu tố, xét riêng lẻ và kết hợp với nhau.
  • Cân nhắc về đạo đức: Dữ liệu nhạy cảm, rủi ro đối với con người và các biện pháp giảm thiểu đã áp dụng.
  • Lưu ý và khuyến nghị: Các khoảng trống đã biết, chẳng hạn những điều kiện chưa từng được kiểm thử.

Phân tích định lượng là cốt lõi của ý tưởng này. Một điểm số tổng hợp duy nhất che giấu các lỗi tập trung ở một nhóm con; vì vậy, model card mẫu trong bài báo về detector nụ cười được huấn luyện trên tập dữ liệu khuôn mặt CelebA báo cáo tỷ lệ lỗi riêng theo độ tuổi và giới tính. Đánh giá phân tách này làm lộ rõ thiên lệch thuật toán và thiên lệch dữ liệu. Với model phát hiện đối tượng, cùng mục này báo cáo mean average precision (mAP) theo từng lớp và điều kiện, chẳng hạn đối tượng nhỏ, ảnh ban đêm hoặc từng camera, đồng thời ghi độ trễ suy luận trên phần cứng mục tiêu.

Model card trên Hugging Face#

Trên Hugging Face Hub, model card là README.md của kho: các mục Markdown dành cho người đọc nằm dưới phần metadata YAML, được Hub phân tích để lọc model theo tác vụ, giấy phép và tập dữ liệu, đồng thời hiển thị kết quả đánh giá. Thư viện huggingface_hub tạo cả hai phần từ dữ liệu có cấu trúc:

from huggingface_hub import EvalResult, ModelCard, ModelCardData
from torchvision.models import ResNet50_Weights

# Torchvision cung cấp độ chính xác ImageNet đã công bố cùng mỗi bộ trọng số
weights = ResNet50_Weights.IMAGENET1K_V2
top1 = weights.meta["_metrics"]["ImageNet-1K"]["acc@1"]

# Metadata có thể đọc bằng máy: thư viện, dữ liệu huấn luyện và kết quả đánh giá
result = EvalResult(
    task_type="image-classification",
    dataset_type="imagenet-1k",
    dataset_name="ImageNet-1K",
    metric_type="accuracy",
    metric_value=top1,
)
card_data = ModelCardData(
    model_name="resnet50", library_name="torchvision", datasets=["imagenet-1k"], eval_results=[result]
)

# Điền template mặc định: phần YAML ở đầu, theo sau là các mục Markdown
card = ModelCard.from_template(card_data, model_summary="ResNet-50 image classifier trained on ImageNet-1K.")
print(card.data.to_yaml())
print([line[3:] for line in card.content.splitlines() if line.startswith("## ")])

Đầu ra YAML liệt kê tập dữ liệu huấn luyện và một khối model-index ghi nhận độ chính xác top-1 80.858% trên ImageNet-1K; Hub hiển thị thông tin này dưới dạng kết quả đánh giá. Dòng thứ hai in ra các mục trong template, từ Chi tiết model và Mục đích sử dụng đến Thiên lệch, Rủi ro và Hạn chế, rồi Đánh giá và Tác động môi trường — hậu duệ trực tiếp của chín mục trong bài báo ban đầu.

  • Bảng dữ liệu cho tập dữ liệu: Timnit Gebru và các cộng sự đề xuất định dạng này năm 2018 để ghi lại cách tập dữ liệu được thu thập, gắn nhãn và dự định sử dụng. Model card dẫn đến bảng dữ liệu của tập huấn luyện thay vì lặp lại nội dung đó.
  • System card: Mô tả một hệ thống AI đã triển khai, gồm nhiều model, prompt, bộ lọc an toàn và quy trình có con người tham gia. Meta đưa ra thuật ngữ này năm 2022; các phòng nghiên cứu xây dựng mô hình ngôn ngữ lớn (LLM), bao gồm OpenAI, hiện phát hành system card cùng mỗi bản phát hành model lớn.
  • Model registry: Lưu trữ tệp model, phiên bản và nguồn gốc, còn card giải thích mỗi phiên bản đã đăng ký phù hợp với mục đích nào.
  • AI có thể giải thích (XAI): Giải thích lý do model đưa ra một dự đoán cụ thể; card mô tả hành vi trên toàn bộ tập đánh giá.

Quy định đã khiến định dạng này trở thành yêu cầu trong một số trường hợp. Theo Đạo luật AI của EU, kể từ ngày 2 tháng 8 năm 2025, nhà cung cấp model AI đa dụng phải lưu giữ tài liệu kỹ thuật về dữ liệu huấn luyện và đánh giá, đồng thời cung cấp cho các nhà phát triển xây dựng dựa trên model của họ thông tin về năng lực và hạn chế. Bộ quy tắc thực hành về AI đa dụng của Ủy ban châu Âu cung cấp Biểu mẫu tài liệu model cho mục đích này, với các trường giống model card như mục đích sử dụng, dữ liệu huấn luyện và mức tiêu thụ năng lượng. Model card là một phần của hoạt động rộng hơn về quản trị AI và AI có trách nhiệm.

Cập nhật model card#

Model card mô tả một phiên bản model, vì vậy nội dung thay đổi mỗi khi model, dữ liệu hoặc điều kiện triển khai thay đổi. Giám sát model trong môi trường production cung cấp bằng chứng: độ lệch dữ liệu hoặc một kiểu lỗi mới sẽ trở thành lưu ý trong card của phiên bản tiếp theo.

Một phần nội dung của card cũng có thể được lưu ngay trong tệp model. Khi model Ultralytics YOLO26 được xuất sang các định dạng như ONNX hoặc OpenVINO, công cụ xuất nhúng metadata gồm mô tả tên tập dữ liệu huấn luyện, tác giả, ngày xuất, phiên bản package, giấy phép, tác vụ, kích thước đầu vào và tên lớp, nhờ vậy bản sao đã triển khai vẫn cho biết danh tính và các đối tượng mà model phát hiện.

Khám phá các giải pháp

Thị giác máy tính trong thể thao

Thị giác máy tính trong thể thao

Khám phá cách Ultralytics YOLO thúc đẩy thị giác máy tính trong thể thao với khả năng theo dõi cầu thủ và bóng, phân tích hiệu suất, cung cấp thông tin chuyên sâu cho huấn luyện và hỗ trợ phục hồi cho vận động viên.
Tìm hiểu thêm
Thị giác máy tính cho ảnh hàng không

Thị giác máy tính cho ảnh hàng không

Chuyển hình ảnh từ drone và ảnh hàng không thành thông tin chuyên sâu theo thời gian thực cho nông nghiệp, nuôi trồng thủy sản, bảo tồn và phân tích không gian địa lý với Ultralytics YOLO.
Tìm hiểu thêm
Thị giác máy tính trong hàng không vũ trụ

Thị giác máy tính trong hàng không vũ trụ

Ứng dụng computer vision trong ngành hàng không vũ trụ với Ultralytics YOLO cho kiểm tra máy bay, phát hiện dị vật trên đường băng (FOD), vận hành mặt đất tại sân bay và phát hiện lỗi vật liệu composite.
Tìm hiểu thêm
Computer vision trong lĩnh vực an ninh

Computer vision trong lĩnh vực an ninh

Bảo vệ mọi địa điểm bằng model Ultralytics YOLO. Vision AI hỗ trợ giám sát vành đai, phát hiện mối đe dọa, nhận dạng biển số và an toàn nơi làm việc.
Tìm hiểu thêm
Computer vision trong robotics

Computer vision trong robotics

Tăng cường năng lực cho máy móc thông minh bằng model Ultralytics YOLO. Vision AI trong lĩnh vực robotics hỗ trợ điều hướng tự động, nhận thức, theo dõi đối tượng và điều khiển theo thời gian thực.
Tìm hiểu thêm
Thị giác máy tính trong logistics

Thị giác máy tính trong logistics

Tinh giản hoạt động logistics với các model Ultralytics YOLO. Vision AI hỗ trợ kiểm tra kiện hàng, phân loại, theo dõi phương tiện và giám sát an toàn kho hàng theo thời gian thực.
Tìm hiểu thêm
Thị giác máy tính trong bán lẻ

Thị giác máy tính trong bán lẻ

Định hình lại hoạt động bán lẻ với các model Ultralytics YOLO. Vision AI hỗ trợ theo dõi hàng tồn kho, giám sát kệ hàng, quản lý hàng chờ và phân tích khách hàng thông minh hơn.
Tìm hiểu thêm
Thị giác máy tính trong chăm sóc sức khỏe

Thị giác máy tính trong chăm sóc sức khỏe

Xây dựng các giải pháp chăm sóc sức khỏe với model Ultralytics YOLO. Vision AI trong chăm sóc sức khỏe hỗ trợ xử lý hình ảnh y tế nhanh hơn, chẩn đoán thông minh hơn và theo dõi bệnh nhân.
Tìm hiểu thêm
Thị giác máy tính trong sản xuất

Thị giác máy tính trong sản xuất

Tối ưu hóa sản xuất bằng các model Ultralytics YOLO. Vision AI thúc đẩy kiểm soát chất lượng, phát hiện lỗi, tuân thủ PPE và tự động hóa dây chuyền lắp ráp.
Tìm hiểu thêm
Thị giác máy tính trong ngành ô tô

Thị giác máy tính trong ngành ô tô

Ứng dụng thị giác máy tính trong ngành ô tô với các model Ultralytics YOLO. Vision AI nâng cao an toàn giao thông, hỗ trợ người lái và tự động hóa phương tiện để tạo nên những tuyến đường thông minh hơn.
Tìm hiểu thêm
Thị giác máy tính trong nông nghiệp

Thị giác máy tính trong nông nghiệp

Ứng dụng AI thị giác vào nông nghiệp thông minh với các model Ultralytics YOLO. Hỗ trợ giám sát cây trồng, theo dõi vật nuôi và canh tác chính xác để nâng cao năng suất một cách thông minh hơn.
Tìm hiểu thêm

Hãy cùng nhau kiến tạo tương lai của AI!

Bắt đầu hành trình hướng đến tương lai của machine learning