Hỗ trợ Ultralytics
Tìm câu trả lời trong tài liệu, kết nối với cộng đồng hoặc liên hệ trực tiếp với đội ngũ của chúng tôi.
Tìm trợ giúp theo chủ đề
Tìm lĩnh vực gặp vấn đề bên dưới để xem hướng dẫn từng bước, bài hướng dẫn và cách khắc phục sự cố.
Gắn nhãn
Gắn nhãn, định dạng dataset và khắc phục sự cố chú thích
Tìm hiểu thêm
Training
Thiết lập quá trình training, lỗi GPU và CUDA, và cải thiện độ chính xác
Tìm hiểu thêm
Triển khai
Định dạng export, triển khai trên edge và cloud, và inference
Tìm hiểu thêm
Agent
Quy trình trực quan với YOLO, mô hình thị giác-ngôn ngữ, điều kiện và cảnh báo
Tìm hiểu thêm
Các model YOLO của Ultralytics
Chọn model, các chế độ dự đoán và hướng dẫn về kiến trúc
Tìm hiểu thêm
API
Thiết lập SDK, tài liệu tham khảo REST API và hỗ trợ tích hợp
Tìm hiểu thêm
Giấy phép Ultralytics YOLO
AGPL-3.0 so với Enterprise, tuân thủ và thanh toán
Tìm hiểu thêmTừ blog
How to tune the NMS IoU threshold in Ultralytics YOLO
Tune the NMS IoU threshold in Ultralytics YOLO: why prediction now defaults to 0.5, when to change iou vs. conf, and when to skip NMS with YOLO26.
Các công cụ dữ liệu tổng hợp tốt nhất để huấn luyện thị giác máy tính
So sánh các công cụ tạo dữ liệu tổng hợp cho thị giác máy tính theo phương pháp: mô phỏng 3D, model tạo sinh và tăng cường dữ liệu; cùng cách kiểm thử chúng với Ultralytics YOLO.
Ultralytics tại AMD Embedded AI Working Group ở Dublin
Tìm hiểu cách Ultralytics và AMD khám phá Physical AI, robot học và triển khai thị giác máy tính tại sự kiện AMD Embedded AI Working Group 2026 ở Dublin.
Cách chọn VLM để tự động gán nhãn bằng precision và recall
Chọn VLM để tự động gán nhãn dựa trên precision và recall: model nào tạo ít bbox thừa hơn, bỏ sót ít đối tượng hơn và cách kiểm thử trên dữ liệu của riêng bạn.
ONNX so với TensorRT cho suy luận thị giác máy tính: benchmark và cách lựa chọn
ONNX Runtime so với TensorRT cho suy luận thị giác máy tính: đo tốc độ và độ chính xác của Ultralytics YOLO26 trên 19 GPU NVIDIA và cách lựa chọn.
Phát hiện PPE bị thiếu: huấn luyện Ultralytics YOLO trên Construction-PPE
Xem cách Construction-PPE gán nhãn mũ, áo phản quang và găng tay bị thiếu, sau đó huấn luyện Ultralytics YOLO để phát hiện PPE bị thiếu bằng camera tại công trường của bạn.
Hướng dẫn về bộ dữ liệu phát hiện drone: huấn luyện Ultralytics YOLO trên UAV kích thước rất nhỏ
So sánh các bộ dữ liệu DUT Anti-UAV, Drone-vs-Bird và phát hiện drone bằng ảnh nhiệt, sau đó huấn luyện Ultralytics YOLO26 để tìm drone kích thước rất nhỏ và giảm cảnh báo giả.
AI tuân thủ HIPAA trong chẩn đoán hình ảnh y tế: BAA bao gồm những gì và cách huấn luyện bằng dữ liệu bệnh nhân
Tìm hiểu các yêu cầu đối với AI tuân thủ HIPAA trong chẩn đoán hình ảnh y tế, phạm vi của BAA từ Ultralytics và cách chú thích, huấn luyện, triển khai bằng dữ liệu bệnh nhân.
Các model ước tính độ sâu tốt nhất: Cách chọn
So sánh các model ước tính độ sâu đơn ảnh như Depth Anything, Depth Pro, Metric3D, UniDepth và Ultralytics YOLO26 cho độ sâu theo đơn vị thực, thiết bị edge và robot.
Cách di chuyển model Ultralytics YOLO từ W&B sang Ultralytics Platform
Nhập model Ultralytics YOLO từ Weights & Biases (W&B) vào Ultralytics Platform mà không cần huấn luyện lại, sau đó so sánh các thử nghiệm, xuất và triển khai.
GPT-6.1 Terra đứng đầu về tự động gán nhãn, vượt qua các model hàng đầu của chính OpenAI
Tự động gán nhãn bằng GPT-6.1 Terra vượt qua 39 model trên Bảng xếp hạng VLM của chúng tôi: đạt 0.560 mAP50 với chi phí $4.36 cho mỗi 1.000 ảnh, cao hơn GPT-6.1 Sol và Gemini 4 Argon.
Tự động gán nhãn bằng MiniMax-M3.1-Flash: vì sao giảm mức độ suy luận lại giúp vẽ bounding box tốt hơn
Tự động gán nhãn bằng MiniMax-M3.1-Flash trên Ultralytics Platform: 0.317 mAP50 với chi phí $1.84 cho mỗi 1.000 ảnh sau khi tinh chỉnh, đạt 0.86 trong phát hiện tàu trên ảnh SAR.
Tự động gán nhãn bằng Kimi K3.1 Pro: tốt hơn K3 một phần ba ở mức nỗ lực cao
Tự động gán nhãn bằng Kimi K3.1 Pro đạt 0.444 mAP50 trên UL37, cao hơn Kimi K3 một phần ba. Tìm hiểu lý do chúng tôi chạy model ở mức nỗ lực cao, chi phí ra sao và model phát huy tốt nhất ở đâu.
Ultralytics YOLO và NVIDIA Cosmos Data Factory: Dữ liệu tổng hợp để phát hiện lỗi
Dữ liệu tổng hợp từ NVIDIA Cosmos Data Factory và vòng lặp huấn luyện tác tử giúp Ultralytics YOLO26 đạt độ chính xác phát hiện lỗi tương đương khi dùng toàn bộ tập dữ liệu nhưng cần ít nhãn hơn.
Tự động gán nhãn bằng Gemini 4 Argon: bounding box chính xác nhất trong số 39 model
Tự động gán nhãn bằng Gemini 4 Argon trên Ultralytics Platform: xếp thứ 2/39 model, độ chính xác cao nhất (0.667), đứng đầu ở 6/12 lĩnh vực, $7.60 cho mỗi 1.000 ảnh đến ngày 30 tháng 11.
Tính toán mở, thị giác mở: AMD tại Ultralytics YOLO Vision 2026
Tìm hiểu cách AMD mang tính toán mở đến Ultralytics YOLO Vision 2026 với bài nói chuyện về ROCm, các workshop thực hành và bản demo chạy YOLO trên GPU AMD Radeon.
Các model phân loại ảnh tốt nhất: Cách lựa chọn
So sánh các model phân loại ảnh hàng đầu, từ ConvNeXt V2 và DINOv3 đến EfficientNetV2, ViT và Ultralytics YOLO26-cls, đồng thời tìm hiểu cách lựa chọn.
Phân đoạn ngữ nghĩa và phân đoạn instance: Cách chọn tác vụ phù hợp
Phân đoạn ngữ nghĩa gán nhãn lớp cho từng pixel; phân đoạn instance tách riêng từng đối tượng. Tìm hiểu tác vụ nào phù hợp với dự án computer vision của bạn và lý do.
Ultralytics tại Arm Create 2026: AI thị giác thời gian thực tại edge
Những điểm nổi bật của Ultralytics tại Arm Create 2026 ở Thâm Quyến: triển khai Ultralytics YOLO cho AI biên thời gian thực, phiên thảo luận về model và Arm AI Portal mới.
Buổi gặp mặt Ultralytics: London
Tóm tắt buổi gặp mặt Ultralytics tại London: Cái nhìn đầu tiên về YOLO27, bản demo Ultralytics Platform và phiên thảo luận về AI thị giác với NVIDIA và Arm.
Giám sát Ultralytics Platform: Duy trì hoạt động triển khai AI thị giác ổn định
Giám sát model AI thị giác đã triển khai bằng Ultralytics Platform. Theo dõi tình trạng endpoint, độ trễ, lỗi, log và thống kê dự đoán trực tiếp.
Giới thiệu Ultralytics Agents: Xây dựng quy trình AI thị giác nhanh hơn
Xây dựng workflow AI thị giác với Ultralytics Agents. Kết nối các model YOLO, model thị giác-ngôn ngữ, điều kiện, tập dữ liệu và cảnh báo Slack trên cùng một canvas.
Giới thiệu Ultralytics AutoTrain: Đơn giản hóa việc huấn luyện model AI thị giác
Huấn luyện, so sánh và cải thiện các model Ultralytics YOLO bằng AutoTrain trong Ultralytics Platform, từ baseline ban đầu đến triển khai production.
Những điểm nổi bật tại Ultralytics YOLO Vision 2026!
Những điểm nổi bật tại YOLO Vision 2026, nơi Ultralytics ra mắt Ultralytics YOLO27 và giới thiệu AutoTrain, Agents cùng Monitoring trên Ultralytics Platform.
Ultralytics YOLO26 hiện hỗ trợ ước tính độ sâu đơn ảnh
Tìm hiểu cách tác vụ ước tính độ sâu mới trong Ultralytics YOLO26 dự đoán độ sâu theo thang đo metric cho từng pixel từ một ảnh RGB, không cần hệ thống stereo hay LiDAR.
Các nền tảng gán nhãn ảnh tốt nhất cho thị giác máy tính
So sánh chín nền tảng gán nhãn ảnh cho thị giác máy tính: CVAT, Encord, Label Studio, Labelbox, Roboflow, Scale AI, SuperAnnotate, Ultralytics và V7.
Phát hiện lỗi tự động trong sản xuất: So sánh các nền tảng
So sánh các nền tảng phát hiện lỗi tự động: Cognex, Instrumental, Keyence, Landing AI, Overview và Ultralytics, cùng cách chọn tác vụ model phù hợp với lỗi.
Chi phí thị giác máy tính cấp doanh nghiệp: Khung phân tích TCO
Khung phân tích tổng chi phí cho thị giác máy tính cấp doanh nghiệp, bao gồm dữ liệu, gán nhãn, camera, phần cứng edge, huấn luyện, inference, tích hợp và huấn luyện lại.
Xác minh lắp ráp và chống sai lỗi bằng thị giác máy tính
Cách thị giác máy tính xác minh mức độ đầy đủ, tính chính xác và trình tự lắp ráp: thiết kế trạm chụp ảnh, lựa chọn tác vụ model, tích hợp PLC và validation.
Inference thị giác máy tính ở quy mô lớn: So sánh bảy nền tảng
So sánh bảy nền tảng inference thị giác máy tính: Azure ML, KServe, NVIDIA Triton, Roboflow, SageMaker AI, Ultralytics và Vertex AI về độ trễ và khả năng mở rộng.
Câu hỏi thường gặp
Có. Ngoài hỗ trợ tiêu chuẩn, Ultralytics cung cấp dịch vụ kỹ thuật tùy chỉnh cho các nhóm cần trợ giúp trực tiếp khi tích hợp YOLO vào sản phẩm web, di động hoặc đám mây. Dịch vụ bao gồm huấn luyện model, kiến trúc triển khai và giải pháp thiết kế riêng. Hãy liên hệ đội ngũ bán hàng để trao đổi về yêu cầu và nhận báo giá.
Đối với lỗi trong package YOLO mã nguồn mở, hãy tạo issue trên GitHub. Với các vấn đề riêng của Ultralytics Platform, chẳng hạn như job huấn luyện, triển khai hoặc thanh toán, hãy sử dụng biểu mẫu phản hồi trong nền tảng hoặc liên hệ qua kênh hỗ trợ riêng nếu bạn đang dùng gói Enterprise.
Đối với hỗ trợ cộng đồng, thời gian phản hồi thay đổi tùy theo mức độ hoạt động trên diễn đàn và GitHub, mặc dù đội ngũ của chúng tôi đặt mục tiêu phản hồi issue trên GitHub trong vòng 24 giờ. Khách hàng Enterprise được đảm bảo thời gian phản hồi theo SLA trong hợp đồng, phù hợp với quy mô và nhu cầu của tổ chức.
Khách hàng Enterprise được chỉ định một SE/CSM, có SLA theo hợp đồng, giờ hỗ trợ enablement từ SE, quy trình onboarding có cấu trúc với các mốc kiểm tra, hỗ trợ enablement dự án và đánh giá kinh doanh hàng quý. Gói này dành cho các tổ chức vận hành Ultralytics ở quy mô lớn và cần liên hệ trực tiếp với đội ngũ của chúng tôi ngay từ ngày đầu. Hãy liên hệ bộ phận bán hàng để trao đổi về lựa chọn phù hợp với tổ chức của bạn.
Các gói Free và Pro bao gồm quyền truy cập hỗ trợ cộng đồng và diễn đàn năng động của chúng tôi, nơi bạn có thể đặt câu hỏi, chia sẻ dự án và nhận câu trả lời từ các developer khác cũng như đội ngũ Ultralytics. Bạn cũng có toàn quyền truy cập tài liệu Ultralytics, GitHub và các video hướng dẫn về mọi chủ đề từ chú thích đến triển khai.
Hãy cùng nhau kiến tạo tương lai của AI!
Bắt đầu hành trình hướng đến tương lai của machine learning