Xây dựng bằng Ultralytics Platform
Chạy một dự án phát hiện thực tế trên Ultralytics Platform: lập ngân sách, nạp và gán nhãn dữ liệu, xác minh các tập dữ liệu được chia đúng cách, huấn luyện và so sánh các lần chạy, triển khai endpoint chuyên dụng, giám sát độ chính xác và tự động hóa vòng lặp huấn luyện lại.
Bởi Ultralytics Academy
Triển khai trọn vẹn một dự án thị giác máy tính trên Ultralytics Platform và hoàn tất cùng các script và runbook giúp dự án hoạt động ổn định: kiểm tra trước khi tải lên, rà soát nhiều ngưỡng gán nhãn, kiểm tra rò rỉ dữ liệu, cổng phê duyệt triển khai, client endpoint có khả năng phục hồi, cùng các bước kiểm tra sức khỏe định kỳ và kiểm tra tập holdout.
Lập sơ đồ dự án trên Platform và dự toán ngân sách trước khi sử dụng credit: huấn luyện, gán nhãn và thời gian hoạt động của endpoint.
Nạp dữ liệu để dataset đạt trạng thái Ready ngay lần đầu, bao gồm cả việc lấy mẫu video có chủ đích.
Chọn model gán nhãn và ngưỡng confidence bằng cách đo khối lượng công việc rà soát, sau đó xác minh Batch Annotation bằng tỷ lệ chỉnh sửa.
Chứng minh một phiên bản dataset không có dữ liệu trùng lặp giữa các tập, không rò rỉ dữ liệu giữa các camera và có đủ ví dụ cho mọi class.
Khởi chạy các lần chạy cloud trong phạm vi ngân sách, đánh giá chúng dựa trên đường cong huấn luyện và fine-tune mà không để optimizer âm thầm bỏ qua learning rate của bạn.
Quyết định liệu lần chạy mới có vượt baseline hay không bằng các cổng đánh giá được xác định trước, triển khai model và gọi endpoint bằng client có thể xử lý cold start.
Phát cảnh báo về tình trạng endpoint và độ chính xác trên tập holdout, xử lý region và dữ liệu cá nhân, đồng thời tự động hóa việc huấn luyện lại và phát hành.
Một kế hoạch dự án gồm sơ đồ vòng đời và ngân sách hàng tháng.
Một dataset Ready với video đã lấy mẫu, nhãn đã rà soát, các tập dữ liệu đã kiểm tra và phiên bản được đánh số.
Một model đã huấn luyện vượt qua cổng phê duyệt triển khai bằng script so với baseline.
Một endpoint chuyên dụng với client có cơ chế thử lại, bước kiểm tra sức khỏe theo lịch và lịch sử độ chính xác trên tập holdout.
Một runbook huấn luyện lại nêu rõ trigger, các bước, người phụ trách, phương án rollback và bước phát hành tự động.
Một tài khoản Ultralytics Platform. Gói Free và credit đăng ký đi kèm đủ để học khóa học; cần gói Pro để kết nối cloud storage.
Python 3.11+ cùng
ultralytics>=8.4.120vàultralytics-platformđể chạy các ví dụ thực hành; SDKultralytics-platformdùng trong các bài học API cần Python 3.11 (bản thân Ultralytics chạy trên Python 3.10+).Quen thuộc với Ultralytics YOLO — khuyến nghị: Nền tảng thị giác máy tính, Xây dựng dataset YOLO hiệu năng cao và Huấn luyện model YOLO đầu tiên của bạn.
Một dataset ảnh nhỏ (50–500 ảnh) và một video ngắn thuộc lĩnh vực của bạn, hoặc các dataset công khai được dùng trong ví dụ.
Nội dung khóa học
4 mô-đun · 10 bài họcMô-đun 1
Mô-đun 2
Thêm và chuẩn bị dữ liệu
Kiểm tra dataset cục bộ trước khi tải lên, chủ động lấy mẫu video và giúp dataset trên Platform đạt trạng thái Ready ngay lần đầu.
Gán nhãn thông minh và gán nhãn hàng loạt
Chọn model gán nhãn và ngưỡng confidence bằng cách đo khối lượng công việc cần rà soát, sau đó chạy Batch Annotation và xác minh bằng tỷ lệ chỉnh sửa.
Tuyển chọn, loại trùng lặp và chia tập
Tìm ảnh trùng lặp giữa các tập split và các lớp còn thiếu bằng hai script ngắn, chia tập theo đơn vị phù hợp và đóng băng một phiên bản dataset đã được kiểm tra.
Mô-đun 3
Training, đọc kết quả và fine-tune các run
Khởi chạy một cloud run có ngân sách xác định, đánh giá run dựa trên các đường cong theo từng epoch và fine-tune mà không để optimizer mặc định bỏ qua learning rate của bạn.
So sánh các lượt chạy và chọn model tốt nhất
So sánh các lượt chạy trong một project Platform, ghi lại mục đích của từng lượt chạy và quyết định có triển khai ứng viên hay không bằng cổng đánh giá tự động.
Mô-đun 4
Triển khai và gọi endpoint
Tạo endpoint riêng tại một trong 42 khu vực, chọn quy mô phù hợp với lưu lượng truy cập và gọi endpoint bằng client xử lý cold start, lỗi 429 và key không hợp lệ.
Theo dõi tình trạng và độ chính xác
Đọc các chỉ số endpoint và thống kê dự đoán của Platform, gửi cảnh báo từ health check được lên lịch và phát hiện suy giảm độ chính xác bằng tác vụ holdout.
Quyền riêng tư, khu vực và tuân thủ
Chọn khu vực dữ liệu và deployment dựa trên hợp đồng, giữ dữ liệu ở chế độ riêng tư, ẩn danh hóa ảnh trước khi tải lên và hoàn thành danh sách kiểm tra tuân thủ trước khi ra mắt.
Tự động hóa quy trình huấn luyện lại
Biến một deployment thành quy trình lặp lại được: runbook, cổng thăng cấp bằng script, phát hành tự động có rollback và rà soát hằng tuần.