Từ phòng lab đến production

Cài đặt#

pip install ultralytics
yolo checks

Dòng đầu tiên cài đặt package Python ultralytics và command yolo, đồng thời cài PyTorch nếu máy chưa có. yolo checks in ra phiên bản Python, PyTorch và CUDA cùng phần cứng Ultralytics sẽ sử dụng, để bạn xác nhận cấu hình trước khi chạy bất cứ thứ gì. Hãy dùng một virtual environment mới; hướng dẫn bắt đầu nhanh trình bày cách thiết lập với conda, Docker và GPU.

Dự đoán đầu tiên#

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # tải model nano khoảng 5 MB trong lần sử dụng đầu tiên
results = model("https://ultralytics.com/images/bus.jpg", save=True)

for box in results[0].boxes:
    print(model.names[int(box.cls)], round(float(box.conf), 2))

Cả hai đều in một dòng tóm tắt cho mỗi ảnh và lưu ảnh đã chú thích vào runs/detect/predict:

image 1/1 .../bus.jpg: 640x480 4 persons, 1 bus, 19.7ms
Speed: 0.9ms preprocess, 19.7ms inference, 0.4ms postprocess per image at shape (1, 3, 640, 480)
Results saved to runs/detect/predict

Diễn giải từng dòng: ảnh được resize về 640×480 để inference; model phát hiện bốn người và một xe buýt; inference mất khoảng 20 ms trên CPU laptop. Dòng Speed là lần kiểm tra latency đầu tiên của bạn — hãy so sánh với frame rate ở dòng đầu vào trong đặc tả. Mở ảnh đã lưu: mỗi bounding box có class, box và confidence như trong bài học về detection.

Đối chiếu đầu ra với đặc tả của bạn#

Câu hỏi đầu tiên có câu trả lời chính xác: model.names liệt kê mọi class mà model pretrained nhận biết. Trong đặc tả xe nâng, person là class COCO còn forklift thì không, vì vậy không ngưỡng nào có thể khiến model pretrained phát hiện xe nâng. Đây là kết quả phổ biến nhất khi chạy lần đầu — model chỉ bao phủ một phần đặc tả — và hướng xử lý phù hợp là tạo prototype cho logic quyết định trên các class hiện có, đồng thời xây dựng dataset cho những class còn lại.

Điều gì thay đổi trong production#

Model sau khi triển khai sẽ gặp những điều kiện mà dataset của nó chưa từng lấy mẫu: camera, mùa, sản phẩm và đồng phục mới. Nếu không huấn luyện lại, độ chính xác suy giảm; nếu thường xuyên huấn luyện lại bằng dữ liệu thu được từ production, độ chính xác sẽ phục hồi:

Mỗi bài học trong khóa học này đều góp phần vào vòng lặp đó: đặc tả xác định một lỗi, kiểm tra độ bao phủ cho biết cần tìm ở đâu, công cụ kiểm tra nhãn và hướng dẫn gán nhãn giúp dữ liệu mới hữu ích, còn các tập chia và metric đáng tin cậy cho bạn biết model được huấn luyện lại có thực sự tốt hơn hay không. Hai thói quen giúp quy trình này vận hành ngay từ ngày đầu: ghi lại một mẫu input và prediction, kể cả những trường hợp confidence thấp, đồng thời giữ nguyên tập test cố định để so sánh mọi model trên cùng một ảnh. Khả năng quan sát và drift trình bày chuyên sâu về giám sát data drift.

Nên học gì tiếp theo#

Bạn muốn dùng workflow trên trình duyệt? Ultralytics Platform vận hành cùng vòng lặp — tải lên, chú thích, huấn luyện, triển khai — mà không cần cài đặt trên máy: