Xây dựng Dataset YOLO Hiệu năng Cao
Cẩm nang thực hành cho các công việc trước khi huấn luyện: chuyển mục tiêu kinh doanh thành bài kiểm tra nghiệm thu, xác định yêu cầu và thu thập dữ liệu đại diện, gán nhãn nhất quán, kiểm tra chất lượng bằng script, chia tập không rò rỉ dữ liệu, tinh chỉnh augmentation và chỉ bắt đầu fine-tune Ultralytics YOLO26 đầu tiên sau khi vượt qua bước kiểm tra mức độ sẵn sàng.
Bởi Ultralytics Academy
Chuyển mục tiêu kinh doanh thành một dataset có tài liệu mô tả, cân bằng, không rò rỉ dữ liệu và sẵn sàng để fine-tune Ultralytics YOLO26; đồng thời biết chính xác cần khắc phục điều gì nếu dataset chưa sẵn sàng.
Chuyển mục tiêu kinh doanh thành một tác vụ thị giác máy tính, các lớp được xác định rõ và bài kiểm tra nghiệm thu có thể chạy dưới dạng code.
Viết đặc tả dataset với chỉ tiêu số lượng cho từng tình huống, dựa trên mục tiêu của Ultralytics: ≥1,500 hình ảnh và ≥10,000 instance được gán nhãn cho mỗi lớp, 0–10% hình ảnh nền.
Thu thập dữ liệu trong điều kiện triển khai thực tế, lưu metadata thu thập trong tên file và lấy mẫu video mà không làm dataset bị quá tải.
Gán nhãn nhất quán bằng hướng dẫn bằng văn bản, một vòng hiệu chuẩn có đo lường và lưu ý đến mười lỗi gán nhãn thường gặp nhất.
Kiểm tra nhãn, mức cân bằng lớp, bản trùng lặp và các nhãn có khả năng bị thiếu bằng những script Python ngắn.
Chia tập theo nhóm (clip, camera, ngày, địa điểm) để điểm validation phản ánh môi trường production, đồng thời khóa tập test.
Chọn cài đặt augmentation phù hợp với môi trường triển khai và xác minh chúng trong các batch huấn luyện.
Chỉ bắt đầu huấn luyện sau khi vượt qua danh sách kiểm tra mức độ sẵn sàng gồm tám mục; dùng kết quả fine-tune baseline để xác định bước tiếp theo cần cải thiện dataset.
Một trang mục tiêu và script kiểm tra nghiệm thu in ra PASS hoặc FAIL.
Một đặc tả dataset với chỉ tiêu số lượng cho từng tình huống, các trường hợp biên và tỷ lệ hình ảnh nền.
Một dataset thực hành có metadata thu thập trong từng tên file, cùng báo cáo mức độ bao phủ so với các chỉ tiêu.
Một hướng dẫn gán nhãn được tinh chỉnh qua vòng hiệu chuẩn có điểm đồng thuận được đo lường.
Một lần kiểm tra QC và đánh giá nhãn đáng ngờ kèm các ghi chú QC ngắn.
Các danh sách file train / val / test được chia theo nhóm, không dùng chung clip, camera hay ngày giữa các tập.
Một bài kiểm tra mức độ sẵn sàng có chấm điểm, lần fine-tune đầu tiên được xếp hạng theo lớp và checklist khởi động có thể tái sử dụng.
Không cần kiến thức nền về machine learning: mọi khái niệm đều được giải thích trước khi sử dụng.
Python 3.10+ với
pip install ultralyticsđể chạy các script; CPU là đủ cho mọi ví dụ.Khuyến nghị: Nền tảng Thị giác Máy tính để nắm các thuật ngữ cốt lõi.
Nội dung khóa học
5 mô-đun · 10 bài họcMô-đun 1
Bắt đầu từ mục tiêu kinh doanh
Chuyển mục tiêu kinh doanh thành một tác vụ thị giác máy tính, các lớp được xác định rõ và bài kiểm tra nghiệm thu có thể chạy dưới dạng code, trước khi thu thập dù chỉ một hình ảnh.
Xác định bản đặc tả Dataset
Lập kế hoạch về kịch bản, chỉ tiêu số lượng, biến thiên, trường hợp đặc biệt và ảnh nền trước khi thu thập dữ liệu; xác định quy mô kế hoạch theo các mục tiêu số lượng của Ultralytics.
Mô-đun 3
Các phương pháp gán nhãn tốt nhất
Viết hướng dẫn gán nhãn, chọn công cụ, tránh mười lỗi âm thầm làm giảm độ chính xác và đo lường mức độ nhất quán giữa những người gán nhãn bằng script trước khi mở rộng quy mô.
Kiểm soát Chất lượng Dataset
Dùng script để kiểm tra nhãn, cân bằng class, dữ liệu trùng lặp và độ bao phủ của các tập chia; để model chỉ ra những nhãn có khả năng bị thiếu, rồi sửa các vấn đề tìm được trước khi huấn luyện.
Mô-đun 4
Chia tập dữ liệu đúng cách
Đo mức độ rò rỉ khi chia ngẫu nhiên, dùng script để chia theo các nhóm hoàn chỉnh như video, camera hoặc ngày, kiểm tra mức độ bao phủ lớp và khóa tập test.
Sử dụng Augmentation cẩn thận
Kiểm thử mọi phép augmentation với camera triển khai, xây dựng profile có căn cứ, train với profile đó và kiểm tra kết quả trong các batch train.
Mô-đun 5
Xác định khi nào dataset đã sẵn sàng
Chỉ bắt đầu lượt huấn luyện đầu tiên khi dataset vượt qua tám tiêu chí đạt/không đạt; tự động hóa ba tiêu chí mà script có thể kiểm tra và xác định cách khắc phục cho từng lỗi.
Fine-Tune Đầu Tiên và Vòng Lặp Cải Tiến
Fine-tune trọng số YOLO26 đã pretrained với các thiết lập mặc định, xếp hạng lớp theo AP cùng số lượng lỗi bỏ sót và nhầm lẫn, rồi biến lớp yếu nhất thành bước khắc phục dataset tiếp theo.
Checklist dành cho khách hàng doanh nghiệp
Checklist kickoff một trang dành cho khách hàng, ghi lại mọi quyết định về dataset trước khi thu thập và đặt điều kiện cho mỗi lần huấn luyện lại.