Fine-Tune Đầu Tiên và Vòng Lặp Cải Tiến

Bắt đầu từ trọng số pretrained#

Fine-tune bắt đầu từ các trọng số đã nhận diện được cạnh, kết cấu và hình dạng, nên hội tụ nhanh hơn và cần ít dữ liệu hơn nhiều so với huấn luyện từ các trọng số ngẫu nhiên. Chọn checkpoint YOLO26 phù hợp với tác vụ của bạn:

Backbone và neck được giữ nguyên; task head được khởi tạo lại một phần để khớp với số lớp của bạn. Huấn luyện từ đầu chỉ đáng cân nhắc khi dataset rất lớn và miền dữ liệu cực kỳ khác biệt. Hãy bắt đầu với model nano (n) để nhanh chóng có baseline, rồi chỉ tăng kích thước model khi vòng lặp xử lý dữ liệu không còn cải thiện kết quả. Hướng dẫn fine-tune giải thích chi tiết những gì diễn ra bên trong.

Chạy baseline#

Huấn luyện với thiết lập mặc định; mục tiêu của lần chạy đầu tiên là tạo baseline, không phải lập kỷ lục. Lần chạy này huấn luyện trên tập thực hành được chia trong Chia Dataset Đúng Cách, trước tiên là ghi file YAML dữ liệu:

from ultralytics import YOLO
from ultralytics.data.utils import check_det_dataset
from ultralytics.utils import YAML

names = check_det_dataset("coco128.yaml")["names"]  # # tập thực hành giữ nguyên tên lớp của COCO
YAML.save("practice.yaml", {"path": "datasets/practice", "train": "train.txt", "val": "val.txt", "test": "test.txt", "names": names})

model = YOLO("yolo26n.pt")  # # pretrained trên COCO; dùng checkpoint dành cho tác vụ của bạn
model.train(data="practice.yaml", epochs=3, imgsz=320)  # # một lần chạy thực tế: epochs=100, imgsz=640

                 Class     Images  Instances      Box(P          R      mAP50  mAP50-95)
                   all         20        143      0.614        0.6      0.664      0.486

Thư mục lần chạy (runs/detect/train/) hiện chứa weights/best.pt. Chỉ có ba tham số đáng cân nhắc trong lần chạy đầu tiên:

Huấn Luyện Model Đầu Tiên trình bày chi tiết lệnh huấn luyện và log trực tiếp.

Xếp hạng lớp và phân tích lỗi bỏ sót#

mAP tổng thể che khuất vị trí vấn đề. Xếp hạng lớp theo AP50-95 và dùng ma trận nhầm lẫn để phân loại lỗi của từng lớp thành đối tượng model bỏ sót hoàn toàn và đối tượng model nhận nhầm thành lớp khác:

from ultralytics import YOLO

model = YOLO("runs/detect/train/weights/best.pt")  # your fine-tuned checkpoint
metrics = model.val(data="practice.yaml", imgsz=320, verbose=False)  # same data YAML and imgsz as training

matrix = metrics.confusion_matrix.matrix  # rows: predicted class, columns: true class; last row = background
for ap, cls in sorted(zip(metrics.box.ap, metrics.box.ap_class_index))[:5]:  # weakest five classes first
    total, missed, correct = matrix[:, cls].sum(), matrix[-1, cls], matrix[cls, cls]
    print(f"{model.names[cls]:>8}  AP50-95={ap:.3f}  {total:2.0f} labeled: {correct:2.0f} found, "
          f"{missed:2.0f} missed, {total - correct - missed:2.0f} called another class")

     car  AP50-95=0.000   4 labeled:  0 found,  4 missed,  0 called another class
    fork  AP50-95=0.000   1 labeled:  0 found,  0 missed,  1 called another class
 handbag  AP50-95=0.025   1 labeled:  1 found,  0 missed,  0 called another class
     cup  AP50-95=0.039  14 labeled:  0 found, 10 missed,  4 called another class
    sink  AP50-95=0.075   1 labeled:  1 found,  0 missed,  0 called another class

Mỗi loại lỗi gợi ý một cách khắc phục dataset khác nhau:

• Quá ít instance trong val (fork, handbag, sink, mỗi lớp có 1 instance): AP chỉ là nhiễu. Đừng xử lý một lớp cho đến khi val có ít nhất vài chục instance của lớp đó; trước tiên hãy thu thập thêm nhóm dữ liệu val.
• Bị bỏ sót (car 4 trên 4, cup 10 trên 14): model hoàn toàn không nhìn thấy đối tượng. Kiểm tra độ bao phủ của tình huống đó trong train và tìm nhãn bị thiếu bằng suspect_labels.py.
• Bị nhận nhầm thành lớp khác (cup 4 trên 14): định nghĩa các lớp bị chồng lấn. Mở các ảnh đó, làm rõ định nghĩa và nêu trường hợp tương tự trong hướng dẫn.

cup là phát hiện có thể hành động ở đây: có 14 instance được gán nhãn nhưng không instance nào được tìm thấy.

Đọc dữ liệu phản hồi từ thư mục lần chạy#

Mỗi lần chạy huấn luyện đều ghi các file này, và Ultralytics Platform hiển thị trực tiếp cùng các đường cong trong khi huấn luyện trên cloud:

Validation và Chẩn đoán giải thích từng biểu đồ; ở đây, câu hỏi luôn là dữ liệu còn thiếu điều gì.

Vòng lặp ưu tiên dữ liệu#

Một vòng lặp điển hình: chọn lớp yếu nhất có đủ instance trong val, kiểm tra khoảng 50 ảnh chứa lớp đó, khắc phục dữ liệu, huấn luyện lại với cùng thiết lập và cách chia tập, rồi so sánh AP theo từng lớp. Sau đó chuyển sang lớp yếu tiếp theo.

Khi nào nên điều chỉnh hyperparameter#

Sau hai hoặc ba vòng lặp xử lý dữ liệu, khi các lớp yếu còn lại không còn có thể quy về độ bao phủ, nhãn hoặc định nghĩa, việc tinh chỉnh có thể giúp cải thiện thêm vài điểm cuối cùng. Hướng dẫn fine-tune trình bày về đóng băng layer, learning rate và lựa chọn optimizer. Tuy nhiên, nếu tinh chỉnh trước khi dữ liệu đúng, bạn sẽ mất hàng tuần tối ưu một model trên dataset sai.

Khi model vượt qua acceptance_test.py trên tập test đã khóa, YOLO của Ultralytics trong môi trường Production trình bày về export và serving, còn Theo dõi Tình trạng và Độ chính xác và Tự động hóa Vòng lặp Huấn luyện lại trong Xây dựng với Ultralytics Platform trình bày về vòng lặp huấn luyện lại.