Ultralytics YOLO27: Tham gia danh sách chờ.
Get Started
Từ cài đặt bằng pip đến detector tùy chỉnh sẵn sàng triển khai
lộ trình Nền tảngngười mới bắt đầu ~4 giờ 10 bài họcBài thi cuối khóa · Chứng chỉ

Huấn luyện model YOLO đầu tiên của bạn

Đưa Ultralytics YOLO26 từ bước cài đặt mới đến một detector được huấn luyện tùy chỉnh, kiểm định và export. Bạn sẽ dự đoán trên ảnh, tổ chức một dataset thực tế, huấn luyện và chẩn đoán detector thuốc viên, chạy model trên video có tracking, rồi export sang ONNX và xác minh rằng kết quả khớp với PyTorch. Mỗi bước đều chạy bằng Python và CLI trên CPU laptop, đồng thời hiển thị đầu ra thực tế. Việc lập kế hoạch, thu thập và gán nhãn dataset được trình bày trong bài Xây dựng dataset YOLO hiệu năng cao.

Bởi Ultralytics Academy

Bắt đầu khóa họcĐăng nhập để lưu tiến độ
Bạn sẽ học được gì

Huấn luyện, kiểm định và export model Ultralytics YOLO26 trên dataset tùy chỉnh, chạy model trên video và biết cách chẩn đoán từng bước khi có sự cố — bằng cả Python lẫn dòng lệnh.

  • Cài đặt Ultralytics, xác nhận thiết bị sẽ được sử dụng, rồi chạy dự đoán YOLO26 bằng Python và CLI.

  • Chọn kích thước model dựa trên ngân sách độ trễ đã đo lường, thay vì bảng xếp hạng.

  • Tổ chức dataset theo định dạng Ultralytics YOLO, chuyển đổi nhãn và tạo data.yaml để có thể phân giải từ bất kỳ đâu.

  • Huấn luyện, kiểm định, tiếp tục và khởi động ấm các lần chạy; chuyển các artifact validation thành danh sách việc cần khắc phục.

  • Truyền phát và tracking video, sau đó export sang ONNX, TensorRT, OpenVINO và nhiều định dạng khác, đồng thời xác minh bản export khớp với PyTorch.

Bạn sẽ xây dựng gì

  • Một dataset thuốc viên theo định dạng YOLO với data.yaml được Ultralytics đọc mà không có nhãn lỗi.

  • Một detector best.pt đã huấn luyện, kèm các chỉ số validation đặt cạnh baseline pretrained.

  • Một script video truyền phát, đếm các đối tượng riêng biệt bằng tracking và kiểm tra xem script có xử lý kịp tốc độ khung hình hay không.

  • Một bản export ONNX có kết quả phát hiện và mAP khớp với model PyTorch trong cùng điều kiện.

Điều kiện tiên quyết

  • Python 3.10 trở lên và thành thạo chạy script Python cùng lệnh shell.

  • Không cần GPU: mọi ví dụ trong khóa học này đều chạy trong vài phút trên CPU laptop. GPU NVIDIA hoặc Apple Silicon giúp các lần chạy lớn nhanh hơn.

  • Khuyến nghị: hoàn thành Nền tảng Thị giác máy tính và Xây dựng dataset YOLO hiệu năng cao trước.

Nội dung khóa học

5 mô-đun · 10 bài học

Mô-đun 1

Thiết lập
1

Cài đặt Ultralytics

Cài đặt Ultralytics trong môi trường sạch, đọc báo cáo kiểm tra yolo để xác nhận thiết bị, rồi kiểm chứng thiết lập bằng một lần dự đoán.

Mô-đun 2

Dự đoán
2

Dự đoán trên ảnh

Chạy model YOLO26 pretrained từ Python, đọc class, confidence và bounding box theo pixel từ kết quả, đồng thời tinh chỉnh các tham số xử lý phần lớn trường hợp bỏ sót.

3

Chọn kích thước model Ultralytics YOLO

So sánh YOLO26 n, s, m, l và x, benchmark chúng trên phần cứng mục tiêu, rồi chọn kích thước nhỏ nhất đáp ứng ngân sách độ trễ.

Mô-đun 3

Dữ liệu
4

Chuẩn bị dataset tùy chỉnh

Sắp xếp ảnh và nhãn theo định dạng Ultralytics YOLO, chuyển đổi bounding box theo pixel thành các dòng nhãn đã chuẩn hóa và phát hiện nhãn lỗi trước khi huấn luyện.

5

Viết YAML cho dataset

Viết data.yaml trỏ Ultralytics đến các thư mục và đặt tên cho các lớp, đảm bảo các đường dẫn phân giải được từ mọi nơi, rồi kiểm tra nhanh bằng yolo val.

Mô-đun 4

Huấn luyện
6

Huấn luyện model đầu tiên của bạn

Fine-tune YOLO26 trên bộ dữ liệu của bạn chỉ bằng một lệnh gọi, đọc log huấn luyện trực tiếp từng dòng và tìm best.pt cùng các biểu đồ quan trọng trong thư mục run.

7

Validation và chẩn đoán

Validation best.pt so với giá trị cơ sở, đọc ma trận nhầm lẫn, số liệu theo từng lớp và ảnh dự đoán, rồi chuyển các thông tin đó thành danh sách các thay đổi cụ thể.

8

Tiếp tục và lặp lại

Tiếp tục chính xác một lần chạy bị gián đoạn, khởi tạo vòng mới từ best.pt với learning rate thực sự được áp dụng, và so sánh các lần chạy cạnh nhau.

Mô-đun 5

Triển khai
9

Chạy suy luận trên video

Chạy YOLO26 trên tệp video và camera trực tiếp với bộ nhớ được giới hạn, theo dõi đối tượng để đếm mỗi đối tượng một lần và kiểm tra xem model có theo kịp tốc độ khung hình hay không.

10

Export để triển khai

Export best.pt sang ONNX, OpenVINO, TensorRT, CoreML, LiteRT hoặc QNN, sau đó chứng minh bản export khớp với model PyTorch trước khi triển khai.