Link to this sectionRoboflow#

Roboflow cung cấp các công cụ để gán nhãn dữ liệu và xuất tập dữ liệu theo nhiều định dạng khác nhau, bao gồm YOLO. Hướng dẫn này bao gồm việc gán nhãn, xuất và triển khai dữ liệu cho các model Ultralytics YOLO.

Hướng dẫn này minh họa cách tìm kiếm, gán nhãn và tổ chức dữ liệu để huấn luyện một model Ultralytics YOLO26 tùy chỉnh bằng cách sử dụng Roboflow.

• Thu thập dữ liệu để huấn luyện
• Gán nhãn dữ liệu
• Quản lý tập dữ liệu
• Xuất dữ liệu
• Triển khai model
• Đánh giá model
• Câu hỏi thường gặp

Link to this sectionThu thập dữ liệu để huấn luyện một model YOLO26 tùy chỉnh#

Roboflow cung cấp hai dịch vụ chính để hỗ trợ thu thập dữ liệu cho các model YOLO của Ultralytics: Universe và Collect. Để biết thông tin chung hơn về các chiến lược thu thập dữ liệu, hãy tham khảo Hướng dẫn Thu thập và Chú thích Dữ liệu của chúng tôi.

Link to this sectionRoboflow Universe#

Roboflow Universe là kho lưu trữ trực tuyến các tập dữ liệu thị giác máy tính. Bạn có thể xuất các tập dữ liệu theo định dạng YOLO để sử dụng với các model Ultralytics.

Link to this sectionRoboflow Collect#

Nếu bạn muốn tự thu thập hình ảnh, Roboflow Collect là một dự án nguồn mở cho phép thu thập hình ảnh tự động qua webcam trên các thiết bị edge. Bạn có thể sử dụng văn bản hoặc hình ảnh làm gợi ý (prompt) để xác định dữ liệu cần thu thập, giúp chỉ nắm bắt những hình ảnh cần thiết cho model thị giác máy tính của bạn.

Link to this sectionTải lên, chuyển đổi và gán nhãn dữ liệu cho định dạng YOLO26#

Roboflow Annotate là một công cụ trực tuyến để gán nhãn hình ảnh cho các tác vụ thị giác máy tính khác nhau, bao gồm phát hiện đối tượng, phân loại và phân đoạn.

Để gán nhãn dữ liệu cho một model YOLO của Ultralytics, hãy tạo một dự án trong Roboflow, tải hình ảnh của bạn lên và bắt đầu chú thích.

Link to this sectionCông cụ chú thích#

• Chú thích Bounding Box: Nhấn phím B hoặc nhấp vào biểu tượng hộp. Nhấp và kéo để tạo bounding box. Một cửa sổ bật lên sẽ yêu cầu bạn chọn một lớp (class) cho chú thích đó.
• Chú thích đa giác (Polygon): Được sử dụng cho instance segmentation. Nhấn phím P hoặc nhấp vào biểu tượng đa giác. Nhấp vào các điểm xung quanh đối tượng để vẽ đa giác.

Link to this sectionTrợ lý gán nhãn (Tích hợp SAM)#

Roboflow tích hợp một trợ lý gán nhãn dựa trên Segment Anything Model (SAM) để hỗ trợ tăng tốc độ chú thích.

Để sử dụng trợ lý gán nhãn, hãy nhấp vào biểu tượng con trỏ trong thanh bên. SAM sẽ được bật cho dự án của bạn.

Di chuột qua một đối tượng và SAM có thể gợi ý một chú thích. Nhấp để chấp nhận chú thích. Bạn có thể tinh chỉnh độ chính xác của chú thích bằng cách nhấp vào bên trong hoặc bên ngoài khu vực được gợi ý.

Link to this sectionGắn thẻ (Tagging)#

Bạn có thể thêm thẻ vào hình ảnh bằng bảng Tags trong thanh bên. Các thẻ có thể đại diện cho các thuộc tính như vị trí, nguồn camera, v.v. Những thẻ này cho phép bạn tìm kiếm các hình ảnh cụ thể và tạo các phiên bản tập dữ liệu chứa hình ảnh với các thẻ nhất định.

Link to this sectionHỗ trợ gán nhãn (Dựa trên model)#

Các model được lưu trữ trên Roboflow có thể được sử dụng với Label Assist để gợi ý các chú thích. Tải trọng số (weights) model YOLO của bạn lên Roboflow (xem hướng dẫn bên dưới), sau đó kích hoạt Label Assist thông qua biểu tượng cây đũa thần trong thanh bên.

Link to this sectionQuản lý tập dữ liệu cho YOLO26#

Roboflow cung cấp một số công cụ để hiểu và quản lý các tập dữ liệu thị giác máy tính của bạn.

Link to this sectionTìm kiếm tập dữ liệu#

Sử dụng tính năng tìm kiếm tập dữ liệu để tìm hình ảnh dựa trên mô tả văn bản hoặc các nhãn/thẻ cụ thể. Truy cập tính năng này bằng cách nhấp vào "Dataset" trong thanh bên.

Link to this sectionKiểm tra tình trạng#

Trước khi huấn luyện, hãy sử dụng Roboflow Health Check để hiểu rõ về tập dữ liệu của bạn và xác định các cải tiến tiềm năng. Truy cập tính năng này qua liên kết "Health Check" trong thanh bên. Nó cung cấp số liệu thống kê về kích thước hình ảnh, sự cân bằng giữa các lớp (class balance), bản đồ nhiệt chú thích (annotation heatmaps), và nhiều thông tin khác.

Health Check có thể gợi ý các thay đổi để nâng cao hiệu suất, chẳng hạn như giải quyết sự mất cân bằng giữa các lớp được xác định trong tính năng class balance. Việc hiểu tình trạng tập dữ liệu là rất quan trọng để huấn luyện model hiệu quả.

Link to this sectionTiền xử lý và tăng cường dữ liệu để tăng độ bền vững cho model#

Để xuất dữ liệu, bạn cần tạo một phiên bản tập dữ liệu (dataset version), đây là một ảnh chụp nhanh của tập dữ liệu tại một thời điểm cụ thể. Nhấp vào "Versions" trong thanh bên, sau đó chọn "Create New Version". Tại đây, bạn có thể áp dụng các bước tiền xử lý và tăng cường dữ liệu để nâng cao độ bền vững cho model.

Đối với mỗi kỹ thuật tăng cường được chọn, một cửa sổ bật lên cho phép bạn tinh chỉnh các tham số như độ sáng. Tăng cường dữ liệu phù hợp có thể cải thiện đáng kể khả năng tổng quát hóa của model, một khái niệm chính đã được thảo luận trong hướng dẫn mẹo huấn luyện model của chúng tôi.

Link to this sectionXuất dữ liệu theo hơn 40 định dạng để huấn luyện model#

Sau khi phiên bản tập dữ liệu của bạn được tạo, bạn có thể xuất nó theo nhiều định dạng phù hợp cho việc huấn luyện model. Nhấp vào nút "Export Dataset" trên trang phiên bản.

Chọn định dạng "YOLO26" để tương thích với các quy trình huấn luyện của Ultralytics. Bây giờ bạn đã sẵn sàng huấn luyện model YOLO26 tùy chỉnh của mình. Tham khảo tài liệu Chế độ Huấn luyện Ultralytics để biết hướng dẫn chi tiết về cách bắt đầu huấn luyện với tập dữ liệu đã xuất của bạn.

Link to this sectionTải lên trọng số model YOLO26 tùy chỉnh để kiểm tra và triển khai#

Roboflow cung cấp một API có khả năng mở rộng cho các model đã triển khai và các SDK tương thích với các thiết bị như NVIDIA Jetson, Luxonis OAK, Raspberry Pi và các hệ thống dựa trên GPU. Khám phá nhiều tùy chọn triển khai model khác nhau trong các hướng dẫn của chúng tôi.

Bạn có thể triển khai các model YOLO26 bằng cách tải trọng số của chúng lên Roboflow thông qua một tập lệnh Python đơn giản.

Tạo một tệp Python mới và thêm đoạn mã sau:

import roboflow  # install with 'pip install roboflow'

# Log in to Roboflow (requires API key)
roboflow.login()

# Initialize Roboflow client
rf = roboflow.Roboflow()

# Define your workspace and project details
WORKSPACE_ID = "your-workspace-id"  # Replace with your actual Workspace ID
PROJECT_ID = "your-project-id"  # Replace with your actual Project ID
VERSION = 1  # Replace with your desired dataset version number
MODEL_PATH = "path/to/your/runs/detect/train/"  # Replace with the path to your YOLO26 training results directory

# Get project and version
project = rf.workspace(WORKSPACE_ID).project(PROJECT_ID)
dataset = project.version(VERSION)

# Upload model weights for deployment
# Ensure MODEL_PATH points to the directory containing 'best.pt'
dataset.deploy(
    model_type="yolov8",
    model_path=MODEL_PATH,
)  # Note: Use "yolov8" as model_type for YOLO26 compatibility in Roboflow deployment

print(f"Model from {MODEL_PATH} uploaded to Roboflow project {PROJECT_ID}, version {VERSION}.")
print("Deployment may take up to 30 minutes.")

Trong đoạn mã này, hãy thay thế your-workspace-id, your-project-id, số VERSION và MODEL_PATH bằng các giá trị cụ thể cho tài khoản, dự án và thư mục kết quả huấn luyện cục bộ Roboflow của bạn. Đảm bảo rằng MODEL_PATH trỏ chính xác đến thư mục chứa tệp trọng số best.pt đã được huấn luyện của bạn.

Khi bạn chạy đoạn mã trên, bạn sẽ được yêu cầu xác thực (thường là qua API key). Sau đó, model của bạn sẽ được tải lên và một endpoint API sẽ được tạo cho dự án của bạn. Quá trình này có thể mất tới 30 phút để hoàn tất.

Để kiểm tra model của bạn và tìm hướng dẫn triển khai cho các SDK được hỗ trợ, hãy chuyển đến tab "Deploy" trong thanh bên của Roboflow. Ở đầu trang này, một widget sẽ xuất hiện cho phép bạn kiểm tra model bằng webcam hoặc bằng cách tải lên hình ảnh hoặc video.

Model đã tải lên của bạn cũng có thể được sử dụng làm trợ lý gán nhãn, gợi ý chú thích trên các hình ảnh mới dựa trên kết quả huấn luyện của nó.

Link to this sectionCách đánh giá model YOLO26#

Roboflow cung cấp các tính năng để đánh giá hiệu suất model. Việc hiểu các số liệu hiệu suất là rất quan trọng để lặp lại (iteration) model.

Sau khi tải model lên, hãy truy cập công cụ đánh giá model thông qua trang model trên bảng điều khiển Roboflow của bạn. Nhấp vào "View Detailed Evaluation."

Công cụ này hiển thị confusion matrix minh họa hiệu suất của model và biểu đồ phân tích vector tương tác sử dụng các embedding CLIP. Các tính năng này giúp xác định các khu vực cần cải thiện model.

Cửa sổ bật lên của confusion matrix:

Di chuột qua các ô để xem giá trị và nhấp vào các ô để xem các hình ảnh tương ứng với dự đoán của model và dữ liệu ground truth.

Nhấp vào "Vector Analysis" để xem biểu đồ phân tán trực quan hóa sự tương đồng của hình ảnh dựa trên các embedding CLIP. Các hình ảnh nằm gần nhau hơn là tương đồng về mặt ngữ nghĩa. Các dấu chấm đại diện cho hình ảnh, có màu từ trắng (hiệu suất tốt) đến đỏ (hiệu suất kém).

Vector Analysis giúp:

• Xác định các cụm hình ảnh.
• Chỉ ra chính xác các cụm nơi model hoạt động kém.
• Hiểu các điểm chung giữa các hình ảnh gây ra hiệu suất kém.

Link to this sectionTài nguyên học tập#

• Huấn luyện YOLO trên tập dữ liệu tùy chỉnh (Colab): Notebook Google Colab tương tác để huấn luyện trên dữ liệu của bạn.
• Tài liệu Ultralytics YOLO: Huấn luyện, xuất và triển khai các model YOLO.
• Blog Ultralytics: Các bài viết về thị giác máy tính và huấn luyện model.
• YouTube Ultralytics: Các hướng dẫn bằng video về huấn luyện và triển khai model.

Link to this sectionCâu hỏi thường gặp#

Link to this sectionLàm cách nào để gán nhãn dữ liệu cho các model YOLO26 bằng Roboflow?#

Sử dụng Roboflow Annotate. Tạo một dự án, tải lên hình ảnh và sử dụng các công cụ chú thích (B cho bounding box, P cho đa giác) hoặc trợ lý gán nhãn dựa trên SAM để gán nhãn nhanh hơn. Các bước chi tiết có sẵn trong phần Tải lên, Chuyển đổi và Gán nhãn Dữ liệu.

Link to this sectionRoboflow cung cấp những dịch vụ nào để thu thập dữ liệu huấn luyện YOLO26?#

Roboflow cung cấp Universe (quyền truy cập vào vô số tập dữ liệu) và Collect (thu thập hình ảnh tự động qua webcam). Những dịch vụ này có thể giúp thu thập dữ liệu huấn luyện cần thiết cho model YOLO26 của bạn, bổ sung cho các chiến lược được nêu trong Hướng dẫn Thu thập Dữ liệu của chúng tôi.

Link to this sectionLàm cách nào tôi có thể quản lý và phân tích tập dữ liệu YOLO26 của mình bằng Roboflow?#

Sử dụng các tính năng tìm kiếm, gắn thẻ và Health Check tập dữ liệu của Roboflow. Tìm kiếm giúp tìm hình ảnh theo văn bản hoặc thẻ, trong khi Health Check phân tích chất lượng tập dữ liệu (sự cân bằng lớp, kích thước hình ảnh, v.v.) để hướng dẫn các cải tiến trước khi huấn luyện. Xem chi tiết tại phần Quản lý tập dữ liệu.

Link to this sectionLàm cách nào để xuất tập dữ liệu YOLO26 từ Roboflow?#

Tạo một phiên bản tập dữ liệu trong Roboflow, áp dụng tiền xử lý và tăng cường dữ liệu mong muốn, sau đó nhấp vào "Export Dataset" và chọn định dạng YOLO26. Quy trình này được trình bày trong phần Xuất dữ liệu. Việc này sẽ chuẩn bị dữ liệu của bạn để sử dụng với các quy trình huấn luyện của Ultralytics.

Link to this sectionLàm cách nào để tích hợp và triển khai các model YOLO26 với Roboflow?#

Tải trọng số YOLO26 đã huấn luyện của bạn lên Roboflow bằng tập lệnh Python được cung cấp. Điều này tạo ra một endpoint API có thể triển khai. Tham khảo phần Tải lên Trọng số Tùy chỉnh để lấy tập lệnh và hướng dẫn. Khám phá thêm các tùy chọn triển khai trong tài liệu của chúng tôi.