Cách đào tạo, xác thực, dự đoán, xuất và đánh giá chuẩn với các mô hình YOLO của Ultralytics

Ngày 24 tháng 7 năm 2024
Tìm hiểu cách đào tạo, xác thực, dự đoán, xuất và đánh giá chuẩn bằng Mô hình YOLO của Ultralytics!

Ngày 24 tháng 7 năm 2024
Tìm hiểu cách đào tạo, xác thực, dự đoán, xuất và đánh giá chuẩn bằng Mô hình YOLO của Ultralytics!
Hãy cùng khám phá thế giới Ultralytics và tìm hiểu các chế độ khác nhau có sẵn cho các mô hình YOLO khác nhau. Cho dù bạn đang đào tạo các mô hình phát hiện đối tượng tùy chỉnh hay đang làm việc trên phân đoạn , thì việc hiểu các chế độ này là một bước quan trọng. Hãy cùng bắt đầu ngay!
Thông qua tài liệu Ultralytics, bạn sẽ tìm thấy một số chế độ mà bạn có thể sử dụng cho các mô hình của mình, cho dù đó là để đào tạo , xác thực , dự đoán , xuất , chuẩn hoặc theo dõi . Mỗi chế độ này phục vụ một mục đích riêng và giúp bạn tối ưu hóa hiệu suất và triển khai mô hình của mình.
Trước tiên, hãy xem chế độ đào tạo. Đây là nơi bạn xây dựng và tinh chỉnh mô hình của mình. Bạn có thể tìm thấy hướng dẫn chi tiết và hướng dẫn bằng video trong tài liệu, giúp bạn dễ dàng bắt đầu đào tạo các mô hình tùy chỉnh của mình.
Đào tạo mô hình bao gồm việc cung cấp cho mô hình một tập dữ liệu mới, cho phép mô hình học nhiều mẫu khác nhau. Sau khi được đào tạo, mô hình có thể được sử dụng theo thời gian thực để phát hiện các đối tượng mới mà nó đã được đào tạo. Trước khi bắt đầu quá trình đào tạo, điều cần thiết là phải chú thích tập dữ liệu của bạn theo định dạng YOLO.
Tiếp theo, chúng ta hãy đi sâu vào chế độ xác thực. Xác thực là điều cần thiết để điều chỉnh siêu tham số và đảm bảo mô hình của bạn hoạt động tốt. Ultralytics cung cấp nhiều tùy chọn xác thực, bao gồm cài đặt tự động, hỗ trợ nhiều số liệu và khả năng tương thích với API Python. Bạn thậm chí có thể chạy xác thực trực tiếp thông qua giao diện dòng lệnh (CLI) bằng lệnh bên dưới.
Xác thực rất quan trọng đối với:
Ultralytics cũng cung cấp các ví dụ người dùng mà bạn có thể sao chép và dán vào tập lệnh Python của mình. Các ví dụ này bao gồm các tham số như kích thước hình ảnh, kích thước lô, thiết bị (CPU hoặc GPU) và giao điểm trên hợp nhất (IoU).
Sau khi mô hình của bạn được đào tạo và xác thực, đã đến lúc đưa ra dự đoán. Chế độ Dự đoán cho phép bạn chạy suy luận trên dữ liệu mới và xem mô hình của bạn hoạt động. Chế độ này hoàn hảo để kiểm tra hiệu suất của mô hình trên dữ liệu thực tế.
Với đoạn mã python bên dưới, bạn sẽ có thể chạy dự đoán trên hình ảnh của mình!
Sau khi xác thực và dự đoán, bạn có thể muốn triển khai mô hình của mình. Chế độ xuất cho phép bạn chuyển đổi mô hình của mình sang nhiều định dạng khác nhau, chẳng hạn như ONNX hoặc TensorRT, giúp triển khai dễ dàng hơn trên nhiều nền tảng khác nhau.
Cuối cùng, chúng ta có chế độ chuẩn. Chuẩn là điều cần thiết để đánh giá hiệu suất của mô hình trong nhiều tình huống khác nhau. Chế độ này giúp bạn đưa ra quyết định sáng suốt về phân bổ tài nguyên, tối ưu hóa và hiệu quả chi phí.
Để chạy chuẩn, bạn có thể sử dụng các ví dụ người dùng được cung cấp trong tài liệu. Các ví dụ này bao gồm các số liệu chính và định dạng xuất, bao gồm ONNX và TensorRT. Bạn cũng có thể chỉ định các tham số như lượng tử hóa số nguyên (INT8) hoặc lượng tử hóa dấu phẩy động (FP16) để xem các cài đặt khác nhau ảnh hưởng đến hiệu suất như thế nào.
Hãy cùng xem một ví dụ thực tế về chuẩn mực. Khi chúng tôi chuẩn mực mô hình PyTorch của mình, chúng tôi nhận thấy tốc độ suy luận là 68 mili giây trên GPU RTX 3070. Sau khi xuất sang TorchScript, tốc độ suy luận giảm xuống còn 4 mili giây, cho thấy sự cải thiện đáng kể.
Đối với các mô hình ONNX, chúng tôi đạt được tốc độ suy luận là 21 mili giây. Khi thử nghiệm các mô hình này trên CPU (Intel i9 thế hệ thứ 13), chúng tôi thấy các kết quả khác nhau. TorchScript chạy ở mức 115 mili giây, trong khi ONNX hoạt động tốt hơn ở mức 84 mili giây. Cuối cùng, OpenVINO được tối ưu hóa cho phần cứng Intel đạt được tốc độ 23 mili giây.
Đánh giá chuẩn cho thấy phần cứng và định dạng xuất khác nhau có thể tác động đến hiệu suất của mô hình như thế nào. Đánh giá chuẩn các mô hình của bạn là rất quan trọng, đặc biệt là nếu bạn có kế hoạch triển khai chúng trên phần cứng tùy chỉnh hoặc thiết bị biên. Quy trình này đảm bảo mô hình của bạn được tối ưu hóa cho môi trường mục tiêu, mang lại hiệu suất tốt nhất có thể.
Tóm lại, các chế độ trong tài liệu Ultralytics là những công cụ mạnh mẽ để đào tạo, xác thực, dự đoán, xuất và đánh giá chuẩn các mô hình YOLO của bạn. Mỗi chế độ đóng vai trò quan trọng trong việc tối ưu hóa mô hình của bạn và chuẩn bị cho việc triển khai.
Đừng quên khám phá và tham gia cộng đồng của chúng tôi và thử các đoạn mã được cung cấp trong dự án của bạn. Với các công cụ này, bạn có thể tạo các mô hình hiệu suất cao và đảm bảo chúng chạy hiệu quả trong mọi môi trường.