YOLOv5: Phát hiện & Phân đoạn Đối tượng bằng PyTorch

Tìm hiểu về Ultralytics YOLOv5

Ultralytics YOLOv5 là một model computer vision mã nguồn mở, xây dựng trên PyTorch, dùng để phát hiện, phân đoạn và phân loại đối tượng trong ảnh chỉ với một codebase và một bộ script huấn luyện. Nó có năm kích cỡ model — YOLOv5n, YOLOv5s, YOLOv5m, YOLOv5l và YOLOv5x — đánh đổi độ chính xác lấy tốc độ inference, cùng các biến thể P6 (yolov5n6 đến yolov5x6) tối ưu cho input 1280px.

Các tính năng chính của YOLOv5

• ✓Năm kích cỡ model detection (n/s/m/l/x) cộng thêm biến thể P6 cho input 1280px, nên bạn chọn điểm cân bằng tốc độ/độ chính xác mà không phải huấn luyện lại kiến trúc từ đầu.
• ✓Checkpoint COCO đã pretrained tự động tải về từ release GitHub mới nhất ngay lần đầu bạn tham chiếu tên weights.
• ✓detect.py nhận gần như mọi loại nguồn — webcam, ảnh hoặc video cục bộ, một thư mục, glob pattern, file .txt liệt kê đường dẫn hoặc URL stream, link YouTube, hay stream RTSP/RTMP/HTTP.
• ✓Load qua PyTorch Hub (`torch.hub.load("ultralytics/yolov5", "yolov5s")`) trả về một object kết quả với các method `.print()`, `.show()`, `.save()`, `.crop()`, `.pandas()`.
• ✓Model instance segmentation, thêm từ release v7.0, chạy chung bộ script train/val/export với các model detection.
• ✓Tutorial export bao phủ ONNX, TensorRT, CoreML và TFLite trong một chỗ.
• ✓AutoBatch (`--batch-size -1`) tự chọn batch size vừa với bộ nhớ GPU thay vì bạn phải đoán.
• ✓Tích hợp log sẵn với Weights & Biases, Comet ML, ClearML và Roboflow để theo dõi huấn luyện, cộng thêm DeepSparse để tăng tốc inference.

Bắt đầu với YOLOv5

Clone repo và cài dependencies vào môi trường Python 3.8+ đã có sẵn PyTorch 1.8+: ```bash git clone https://github.com/ultralytics/yolov5 cd yolov5 pip install -r requirements.txt ``` yolov5 không có package trên PyPI. Bạn làm việc trực tiếp trong repo đã clone, đó cũng là lý do weights và dataset tự động tải về ngay trong repo này lần đầu bạn chạy detect.py hoặc train.py.

Chạy inference và training

Để gọi inference một lần, load checkpoint qua PyTorch Hub rồi chạy trực tiếp trên ảnh, URL, hoặc numpy array: ```python import torch model = torch.hub.load("ultralytics/yolov5", "yolov5s") results = model("https://ultralytics.com/images/zidane.jpg") results.print() ``` Để inference hàng loạt từ command line, `detect.py` nhận gần như mọi loại nguồn: ```bash python detect.py --weights yolov5s.pt --source img.jpg ``` Huấn luyện trên COCO (hoặc `data.yaml` của riêng bạn) chạy qua `train.py`, trong đó `--batch-size -1` kích hoạt AutoBatch thay vì bạn tự chọn số: ```bash python train.py --data coco.yaml --epochs 300 --weights '' --cfg yolov5s.yaml --batch-size 64 ``` README ghi rằng YOLOv5n đến YOLOv5x mất khoảng một đến tám ngày để huấn luyện 300 epoch trên một GPU V100 — huấn luyện multi-GPU rút ngắn thời gian này.

Khám phá các model YOLO khác của Ultralytics

Câu hỏi thường gặp

Vấn đề mà nó giải quyết

Huấn luyện một object detector từ đầu nghĩa là phải tự viết data loader, augmentation pipeline, loss khớp anchor, và đường xuất (export) sang đúng runtime mà nơi triển khai cần — làm đúng cả bốn phần đó tốn hàng tuần. YOLOv5 đóng gói sẵn toàn bộ pipeline đó (train.py, detect.py, val.py, export.py) quanh pretrained weights huấn luyện trên COCO, nên một developer có sẵn dataset gắn nhãn theo định dạng YOLO có thể đi từ số 0 đến một model đã huấn luyện và xuất xong mà không phải tự dựng phần công cụ xung quanh.

Các trường hợp sử dụng tốt nhất

• •Phát hiện đối tượng theo thời gian thực từ webcam hoặc camera RTSP qua detect.py, không cần tự viết code capture.
• •Huấn luyện detector tuỳ chỉnh trên dataset đã gắn nhãn bằng cách trỏ train.py vào một data.yaml và một config yolov5*.yaml.
• •Instance segmentation trên dữ liệu kiểu COCO bằng các script trong thư mục segment/ ra mắt từ v7.0.
• •Xuất model đã huấn luyện sang ONNX hoặc TensorRT để triển khai trên thiết bị NVIDIA Jetson.
• •Prototyping nhanh qua PyTorch Hub ngay trong notebook, không cần clone cả pipeline detect.py của repo.

Ai nên dùng — và ai nên bỏ qua

Nên dùng YOLOv5 nếu bạn có dataset gắn nhãn theo định dạng YOLO và muốn một pipeline train/export đã trải qua nhiều năm dùng trong production, với tutorial cho đúng vấn đề bạn đang gặp. Nên bỏ qua nếu bạn bắt đầu một dự án hoàn toàn mới không có code YOLOv5 sẵn cần bảo trì — chính README của Ultralytics hướng người dùng mới sang package `ultralytics`, và nếu bạn cần pose estimation hay oriented bounding box, YOLOv5 đơn giản là không có.

Repo liên quan