Câu hỏi thường gặp

Tôi nên bắt đầu với mô hình nào?

YOLOv9 nếu bạn cần detector CNN và RF-DETR nếu cần detector transformer. Cả hai thuộc cấp flagship, nghĩa là các tính năng được thiết kế và xác thực trên GPU với chúng trước mọi mô hình khác. Xem YOLOv9 và RF-DETR, hoặc tất cả mô hình để xem các lựa chọn còn lại.

Tôi có cần GPU không?

Không. Mọi mô hình đều chạy trên CPU và mọi nội dung trong hướng dẫn bắt đầu nhanh đều được viết để chạy ở đó. GPU chỉ thay đổi thời gian huấn luyện và inference video, không quyết định chúng có hoạt động hay không.

LibreYOLO chọn thiết bị như thế nào?

Giá trị mặc định là device="auto": dùng CUDA khi PyTorch báo khả dụng, sau đó dùng Metal Performance Shaders nếu có, còn lại dùng CPU. Để chỉ định thiết bị, truyền device cho mô hình hoặc cho predict, train, val và export. Tham số này nhận "cpu", "cuda", "cuda:0", "mps", một số nguyên như 0 hoặc chuỗi chữ số; hai dạng cuối được mở rộng thành cuda:<n>.

libreyolo checks in ra bản build Torch, phiên bản CUDA và cuDNN, cùng mọi GPU mà nó nhận diện được. Nếu lệnh này không hiển thị CUDA, wheel PyTorch là bản CPU; phần cài đặt hướng dẫn cách thay thế.

Trọng số tải xuống được lưu ở đâu?

Trong weights/ tương đối với thư mục làm việc. Một tham chiếu mô hình không có thành phần thư mục sẽ được phân giải tại đó và tải xuống ở lần dùng đầu tiên; tham chiếu có thư mục được dùng chính xác như đã viết và không bao giờ được tải về. Xem checkpoint và trọng số.

Tôi có thể chạy khi không có mạng không?

Có. Tải checkpoint một lần trên máy có kết nối, sao chép thư mục weights/ sang máy đích và sẽ không còn truy cập mạng. Một đường dẫn dùng chung chỉ đọc cũng hoạt động, vì tham chiếu có thư mục được hiểu theo đúng nghĩa đen. Dataset được phân giải dưới ~/datasets hoặc LIBREYOLO_DATASETS_DIR.

Tôi có thể dùng LibreYOLO cho mục đích thương mại không?

Mã nguồn dùng giấy phép MIT. Trọng số huấn luyện sẵn là vấn đề riêng: chúng có thể kế thừa điều khoản từ dự án hoặc dataset nguồn, và các điều khoản này không đồng nhất ngay cả trong cùng một họ. Giấy phép trên repo Hugging Face cụ thể là nguồn có thẩm quyền, và mỗi trang mô hình đều có phần giấy phép chép lại nội dung đó. Khi trọng số bị hạn chế, LibreYOLO in thông báo hạn chế trước khi bắt đầu tải.

Tôi có thể nạp checkpoint từ dự án khác không?

Thông thường là có, bằng cách truyền đường dẫn cho LibreYOLO(). Các layout upstream được nhận diện sẽ được chuyển đổi lúc nạp, giữ nguyên số lớp và tên, đồng thời một checkpoint LibreYOLO được ghi cạnh file nguồn. Phần nhập trọng số có sẵn nêu rõ định dạng được nhận diện và trường hợp cần script chuyển đổi.

Vì sao train báo NotImplementedError?

Vì họ đó chỉ cung cấp inference và ngoại lệ nêu rõ lý do. Predict, validate và export ở nơi được hỗ trợ vẫn hoạt động; LibreYOLO không có vòng lặp huấn luyện cho kiến trúc đó. Cấp hỗ trợ ở đầu trang mô hình cho bạn biết điều này trước khi thử. Xem khái niệm cốt lõi.

val trả về gì?

Một dictionary thuần túy, không phải object. Các khóa detection gồm metrics/precision, metrics/recall, metrics/mAP50 và metrics/mAP50-95. Những tác vụ khác trả về các khóa phù hợp, chẳng hạn metrics/accuracy_top1 cho classification hoặc metrics/PQ, metrics/SQ và metrics/RQ cho panoptic segmentation.

Làm sao chạy trên thư mục, video hoặc webcam?

Truyền đối tượng đó làm source. Đường dẫn file là một ảnh, thư mục là mọi ảnh bên trong, đường dẫn video là video, số nguyên là chỉ mục webcam, còn URL RTSP, RTMP, TCP, UDP hoặc HLS là stream trực tiếp. File .streams liệt kê nhiều source cùng lúc. Source trực tiếp cần stream=True, trả về một Results cho mỗi frame thay vì tạo danh sách; cờ này cũng đáng dùng cho video dài và thư mục lớn. Chỉ URL trang YouTube cần gói bổ sung libreyolo[stream].

Làm sao chỉ giữ một số lớp?

Truyền classes cho predict cùng các chỉ mục lớp mong muốn, ví dụ classes=[0, 2]. conf đặt ngưỡng độ tin cậy, mặc định 0.25, còn max_det giới hạn số detection mỗi ảnh, mặc định 300.

CLI dùng cờ hay cặp key=value?

Key và value nối bằng dấu bằng cho mọi lệnh:

libreyolo predict model=yolo9-t source=my-image.jpg save=True
libreyolo train model=yolo9-t data=coco8.yaml epochs=50 imgsz=640

model nhận đường dẫn hoặc tên ngắn dạng family-size, có thể kèm hậu tố tác vụ, và libreyolo models liệt kê mọi giá trị hợp lệ. Các lệnh chẩn đoán và kiểm kê cũng nhận --json, in cùng dữ liệu dưới dạng object máy đọc được ra stdout.

Mọi mô hình đều có thể xuất sang mọi định dạng không?

Không. Phạm vi hỗ trợ tùy theo họ và tác vụ, không đồng nhất, và mỗi định dạng có gói bổ sung riêng cần cài đặt. Mỗi trang mô hình có ma trận xuất của họ đó; phần xuất trình bày các định dạng.

segment, semantic và panoptic khác nhau thế nào?

Đây là ba tác vụ riêng biệt. segment tạo một mask cho mỗi object được phát hiện. semantic gán lớp cho mọi pixel mà không tách thành instance. panoptic gán chính xác một nhãn cho mỗi pixel, kết hợp các vật thể đếm được với vùng không có hình dạng rõ ràng. Chúng dùng ground truth, trường kết quả và metric khác nhau, và một họ hỗ trợ tác vụ nào xuất hiện trong danh sách tác vụ của họ.

Làm sao huấn luyện trên các lớp của riêng tôi?

Viết YAML dataset với train, val và names. Nhãn nằm cạnh ảnh trong cây labels/ song song, mỗi ảnh có một file .txt, với tọa độ chuẩn hóa. nc là tùy chọn và phải khớp với names nếu được cung cấp. Trước tiên hãy chạy libreyolo doctor <data.yaml>: lệnh kiểm tra lỗi dataset và thoát với mã khác 0 khi tìm thấy lỗi, nên có thể dùng làm cổng CI.

Vì sao lúc nạp lại xuất hiện cảnh báo metadata?

Vì checkpoint không mang đầy đủ metadata v1.0. Quá trình nạp tiếp tục qua đường tương thích và cảnh báo nêu chính xác các khóa còn thiếu. Chạy libreyolo metadata path=<file> để xem nội dung hiện có, và xem checkpoint và trọng số để biết schema yêu cầu gì.

Một import ngừng hoạt động sau khi nâng cấp. Điều gì đã thay đổi?

Hai tên lớp được đổi để nhất quán: LibreYOLORTDETR thành LibreRTDETR và LibreYOLORFDETR thành LibreRFDETR. Tên cũ vẫn phân giải được và phát DeprecationWarning trỏ đến tên mới, nên mã hiện có vẫn chạy trong lúc bạn cập nhật.