Ultralytics YOLO là framework computer vision mã nguồn mở mạnh mẽ, giúp bạn triển khai các mô hình phát hiện đối tượng, phân đoạn, ước lượng tư thế và theo dõi chỉ với vài dòng code. Được phát triển bởi Ultralytics, repo này cung cấp các model từ YOLOv3 đến YOLO26 mới nhất, tối ưu cho cả tốc độ lẫn độ chính xác. Nếu bạn đang tìm một giải pháp AI vision toàn diện, dễ dùng và có cộng đồng hỗ trợ lớn, Ultralytics YOLO là lựa chọn hàng đầu.

Thank you for reading this post, don't forget to subscribe!

Những điểm chính

• Ultralytics YOLO hỗ trợ 6 tác vụ chính: object detection, instance segmentation, semantic segmentation, image classification, pose estimation và object tracking.
• Các model từ nano (2.4M tham số) đến extra-large (55.7M tham số) phù hợp với mọi nhu cầu từ edge device đến server mạnh.
• Dễ dàng sử dụng qua CLI hoặc Python, có sẵn các model pretrained trên COCO, Cityscapes, ImageNet, DOTAv1.
• Tích hợp ONNX, TensorRT, OpenVINO cho triển khai production, hỗ trợ cộng đồng qua Discord, Reddit, GitHub Issues.
• Ultralytics YOLO được cập nhật liên tục, hiện tại đã có YOLO26 với hiệu năng vượt trội.

Ultralytics YOLO là gì và giải quyết vấn đề gì?

Ultralytics YOLO là bộ thư viện Python mã nguồn mở chứa các mô hình YOLO thế hệ mới, được huấn luyện trên các bộ dữ liệu lớn. Nó giải quyết bài toán computer vision end-to-end: bạn có thể phát hiện 80 loại đối tượng, phân đoạn chính xác từng pixel, ước lượng tư thế con người, phân loại ảnh, và theo dõi đối tượng trong video. Vấn đề lớn nhất mà nó giải quyết là sự phức tạp khi triển khai AI vision – với CLI và API Python đơn giản, bất kỳ developer nào cũng có thể tích hợp ngay.

Bạn có thể xem chi tiết tại repository gốc trên GitHub.

Những tính năng nổi bật của Ultralytics YOLO

Ultralytics YOLO không chỉ là một model detection đơn thuần – nó là cả một hệ sinh thái với nhiều tính năng mạnh mẽ. Dưới đây là những điểm đáng chú ý nhất dựa trên dữ liệu từ README.

Đa dạng tác vụ

Repo hỗ trợ 6 tác vụ: Detection (COCO với 80 class), Segmentation (Instance & Semantic), Classification (ImageNet 1000 class), Pose Estimation (COCO-Pose 17 keypoints), và OBB (Oriented Bounding Boxes cho DOTAv1). Mỗi tác vụ đều có model riêng với bảng thông số chi tiết.

Hiệu năng vượt trội

Ví dụ model YOLO26n detection đạt 40.9 mAP chỉ với 2.4M tham số, chạy 38.9ms trên CPU ONNX. Model lớn nhất YOLO26x đạt 57.5 mAP với 55.7M tham số. Các model segmentation cũng ấn tượng: YOLO26n-seg đạt 33.9 mAPmask với 2.7M tham số.

Triển khai linh hoạt

Hỗ trợ xuất sang ONNX, TensorRT, OpenVINO, CoreML, TFLite, PaddlePaddle, NCNN – phù hợp với mọi nền tảng từ cloud đến edge. Tích hợp với Weights & Biases, Comet ML, Roboflow để quản lý thí nghiệm và dữ liệu.

Cộng đồng và giấy phép

Giấy phép kép AGPL-3.0 (cho nghiên cứu) và Enterprise License (cho thương mại). Có Discord, Reddit, diễn đàn riêng, và Contributing Guide cho những ai muốn đóng góp.

Hướng dẫn cài đặt & sử dụng Ultralytics YOLO

Cài đặt và sử dụng Ultralytics YOLO rất đơn giản, chỉ cần Python >= 3.8 và PyTorch >= 1.8. Bạn có thể dùng CLI hoặc Python ngay lập tức.

Cài đặt

1. Cài qua pip: pip install ultralytics – cài toàn bộ dependencies.
2. Cài qua Conda: Tham khảo Quickstart Guide trong tài liệu chính thức.
3. Docker: Sử dụng image có sẵn từ Ultralytics.
4. Build từ source: Clone repo và cài đặt.

Sử dụng CLI

Dùng lệnh yolo trực tiếp: yolo predict model=yolo26n.pt source='https://ultralytics.com/images/bus.jpg' Lệnh này sẽ tải model và chạy dự đoán trên ảnh bus mẫu. Bạn có thể thêm imgsz=640 và các tham số khác. Xem CLI Docs để biết thêm.

Sử dụng Python

Ví dụ cơ bản: from ultralytics import YOLO
model = YOLO("yolo26n.pt")
results = model("path/to/image.jpg")
results[0].show() Bạn cũng có thể huấn luyện, đánh giá, xuất model dễ dàng:

• Train: model.train(data="coco8.yaml", epochs=100, imgsz=640, device="cpu")
• Val: metrics = model.val()
• Export: model.export(format="onnx")

Tham khảo YOLO Python Docs cho nhiều ví dụ hơn.

Ai nên dùng Ultralytics YOLO — ai không nên?

Ultralytics YOLO phù hợp với đa số nhà phát triển AI và kỹ sư thị giác máy tính, nhưng không phải ai cũng cần nó.

Nên dùng nếu:

• Bạn cần một solution computer vision all-in-one, từ detection đến tracking.
• Bạn muốn triển khai nhanh với các model pretrained sẵn.
• Bạn làm việc với edge device: model nano (YOLO26n) rất nhẹ.
• Bạn cần tùy biến: huấn luyện lại trên dataset riêng dễ dàng.

Không nên dùng nếu:

• Bạn chỉ cần một tác vụ đơn giản như phân loại ảnh – có thể dùng thư viện nhẹ hơn.
• Bạn không muốn phụ thuộc vào PyTorch (tuy nhiên có export ONNX).
• Bạn cần giấy phép thương mại miễn phí: AGPL-3.0 có ràng buộc, phải mua Enterprise License cho sản phẩm thương mại.
• Bạn mới học machine learning và chưa hiểu về deep learning – hãy bắt đầu với các tutorial cơ bản trước.

Câu hỏi thường gặp

Ultralytics YOLO có hỗ trợ GPU không?

Có, Ultralytics YOLO tự động chạy trên GPU nếu PyTorch được cài đặt với CUDA. Bạn có thể chỉ định device qua tham số device hoặc dùng TensorRT để tăng tốc.

Làm sao để train model trên dataset riêng?

Bạn chỉ cần chuẩn bị file YAML chứa đường dẫn ảnh và label, sau đó dùng lệnh model.train(data="your_dataset.yaml", epochs=100). Tài liệu hướng dẫn chi tiết có trong Documentation.

Sự khác biệt giữa YOLO26n và YOLO26x là gì?

YOLO26n là model nano với 2.4M tham số, nhanh nhưng độ chính xác thấp hơn (40.9 mAP). YOLO26x có 55.7M tham số, đạt 57.5 mAP nhưng chậm hơn. Chọn model tùy theo yêu cầu về tốc độ và độ chính xác.

Ultralytics YOLO có thể chạy trên Raspberry Pi không?

Có thể, với model nano và export sang ONNX hoặc TensorRT Lite. Tuy nhiên hiệu năng sẽ hạn chế do phần cứng yếu. Bạn nên dùng model YOLO26n và giảm kích thước ảnh.

Tôi có thể dùng Ultralytics YOLO cho mục đích thương mại không?

Có, nhưng bạn cần mua Enterprise License từ Ultralytics nếu không muốn bị ràng buộc bởi AGPL-3.0. Liên hệ qua Ultralytics Licensing để biết thêm chi tiết.

Kết luận

Ultralytics YOLO là một trong những repository computer vision mạnh mẽ và dễ tiếp cận nhất hiện nay. Với đa dạng tác vụ, hiệu năng cao, và hệ sinh thái tích hợp phong phú, nó xứng đáng là lựa chọn hàng đầu cho cả nghiên cứu lẫn sản xuất. Hãy truy cập GitHub Ultralytics YOLO để trải nghiệm ngay, hoặc đọc tài liệu chính thức để bắt đầu.