Chuyển đến nội dung

ultralytics / ultralytics

Ultralytics YOLO

Nhận diện vật thể, phân đoạn, theo dõi trong ảnh và video bằng họ mô hình YOLO chỉ với một lệnh

Ultralytics là thư viện Python và công cụ dòng lệnh yolo để dùng, huấn luyện và xuất các mô hình YOLO, họ mô hình nổi tiếng về nhận diện vật thể thời gian thực. Ngoài phát hiện vật thể còn có phân đoạn, ước lượng tư thế, phân loại ảnh và theo dõi vật thể qua các khung hình video. Hợp với người làm camera thông minh, kiểm tra hàng hoá và đồ án thị giác máy tính.

  • 63.485 sao
  • 12.015 fork
  • Python
  • Cập nhật hôm nay
  • AGPL 3.0 (chạy dịch vụ cũng phải công bố mã)
Độ khó
Vừa Cần gõ vài lệnh hoặc dùng Docker
Dạng
Thư viện lập trình, Dòng lệnh (CLI)
Chạy trên
Windows, macOS, Linux, Docker, Python
Chi phí
Miễn phí hoàn toàn

Trải nghiệm khi dùng Ultralytics YOLO

Sau khi cài bằng pip, bạn chỉ cần gõ một lệnh yolo predict kèm tên mô hình và đường dẫn ảnh (hoặc đường dẫn video). Lần đầu mô hình được tải tự động, rồi ảnh kết quả được lưu ra thư mục với các khung chữ nhật quanh từng vật thể và nhãn như người, xe máy, ô tô.

Muốn dùng trong chương trình riêng thì viết vài dòng Python: nạp mô hình, đưa ảnh vào, đọc danh sách vật thể phát hiện được cùng độ tin cậy. Với video hoặc webcam, chế độ theo dõi (track) giữ mỗi vật thể một mã số xuyên suốt các khung hình, tiện để đếm số người ra vào.

Nếu muốn nhận diện đúng thứ của riêng bạn, ví dụ loại sản phẩm trên băng chuyền, bạn gán nhãn ảnh rồi huấn luyện tiếp từ mô hình có sẵn bằng một lệnh train. Mô hình sau đó xuất được sang các định dạng như ONNX để chạy ở nhiều nơi.

Tính năng nổi bật

Nhận diện vật thể thời gian thực

Tìm và khoanh vùng vật thể trong ảnh và video; README nói họ mô hình được thiết kế nhanh và chính xác.

Nhiều tác vụ trong một thư viện

Phát hiện, phân đoạn, ước lượng tư thế người, phân loại ảnh, khung xoay (OBB), và cả ước lượng độ sâu theo README.

Theo dõi vật thể qua video

Chế độ track gán mã cho từng vật thể xuyên các khung hình, có thể dùng cho phát hiện, phân đoạn, tư thế.

Huấn luyện bằng dữ liệu riêng

Train, kiểm định và dự đoán dùng chung một cách gọi, đổi bộ dữ liệu bằng một file cấu hình.

Xuất mô hình đi nhiều nơi

Xuất sang ONNX và nhiều định dạng khác để triển khai trên máy chủ hoặc thiết bị.

Mô hình dựng sẵn tự tải

Các mô hình huấn luyện sẵn tự tải về từ bản phát hành của Ultralytics ở lần dùng đầu.

Tận dụng Ultralytics YOLO vào việc gì?

Chủ cửa hàng, quản lý toà nhà

Đếm người, xe qua cửa hàng hay bãi giữ xe

Chạy nhận diện và theo dõi trên video từ camera để đếm lượt vào ra, cần kết hợp thêm code đếm. Cần tuân thủ quy định về quyền riêng tư khi quay người khác.

Xưởng sản xuất nhỏ, kỹ sư

Kiểm tra sản phẩm lỗi trên dây chuyền

Gán nhãn vài trăm ảnh sản phẩm tốt và lỗi, huấn luyện mô hình nhận diện để hỗ trợ kiểm tra bằng camera.

Người làm nội dung, quản lý kho ảnh

Gắn nhãn tự động cho thư viện ảnh

Chạy nhận diện hàng loạt để biết ảnh nào có người, xe, thú cưng rồi lọc nhanh.

Sinh viên

Đồ án thị giác máy tính

Dùng mô hình có sẵn làm nền, thay bộ dữ liệu của mình và so sánh kết quả giữa các cỡ mô hình.

Cần chuẩn bị gì?

  • Python 3.8 trở lên và PyTorch 1.8 trở lên (theo README); pip sẽ kéo các gói cần thiết.
  • Card đồ hoạ NVIDIA giúp huấn luyện và chạy video nhanh hơn nhiều; chạy trên CPU vẫn được cho ảnh và thử nghiệm nhỏ.
  • Máy cần mạng ở lần đầu để tải mô hình dựng sẵn.
  • Bộ dữ liệu ảnh có gán nhãn nếu bạn muốn huấn luyện mô hình riêng.

Hướng dẫn cài đặt chi tiết

Cài trên pip (Windows, macOS, Linux)

  1. Tạo môi trường ảo cho dự án rồi cài bằng lệnh chính thức trong README.

    Terminal
    python -m venv .venv
    pip install ultralytics
  2. Kiểm tra bằng lệnh sau; nếu in ra thông tin hệ thống và phiên bản là cài xong.

    Terminal
    yolo checks

Cài trên Conda hoặc Docker

  1. README cho biết có thể cài bằng Conda (conda-forge), ảnh Docker ultralytics/ultralytics hoặc từ mã nguồn. Xem hướng dẫn đầy đủ ở trang Quickstart: docs.ultralytics.com/quickstart.

Dùng thử lần đầu

  1. Chạy nhận diện trên một ảnh mẫu bằng lệnh trong README. Lần đầu sẽ tải mô hình về.

    Terminal
    yolo predict model=yolo26n.pt source='https://ultralytics.com/images/bus.jpg'
  2. Mở thư mục kết quả (đường dẫn được in ra Terminal) để xem ảnh có khung quanh các vật thể.

  3. Dùng trong Python để đọc kết quả chi tiết từ ảnh của bạn.

    Python
    from ultralytics import YOLO
    
    model = YOLO('yolo26n.pt')
    results = model('duong_dan/anh.jpg')
    results[0].show()
  4. Chạy trên video hoặc webcam bằng cách đổi tham số source, và thử chế độ track để giữ mã cho từng vật thể (xem docs.ultralytics.com/modes/track).

Mẹo dùng hay

  • Bắt đầu với cỡ mô hình nhỏ nhất (hậu tố n trong tên) cho nhanh, rồi tăng cỡ khi cần chính xác hơn.
  • Muốn huấn luyện mô hình riêng, chuẩn bị ảnh đa dạng góc chụp và ánh sáng; chất lượng nhãn quan trọng hơn số lượng thô.
  • Có thể thử trước chất lượng mô hình trên tập dữ liệu nhỏ coco8 trong ví dụ train của README rồi mới chạy lâu.

Lưu ý và hạn chế

  • Giấy phép AGPL-3.0: nếu bạn đưa vào sản phẩm hay dịch vụ và không muốn mở mã nguồn, README nói cần Enterprise License trả phí từ Ultralytics. Đọc kỹ trước khi dùng thương mại.
  • Nhận diện người và khuôn mặt qua camera liên quan đến quyền riêng tư; chỉ dùng khi có sự đồng ý và theo quy định pháp luật.
  • Mô hình nhận diện nhầm là điều bình thường, nhất là với vật nhỏ, ánh sáng yếu hay nhóm vật mới; đừng dùng kết quả làm căn cứ duy nhất cho quyết định quan trọng hay an toàn.

Câu hỏi thường gặp

Ultralytics có miễn phí không?

Dùng miễn phí theo AGPL-3.0 cho học tập, nghiên cứu và dự án mã nguồn mở. Dùng trong sản phẩm đóng mã nguồn thì cần giấy phép doanh nghiệp trả phí theo README.

Cần card đồ hoạ không?

Không bắt buộc cho thử nghiệm nhỏ, nhưng huấn luyện và xử lý video nhiều thì có GPU sẽ nhanh hơn rất nhiều.

Nhận diện được tiếng Việt hay vật thể Việt Nam không?

Mô hình dựng sẵn nhận diện 80 loại vật thể phổ biến (bộ COCO). Vật thể đặc thù như nón lá hay một loại hàng cụ thể thì bạn phải gán nhãn và huấn luyện thêm.

Tải mã nguồn về máy

Nếu bạn muốn xem hoặc sửa mã nguồn, mở Terminal (trên Windows là PowerShell) và chạy lệnh dưới. Máy cần cài sẵn Git.

Terminal
git clone https://github.com/ultralytics/ultralytics.git

Repo tương tự nên xem

Thư viện & framework AI91,6K

OpenCV

opencv / opencv

Thư viện thị giác máy tính kinh điển: xử lý ảnh, video, nhận diện khuôn mặt, vật thể

KhóWindowsmacOSLinuxAndroid+2
Thư viện & framework AI106K

PyTorch

pytorch / pytorch

Thư viện học sâu phổ biến nhất giới nghiên cứu, tính toán tensor trên GPU và huấn luyện mạng nơ-ron

KhóWindowsmacOSLinuxDocker+1
Tạo ảnh & video bằng AI20,2K

SAM 2 (Segment Anything Model 2)

facebookresearch / sam2

Mô hình của Meta tự khoanh vùng mọi vật trong ảnh và theo dõi chúng xuyên suốt video

KhóPythonLinuxWindows

Nội dung được biên soạn bằng tiếng Việt dựa trên tài liệu chính thức của dự án, cập nhật lần cuối 16/11/2026. Lệnh cài có thể thay đổi theo phiên bản mới; nếu có khác biệt, hãy làm theo README trên GitHub.

Cùng chủ đề: Thư viện & framework AI

Thư viện & framework AI202K

TensorFlow

tensorflow / tensorflow

Nền tảng học máy của Google để xây, huấn luyện và triển khai mô hình AI bằng Python

KhóWindowsmacOSLinuxDocker+1
Thư viện & framework AI169K

Hugging Face Transformers

huggingface / transformers

Thư viện Python để tải và chạy hàng triệu mô hình AI từ Hugging Face chỉ với vài dòng code

KhóWindowsmacOSLinuxPython
Thư viện & framework AI150K

LangChain

langchain-ai / langchain

Thư viện Python giúp lập trình viên ráp ứng dụng và agent chạy bằng AI từ các mảnh ghép dựng sẵn

KhóPython
Thư viện & framework AI79,6K

Unsloth

unslothai / unsloth

Ứng dụng chạy và tinh chỉnh mô hình AI trên máy mình, tiết kiệm VRAM và nhanh hơn

VừaWindowsmacOSLinuxDocker+1
Thư viện & framework AI76,1K

LLaMA-Factory

hiyouga / LlamaFactory

Tinh chỉnh hơn 100 mô hình ngôn ngữ qua giao diện web hoặc dòng lệnh, gần như không cần viết code

KhóWindowsLinuxDockerPython
Thư viện & framework AI68,2K

scikit-learn

scikit-learn / scikit-learn

Thư viện học máy cổ điển bằng Python: phân loại, dự đoán, gom nhóm dữ liệu bảng rất dễ dùng

KhóWindowsmacOSLinuxPython

Xem cả 14 repo Thư viện & framework AI Về Kho Repo