Hướng dẫn theo dõi đối tượng chuyển động trong video với các model Ultralytics YOLO

Robot có thể lắp ráp các linh kiện điện, hệ thống phát hiện xe chạy quá tốc độ và các giải pháp bán lẻ thông minh theo dõi cách khách hàng mua sắm — tất cả những cải tiến này đều dựa vào thị giác máy tính. Đây là một nhánh của trí tuệ nhân tạo (AI), giúp máy móc phân tích và hiểu hình ảnh cũng như video.

Ví dụ, robot cần nhận diện và theo dõi các linh kiện khác nhau để lắp ráp chúng đúng cách. Tương tự, hệ thống giao thông có thể sử dụng thị giác máy tính để phát hiện xe, đọc biển số và xác định khi có người chạy quá tốc độ. Trong khi đó, tại các cửa hàng, vision AI có thể giúp theo dõi những gì khách hàng đang xem hoặc lấy xuống, đồng thời giám sát hàng tồn kho.

Các ứng dụng như vậy được hỗ trợ bởi những model thị giác máy tính như Ultralytics YOLO11, vốn hỗ trợ nhiều tác vụ thị giác khác nhau. Nhiều tác vụ trong số đó tập trung vào việc thu thập thông tin từ một hình ảnh duy nhất, nhưng một tác vụ đặc biệt thú vị là theo dõi đối tượng, có thể được sử dụng để theo dõi chuyển động của các đối tượng qua một chuỗi hình ảnh hoặc các frame video.

Hình 1. Ví dụ về phát hiện và theo dõi xe.

Trong hướng dẫn này, chúng ta sẽ tìm hiểu kỹ hơn cách hoạt động của việc theo dõi đối tượng và khám phá các ví dụ thực tế về cách công nghệ này được sử dụng. Chúng ta cũng sẽ thảo luận về cách các model vision AI như Ultralytics YOLO11 hỗ trợ theo dõi đối tượng. Hãy bắt đầu nào!

Tìm hiểu sâu hơn về các hệ thống theo dõi bằng thị giác máy tính#

Theo dõi đối tượng là một tác vụ thị giác máy tính được sử dụng để theo dõi chuyển động của các đối tượng qua các frame video, giúp hệ thống giám sát và hiểu cách mọi thứ thay đổi theo thời gian. Điều này rất giống với cách con người tự nhiên dõi theo một người hoặc vật thể đang chuyển động bằng mắt, chẳng hạn khi xem một trận quần vợt và mắt bạn theo dõi quả bóng di chuyển qua lại trên sân.

Tương tự, theo dõi đối tượng bao gồm việc sử dụng camera và AI để theo dõi chuyển động của quả bóng theo thời gian thực. Công nghệ này có thể giúp khán giả tại nhà hiểu rõ hơn diễn biến của trận đấu, đặc biệt thông qua các phân tích như tốc độ, quỹ đạo và vị trí của người chơi.

Mặc dù kiểu theo dõi hình ảnh này có vẻ không tốn nhiều công sức đối với con người, nhưng trong machine vision, quy trình này bao gồm một loạt bước được hỗ trợ bởi các model vision AI. Dưới đây là phần phân tích đơn giản về cách hoạt động của việc theo dõi đối tượng:

• Ghi hình video: Camera ghi lại video, thu nhận cách các đối tượng di chuyển trong một cảnh theo thời gian.
• Phát hiện đối tượng: Các model thị giác máy tính được hỗ trợ bởi AI như YOLO11 có thể phân tích từng frame để nhận diện và xác định vị trí của các đối tượng cụ thể, chẳng hạn như người, phương tiện hoặc sản phẩm.
• Gán danh tính: Sau khi một đối tượng được phát hiện, các thuật toán theo dõi sẽ gán cho đối tượng đó một ID duy nhất để theo dõi qua nhiều frame, đảm bảo hệ thống biết đó vẫn là cùng một đối tượng ngay cả khi đối tượng di chuyển.
• Giám sát chuyển động: Hệ thống theo dõi chuyển động theo thời gian và dữ liệu này có thể được sử dụng để thu thập các thông tin như tốc độ, hướng di chuyển và tương tác với những đối tượng khác.
• Tạo thông tin chuyên sâu: Thông tin này có thể được sử dụng theo thời gian thực để cung cấp phân tích, hỗ trợ ra quyết định hoặc tạo các lớp phủ trực quan — tùy thuộc vào trường hợp sử dụng cụ thể.

So sánh phát hiện và theo dõi đối tượng với YOLO#

Một tác vụ thị giác máy tính khác được Ultralytics YOLO11 hỗ trợ và có liên quan chặt chẽ đến theo dõi đối tượng là phát hiện đối tượng. Hãy cùng tìm hiểu sự khác biệt giữa hai tác vụ này.

Phát hiện đối tượng bao gồm việc nhận diện và xác định vị trí các đối tượng cần quan tâm trong một hình ảnh hoặc frame video duy nhất. Ví dụ, xe tự lái sử dụng tính năng phát hiện đối tượng để nhận diện biển báo dừng hoặc người đi bộ trong một frame duy nhất được camera trên xe ghi lại. Tính năng này trả lời câu hỏi: “Có gì trong hình ảnh này và nó ở đâu?” Tuy nhiên, nó không cung cấp thông tin về việc đối tượng sẽ di chuyển đến đâu tiếp theo.

Theo dõi đối tượng được xây dựng dựa trên phát hiện đối tượng bằng cách bổ sung khả năng hiểu chuyển động theo thời gian. Điểm khác biệt chính giữa hai tác vụ là cách chúng xử lý thời gian và chuyển động. Phát hiện đối tượng xem mỗi frame là một ảnh chụp độc lập, trong khi theo dõi đối tượng kết nối các điểm giữa những frame, sử dụng dữ liệu trước đó để dự đoán vị trí tương lai của đối tượng.

Bằng cách kết hợp cả hai, chúng ta có thể xây dựng các hệ thống vision AI mạnh mẽ, có khả năng theo dõi theo thời gian thực trong những môi trường năng động. Chẳng hạn, một hệ thống an ninh tự động có thể phát hiện người đi vào một khu vực và liên tục theo dõi chuyển động của họ qua các frame.

Theo dõi theo thời gian thực bằng các model Ultralytics YOLO#

Sau khi đã tìm hiểu sự khác biệt giữa phát hiện và theo dõi đối tượng, hãy xem các model Ultralytics YOLO, chẳng hạn như YOLO11, hỗ trợ theo dõi đối tượng theo thời gian thực như thế nào.

Mặc dù bản thân các model YOLO không phải là thuật toán theo dõi, chúng đóng vai trò thiết yếu bằng cách phát hiện các đối tượng trong từng frame video. Sau khi đối tượng được phát hiện, cần có các thuật toán theo dõi để gán ID duy nhất cho chúng, cho phép hệ thống theo dõi chuyển động của chúng từ frame này sang frame khác.

Để đáp ứng nhu cầu này, gói Python Ultralytics tích hợp liền mạch tính năng phát hiện đối tượng với các thuật toán theo dõi phổ biến như BoT-SORT và ByteTrack. Tích hợp này cho phép người dùng chạy đồng thời tính năng phát hiện và theo dõi với thiết lập tối thiểu.

Khi sử dụng các model YOLO để theo dõi đối tượng, bạn có thể chọn thuật toán theo dõi cần áp dụng dựa trên yêu cầu của ứng dụng. Ví dụ, BoT-SORT là một lựa chọn phù hợp để theo dõi các đối tượng di chuyển khó đoán nhờ sử dụng tính năng dự đoán chuyển động và deep learning. Mặt khác, ByteTrack hoạt động đặc biệt tốt trong các cảnh đông người, duy trì khả năng theo dõi đáng tin cậy ngay cả khi đối tượng bị mờ hoặc bị che khuất một phần.

Hình 2. Gói Python Ultralytics tích hợp liền mạch BoT-SORT và ByteTrack.

Việc train model YOLO tùy chỉnh liên quan như thế nào đến theo dõi đối tượng?#

Train tùy chỉnh là quy trình fine-tune một model phát hiện đối tượng đã được pre-trained, chẳng hạn như Ultralytics YOLO11, trên một dataset cụ thể để model có thể nhận diện các đối tượng không có trong những dataset tiêu chuẩn. Điều này đặc biệt quan trọng khi hệ thống theo dõi của bạn cần theo dõi các đối tượng tùy chỉnh hoặc hiếm gặp.

Các hệ thống theo dõi dựa vào model phát hiện để nhận diện đối tượng trước tiên. Nếu một model YOLO không thể phát hiện một vật thể cụ thể, chẳng hạn như một loại máy móc hoặc loài động vật hoang dã cụ thể, thuật toán theo dõi sẽ không thể theo dõi vật thể đó.

Đó là lý do train tùy chỉnh rất cần thiết: quy trình này đảm bảo model phát hiện có thể nhận diện chính xác các đối tượng mà bạn muốn theo dõi.

Cũng cần lưu ý rằng trong quy trình này, chỉ model phát hiện được fine-tune. Các thuật toán theo dõi như BoT-SORT hoặc ByteTrack không được train tùy chỉnh — chúng chỉ sử dụng đầu ra từ model YOLO để theo dõi các đối tượng đã phát hiện qua các frame.

Các ứng dụng theo dõi đối tượng với Ultralytics YOLO#

Sau khi đã hiểu rõ hơn theo dõi đối tượng là gì và hoạt động như thế nào, hãy cùng khám phá một số ứng dụng thực tế mà công nghệ này đang tạo ra ảnh hưởng.

Theo dõi theo thời gian thực bằng Ultralytics YOLO để ước tính tốc độ#

Các hệ thống ước tính tốc độ được hỗ trợ bởi thị giác máy tính phụ thuộc vào những tác vụ như phát hiện và theo dõi đối tượng. Các hệ thống này được thiết kế để tính toán tốc độ di chuyển của một đối tượng — có thể là phương tiện, người đi xe đạp hoặc thậm chí một người. Thông tin này rất quan trọng đối với nhiều ứng dụng, từ quản lý giao thông đến giám sát an toàn và tự động hóa công nghiệp.

Sử dụng một model như Ultralytics YOLO11, các đối tượng có thể được phát hiện và theo dõi qua các frame video. Bằng cách phân tích quãng đường một đối tượng di chuyển trong một khoảng thời gian cụ thể, hệ thống có thể ước tính tốc độ của đối tượng.

Hình 3. Sử dụng khả năng hỗ trợ theo dõi đối tượng của YOLO11 để ước tính tốc độ.

Khám phá việc theo dõi đối tượng trong sản xuất#

Các quy trình sản xuất có thể diễn ra nhanh và rất phức tạp, khiến việc theo dõi thủ công mọi sản phẩm đang được sản xuất trở nên khó khăn. Theo dõi đối tượng mang đến một giải pháp phù hợp để tự động hóa việc giám sát sản phẩm khi chúng đi qua từng công đoạn sản xuất. Công nghệ này có thể giúp các nhà máy duy trì độ chính xác và hiệu quả cao mà không làm chậm quy trình.

Từ việc đếm sản phẩm trên băng chuyền đến phát hiện lỗi hoặc xác minh việc lắp ráp đúng cách, theo dõi đối tượng mang lại khả năng quan sát và kiểm soát cho những tác vụ vốn tốn nhiều thời gian hoặc dễ xảy ra lỗi. Công nghệ này đặc biệt hữu ích trong các ngành có sản lượng lớn như chế biến thực phẩm, điện tử và đóng gói, nơi tốc độ và độ chính xác đóng vai trò then chốt.

Hình 4. Ví dụ về theo dõi và đếm sản phẩm thực phẩm trên dây chuyền lắp ráp bằng Ultralytics YOLO11.

Tổng quan về theo dõi đối tượng trong phân tích bán lẻ#

Vô số khách hàng ra vào các cửa hàng bán lẻ mỗi ngày, và việc hiểu hành vi của họ là yếu tố then chốt để cải thiện cả trải nghiệm khách hàng lẫn hiệu quả kinh doanh. Theo dõi đối tượng giúp các nhà bán lẻ giám sát lượng người qua lại, đo thời gian dừng và phân tích các kiểu chuyển động — mà không cần đến những phương pháp xâm lấn hoặc thủ công.

Bằng cách theo dõi từng người khi họ đi vào, đi ra và di chuyển trong cửa hàng, doanh nghiệp có thể thu thập thông tin về giờ cao điểm, khu vực phổ biến và thậm chí cả độ dài hàng đợi. Những thông tin này có thể hỗ trợ các quyết định về bố trí nhân sự, thiết kế cửa hàng và sắp xếp hàng tồn kho, qua đó giúp vận hành hiệu quả hơn và tăng doanh số.

Hình 5. Sử dụng khả năng theo dõi đối tượng của Ultralytics YOLO11 để giám sát người ra vào cửa hàng.

Ưu điểm và nhược điểm của việc theo dõi đối tượng#

Từ cửa hàng bán lẻ đến sàn nhà máy, theo dõi đối tượng đang được sử dụng trong nhiều ngành khác nhau để cải thiện các yếu tố như hiệu quả, an toàn và trải nghiệm tổng thể. Dưới đây là một số lợi ích chính mà theo dõi đối tượng có thể mang lại cho nhiều ngành:

• Cho phép cảnh báo theo thời gian thực: Các hệ thống tích hợp tính năng theo dõi đối tượng có thể được cấu hình để tự động kích hoạt cảnh báo khi phát hiện điều bất thường, chẳng hạn như một người đi vào khu vực hạn chế hoặc một kiện hàng bị bỏ quá lâu tại một vị trí.
• Tích hợp với các hệ thống khác: Dữ liệu theo dõi đối tượng có thể được kết hợp với những công nghệ khác như nhận diện khuôn mặt, camera nhiệt hoặc hệ thống quản lý hàng tồn kho để tạo ra thông tin chuyên sâu mạnh mẽ hơn.
• Tiết kiệm chi phí về lâu dài: Mặc dù việc thiết lập ban đầu có thể cần đầu tư, theo dõi tự động giúp giảm nhu cầu lao động thủ công, hạ tỷ lệ lỗi và giảm chi phí vận hành theo thời gian.

Mặc dù những lợi ích này cho thấy theo dõi đối tượng tác động tích cực đến nhiều trường hợp sử dụng khác nhau, cũng cần xem xét những thách thức khi triển khai. Hãy cùng tìm hiểu kỹ hơn một số hạn chế của việc theo dõi đối tượng:

• Khó khăn trong môi trường đông đúc: Trong những môi trường đông người như buổi hòa nhạc, trung tâm mua sắm hoặc đường phố, các hệ thống theo dõi có thể gặp khó khăn khi phân biệt những người hoặc đối tượng ở gần nhau, dẫn đến nhầm lẫn hoặc kết quả không chính xác.

• Nhạy cảm với điều kiện môi trường: Ánh sáng kém, sương mù, chuyển động nhanh hoặc rung camera có thể ảnh hưởng đến khả năng theo dõi đối tượng chính xác của hệ thống, đặc biệt trong môi trường ngoài trời hoặc không được kiểm soát.

• Mối lo ngại về quyền riêng tư và pháp lý: Việc xử lý không đúng dữ liệu cá nhân, thiếu sự đồng ý của người dùng hoặc giám sát trong không gian công cộng có thể làm phát sinh các vấn đề đạo đức và dẫn đến việc không tuân thủ luật bảo vệ quyền riêng tư.

Những điểm chính#

Theo dõi đối tượng là một tác vụ thị giác máy tính cho phép máy móc theo dõi chuyển động của các đối tượng theo thời gian. Công nghệ này được sử dụng trong nhiều tình huống thực tế — từ ước tính tốc độ phương tiện và đếm sản phẩm trên dây chuyền lắp ráp đến phân tích chuyển động của người chơi trong thể thao.

Với các model Vision AI như Ultralytics YOLO11 và những thuật toán theo dõi như BoT-SORT và ByteTrack, việc theo dõi đối tượng đã trở nên nhanh hơn, thông minh hơn và dễ tiếp cận hơn trong nhiều ngành khác nhau. Khi công nghệ theo dõi đối tượng tiếp tục phát triển, công nghệ này đang giúp các hệ thống trở nên thông minh, hiệu quả và nhạy bén hơn, từng frame một.

Bạn muốn tìm hiểu thêm về thị giác máy tính và AI? Hãy khám phá repository GitHub của chúng tôi, kết nối với cộng đồng của chúng tôi và xem các tùy chọn cấp phép của chúng tôi để bắt đầu dự án thị giác máy tính. Nếu bạn đang tìm hiểu những đổi mới như AI trong sản xuất và thị giác máy tính trong ngành ô tô, hãy truy cập các trang giải pháp của chúng tôi để khám phá thêm.