Hướng dẫn tìm hiểu chuyên sâu về phát hiện đối tượng vào năm 2025

Nhiều ngành công nghiệp đang nhanh chóng tích hợp các giải pháp trí tuệ nhân tạo (AI) vào hoạt động của họ. Trong số nhiều công nghệ AI có sẵn hiện nay, computer vision là một trong những công nghệ phổ biến nhất. Computer vision là một nhánh của AI giúp máy tính nhìn và hiểu nội dung của hình ảnh và video, giống như cách con người làm. Công nghệ này giúp máy móc có thể nhận diện các đối tượng, xác định các mẫu và hiểu rõ những gì chúng đang nhìn thấy.

Giá trị thị trường toàn cầu của computer vision ước tính sẽ tăng lên 175,72 tỷ USD vào năm 2032. Computer vision bao gồm nhiều tác vụ khác nhau cho phép các hệ thống AI thị giác phân tích và giải thích dữ liệu trực quan. Một trong những tác vụ quan trọng và được sử dụng rộng rãi nhất của computer vision là object detection.

Object detection tập trung vào việc định vị và phân loại các đối tượng trong dữ liệu trực quan. Ví dụ, nếu bạn cho máy tính xem hình ảnh của một con bò, nó có thể phát hiện con bò đó và vẽ một bounding box xung quanh nó. Khả năng này rất hữu ích trong các ứng dụng thực tế như giám sát động vật, xe tự lái và hệ thống giám sát.

Vậy, object detection được thực hiện như thế nào? Một cách là thông qua các computer vision model. Ví dụ, Ultralytics YOLO11 là một computer vision model hỗ trợ các tác vụ computer vision như object detection.

Trong hướng dẫn này, chúng ta sẽ khám phá nhận diện đối tượng và cách thức hoạt động của nó. Chúng ta cũng sẽ thảo luận về một số ứng dụng thực tế của nhận diện đối tượng và Ultralytics YOLO11.

Fig 1. Sử dụng khả năng hỗ trợ object detection của YOLO11 để giám sát gia súc.

Phát hiện đối tượng là gì?#

Nhận diện đối tượng là một tác vụ thị giác máy tính giúp xác định và định vị đối tượng trong hình ảnh hoặc video. Nó trả lời hai câu hỏi chính: 'Đối tượng nào có trong ảnh?' và 'Chúng nằm ở đâu?'

Bạn có thể coi nhận diện đối tượng là một quy trình bao gồm hai bước chính. Bước đầu tiên, phân loại đối tượng, cho phép hệ thống nhận biết và gắn nhãn các đối tượng, chẳng hạn như xác định một con mèo, một chiếc xe hơi hoặc một người dựa trên các mô hình đã học. Bước thứ hai, định vị, xác định vị trí đối tượng bằng cách vẽ một khung bao quanh nó, cho biết nơi đối tượng xuất hiện trong ảnh. Cùng nhau, các bước này cho phép máy móc phát hiện và hiểu các đối tượng trong một khung cảnh.

Khía cạnh làm cho object detection trở nên độc đáo là khả năng nhận diện đối tượng và xác định chính xác vị trí của chúng. Các computer vision task khác tập trung vào những mục tiêu khác nhau.

Ví dụ, phân loại hình ảnh (image classification) gán nhãn cho toàn bộ bức ảnh. Trong khi đó, phân đoạn hình ảnh (image segmentation) cung cấp sự hiểu biết ở cấp độ pixel về các thành phần khác nhau. Mặt khác, nhận diện đối tượng kết hợp giữa nhận biết và định vị. Điều này khiến nó đặc biệt hữu ích cho các tác vụ như đếm nhiều đối tượng trong thời gian thực.

Fig 2. So sánh các computer vision task.

Nhận biết đối tượng (object recognition) so với nhận diện đối tượng (object detection)#

Khi tìm hiểu về các thuật ngữ thị giác máy tính, bạn có thể cảm thấy nhận biết đối tượng và nhận diện đối tượng có thể thay thế cho nhau - nhưng chúng phục vụ các mục đích khác nhau. Một cách tuyệt vời để hiểu sự khác biệt là xem xét việc phát hiện khuôn mặt (face detection) và nhận diện khuôn mặt (face recognition).

Phát hiện khuôn mặt là một loại nhận diện đối tượng. Nó xác định sự hiện diện của một khuôn mặt trong ảnh và đánh dấu vị trí của nó bằng một khung bao. Nó trả lời câu hỏi, “Khuôn mặt nằm ở đâu trong ảnh?” Công nghệ này thường được sử dụng trong camera điện thoại thông minh để tự động lấy nét vào khuôn mặt hoặc trong camera an ninh để phát hiện sự hiện diện của con người.

Mặt khác, Face recognition là một dạng của object recognition. Công nghệ này không chỉ phát hiện khuôn mặt; nó xác định đó là khuôn mặt của ai bằng cách phân tích các đặc điểm độc đáo và so sánh chúng với cơ sở dữ liệu. Nó trả lời cho câu hỏi, “Người này là ai?” Đây là công nghệ đằng sau việc mở khóa điện thoại của bạn bằng Face ID hoặc hệ thống an ninh sân bay xác minh danh tính.

Nói một cách đơn giản, nhận diện đối tượng tìm và định vị đối tượng, trong khi nhận biết đối tượng phân loại và xác định chúng là ai.

Hình 3. Nhận diện đối tượng so với nhận biết đối tượng. Ảnh của tác giả.

Nhiều model phát hiện đối tượng, như Ultralytics YOLO11, được thiết kế để hỗ trợ phát hiện khuôn mặt nhưng không hỗ trợ nhận diện khuôn mặt. YOLO11 có thể xác định hiệu quả sự hiện diện của khuôn mặt trong một hình ảnh và vẽ một bounding box xung quanh nó, giúp nó hữu ích cho các ứng dụng như hệ thống giám sát, theo dõi đám đông và gắn thẻ ảnh tự động. Tuy nhiên, nó không thể xác định đó là khuôn mặt của ai. YOLO11 có thể được tích hợp với các model được đào tạo chuyên biệt cho việc nhận diện khuôn mặt, chẳng hạn như Facenet hoặc DeepFace, để kích hoạt cả tính năng phát hiện và nhận diện trong một hệ thống duy nhất.

Tìm hiểu cách thức hoạt động của nhận diện vật thể#

Trước khi thảo luận về cách hoạt động của nhận diện đối tượng, chúng ta hãy xem xét kỹ hơn cách máy tính phân tích một hình ảnh. Thay vì nhìn một bức ảnh như cách chúng ta làm, máy tính chia nó thành một lưới các hình vuông nhỏ gọi là pixel. Mỗi pixel chứa thông tin về màu sắc và độ sáng mà máy tính có thể xử lý để diễn giải dữ liệu thị giác.

Để hiểu rõ các điểm ảnh này, các thuật toán nhóm chúng thành các vùng có ý nghĩa dựa trên hình dạng, màu sắc và mức độ gần nhau giữa chúng. Các model object detection, như Ultralytics YOLO11, có thể nhận diện các mẫu hoặc đặc trưng trong các nhóm điểm ảnh này.

Ví dụ, một chiếc xe tự lái không nhìn thấy người đi bộ theo cách chúng ta nhìn - nó phát hiện các hình dạng và mẫu khớp với các đặc điểm của người đi bộ. Các model này dựa vào việc đào tạo mở rộng với các image dataset được gán nhãn, cho phép chúng học các đặc điểm riêng biệt của các đối tượng như ô tô, biển báo giao thông và con người.

Một model nhận diện đối tượng điển hình có ba phần chính: backbone, neck và head. Backbone trích xuất các đặc điểm quan trọng từ hình ảnh. Neck xử lý và tinh chỉnh các đặc điểm này, trong khi head chịu trách nhiệm dự đoán vị trí đối tượng và phân loại chúng.

Tinh chỉnh các kết quả nhận diện và hiển thị kết quả#

Một khi các phát hiện ban đầu được thực hiện, các kỹ thuật hậu xử lý sẽ được áp dụng để cải thiện accuracy và lọc bỏ các dự đoán trùng lặp. Ví dụ, các bounding box chồng chéo sẽ bị loại bỏ, đảm bảo chỉ giữ lại các phát hiện phù hợp nhất. Ngoài ra, điểm độ tin cậy (các giá trị số thể hiện mức độ chắc chắn của model rằng một đối tượng được phát hiện thuộc về một class nhất định) được gán cho mỗi đối tượng được phát hiện để chỉ ra mức độ chắc chắn của model trong các dự đoán của nó.

Cuối cùng, đầu ra được trình bày với các khung bao quanh các đối tượng được phát hiện, cùng với nhãn lớp dự đoán và điểm tin cậy của chúng. Những kết quả này sau đó có thể được sử dụng cho các ứng dụng thực tế.

Các model nhận diện đối tượng phổ biến#

Ngày nay, có rất nhiều computer vision model sẵn có, và một số model phổ biến nhất là Ultralytics YOLO model. Chúng nổi tiếng với tốc độ, accuracy và tính linh hoạt. Qua nhiều năm, các model này đã trở nên nhanh hơn, chính xác hơn và có khả năng xử lý nhiều loại tác vụ hơn. Sự ra mắt của Ultralytics YOLOv5 đã giúp việc triển khai trở nên dễ dàng hơn với các framework như PyTorch, cho phép nhiều người hơn sử dụng AI thị giác tiên tiến mà không cần chuyên môn kỹ thuật sâu.

Dựa trên nền tảng này, Ultralytics YOLOv8 đã giới thiệu các tính năng mới như instance segmentation, pose estimation và image classification. Giờ đây, YOLO11 đang tiến xa hơn nữa với hiệu suất tốt hơn trên nhiều tác vụ. Với số lượng tham số ít hơn 22% so với YOLOv8m, YOLO11m đạt được mean average precision (mAP) cao hơn trên COCO dataset. Nói một cách đơn giản, YOLO11 có thể nhận diện các đối tượng với độ chính xác cao hơn trong khi sử dụng ít tài nguyên hơn, giúp nó nhanh hơn và đáng tin cậy hơn.

Dù bạn là chuyên gia AI hay mới bắt đầu, Ultralytics YOLO11 cung cấp một giải pháp mạnh mẽ nhưng thân thiện với người dùng cho các ứng dụng computer vision.

Đào tạo tùy chỉnh một model cho nhận diện đối tượng#

Việc đào tạo các model Vision AI bao gồm việc giúp máy tính nhận biết và hiểu hình ảnh và video. Tuy nhiên, việc đào tạo có thể là một quy trình tốn thời gian. Thay vì bắt đầu từ đầu, transfer learning giúp tăng tốc mọi thứ bằng cách sử dụng các model đã được đào tạo trước (pre-trained) vốn đã nhận diện được các mô hình thông thường.

Ví dụ, Ultralytics YOLO11 đã được huấn luyện sẵn trên COCO dataset, chứa một tập hợp đa dạng các đối tượng hàng ngày. Model được huấn luyện trước này có thể được huấn luyện tùy chỉnh thêm để phát hiện các đối tượng cụ thể có thể không có trong tập dữ liệu gốc.

Để custom-train Ultralytics YOLO11, bạn cần một dataset được gán nhãn chứa các hình ảnh của các đối tượng bạn muốn phát hiện. Ví dụ, nếu bạn muốn xây dựng một model để nhận diện các loại trái cây khác nhau trong một cửa hàng tạp hóa, bạn sẽ tạo một dataset với các hình ảnh được gán nhãn của táo, chuối, cam, v.v. Khi dataset đã được chuẩn bị xong, YOLO11 có thể được đào tạo, điều chỉnh các tham số như batch size, learning rate và epochs để tối ưu hóa hiệu suất.

Với phương pháp này, các doanh nghiệp có thể huấn luyện Ultralytics YOLO11 để phát hiện bất cứ thứ gì, từ các bộ phận bị lỗi trong sản xuất đến các loài động vật hoang dã trong các dự án bảo tồn, điều chỉnh model cho phù hợp với nhu cầu chính xác của họ.

Các ứng dụng của nhận diện đối tượng#

Tiếp theo, hãy cùng xem xét một số trường hợp sử dụng thực tế của nhận diện đối tượng và cách nó đang biến đổi các ngành công nghiệp khác nhau.

Phát hiện nguy hiểm cho xe tự lái#

Self-driving car sử dụng các computer vision task như object detection để điều hướng an toàn và tránh các chướng ngại vật. Công nghệ này giúp chúng nhận diện người đi bộ, các phương tiện khác, ổ gà và các mối nguy hiểm trên đường, giúp chúng hiểu rõ hơn về môi trường xung quanh. Chúng có thể đưa ra quyết định nhanh chóng và di chuyển an toàn qua dòng xe cộ bằng cách liên tục phân tích môi trường của mình.

Fig 4. Một ví dụ về việc sử dụng object detection để phát hiện ổ gà với Ultralytics YOLO11.

Phân tích hình ảnh y tế trong chăm sóc sức khỏe#

Các kỹ thuật Medical imaging như chụp X-quang, MRI, chụp cắt lớp vi tính (CT) và siêu âm tạo ra hình ảnh chi tiết về cơ thể con người để giúp chẩn đoán và điều trị bệnh. Các bản chụp này tạo ra lượng dữ liệu lớn mà các bác sĩ, chẳng hạn như bác sĩ X-quang và bác sĩ giải phẫu bệnh, phải cẩn thận phân tích để phát hiện bệnh. Tuy nhiên, việc xem xét chi tiết từng hình ảnh có thể tốn thời gian, và các chuyên gia con người đôi khi có thể bỏ lỡ các chi tiết do mệt mỏi hoặc giới hạn thời gian.

Các object detection model như Ultralytics YOLO11 có thể hỗ trợ bằng cách tự động xác định các đặc điểm chính trong phim chụp y tế, chẳng hạn như cơ quan, khối u hoặc các điểm bất thường, với độ chính xác cao. Các model được huấn luyện tùy chỉnh có thể làm nổi bật các khu vực cần quan tâm bằng bounding box, giúp bác sĩ tập trung vào các vấn đề tiềm ẩn nhanh hơn. Điều này làm giảm khối lượng công việc, cải thiện hiệu quả và cung cấp thông tin chi tiết nhanh chóng.

Fig 5. Phân tích ảnh y tế sử dụng Ultralytics YOLO11.

Tăng cường an ninh với việc phát hiện người và bất thường#

Object tracking là một tác vụ computer vision được hỗ trợ bởi Ultralytics YOLO11, cho phép giám sát theo thời gian thực và nâng cao bảo mật. Nó xây dựng dựa trên object detection bằng cách xác định các đối tượng và liên tục theo dõi chuyển động của chúng qua các khung hình. Công nghệ này được sử dụng rộng rãi trong các hệ thống giám sát để cải thiện an toàn trong nhiều môi trường khác nhau.

Ví dụ, ở các trường học và nhà trẻ, object tracking có thể giúp giám sát trẻ em và ngăn chúng đi lạc. Trong các ứng dụng bảo mật, nó đóng vai trò quan trọng trong việc phát hiện kẻ xâm nhập vào các khu vực hạn chế, theo dõi đám đông để phát hiện tình trạng quá tải hoặc hành vi đáng ngờ, và gửi cảnh báo theo thời gian thực khi phát hiện hoạt động trái phép. Bằng cách theo dõi các đối tượng khi chúng di chuyển, các hệ thống tracking hỗ trợ bởi Ultralytics YOLO11 nâng cao bảo mật, tự động hóa việc giám sát và cho phép phản ứng nhanh hơn đối với các mối đe dọa tiềm ẩn.

Ưu điểm và nhược điểm của nhận diện đối tượng#

Dưới đây là một số lợi ích chính mà nhận diện đối tượng mang lại cho nhiều ngành công nghiệp:

• Tự động hóa: Nhận diện đối tượng có thể giúp giảm nhu cầu giám sát của con người trong các tác vụ như theo dõi hình ảnh CCTV.
• Hoạt động với các model AI khác: Nó có thể được tích hợp với các hệ thống nhận diện khuôn mặt, nhận diện hành động và tracking để cải thiện độ chính xác và chức năng.
• Xử lý theo thời gian thực: Nhiều object detection model, như Ultralytics YOLO11, nhanh và hiệu quả, khiến chúng trở nên lý tưởng cho các ứng dụng thời gian thực yêu cầu kết quả tức thì.

Mặc dù những lợi ích này làm nổi bật tác động của nhận diện đối tượng đối với các trường hợp sử dụng khác nhau, nhưng cũng quan trọng khi xem xét những thách thức trong việc triển khai. Dưới đây là một số thách thức chính:

• Data privacy: Việc sử dụng dữ liệu trực quan, đặc biệt là trong các lĩnh vực nhạy cảm như giám sát hoặc chăm sóc sức khỏe, có thể làm dấy lên các vấn đề về quyền riêng tư và mối quan ngại về bảo mật.

• Occlusion (Bị che khuất): Occlusion trong nhận diện đối tượng xảy ra khi các đối tượng bị che khuất một phần hoặc bị ẩn khỏi tầm nhìn, khiến model khó phát hiện và phân loại chúng một cách chính xác.

• Chi phí tính toán cao: Các model hiệu suất cao thường yêu cầu các GPU (Graphics Processing Units) mạnh mẽ để xử lý, làm cho việc triển khai thời gian thực trở nên đắt đỏ.

Các điểm chính cần lưu ý#

Object detection là một công cụ thay đổi cuộc chơi trong computer vision giúp máy móc phát hiện và định vị đối tượng trong hình ảnh và video. Nó đang được sử dụng trong các lĩnh vực từ xe tự lái đến chăm sóc sức khỏe, làm cho các tác vụ trở nên dễ dàng, an toàn và hiệu quả hơn. Với các model mới hơn như Ultralytics YOLO11, các doanh nghiệp có thể dễ dàng tạo ra các custom object detection model để xây dựng các ứng dụng computer vision chuyên specialized.

Mặc dù có một số thách thức, như lo ngại về quyền riêng tư và các đối tượng bị ẩn khỏi tầm nhìn, nhận diện đối tượng là một công nghệ đáng tin cậy. Khả năng tự động hóa các tác vụ, xử lý dữ liệu hình ảnh trong thời gian thực và tích hợp với các công cụ Vision AI khác khiến nó trở thành một phần thiết yếu của các đổi mới công nghệ tiên tiến.

Để tìm hiểu thêm, hãy truy cập GitHub repository của chúng tôi và tham gia cùng cộng đồng của chúng tôi. Khám phá các đổi mới trong các lĩnh vực như AI trong xe tự lái và computer vision trong nông nghiệp trên các trang giải pháp của chúng tôi. Xem các tùy chọn cấp phép YOLO của chúng tôi và hiện thực hóa các dự án AI thị giác của bạn. 🚀