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 rất nhiều công nghệ AI hiện nay, thị giác máy tính 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 thực hiện. Nó cho phép máy móc nhận diện các đối tượng, xác định các mô hình và hiểu được những gì chúng đang nhìn thấy.

Giá trị thị trường thị giác máy tính toàn cầu ước tính sẽ tăng lên 175,72 tỷ USD vào năm 2032. Thị giác máy tính bao gồm nhiều tác vụ khác nhau cho phép các hệ thống vision AI phân tích và diễn giải dữ liệu thị giác. Một trong những tác vụ thiết yếu và được sử dụng rộng rãi nhất của thị giác máy tính là nhận diện đối tượng.

Object detection tập trung vào việc định vị và phân loại đối tượng trong dữ liệu thị giác. Ví dụ, nếu bạn cho máy tính xem ảnh một con bò, nó có thể phát hiện con bò và vẽ một khung bao quanh nó. Khả năng này rất hữu ích trong các ứng dụng thực tế như giám sát vật nuôi, xe tự lái và an ninh.

Vậy, làm thế nào để thực hiện nhận diện đối tượng? Một cách là thông qua các model thị giác máy tính. Ví dụ, Ultralytics YOLO11 là một model thị giác máy tính hỗ trợ các tác vụ như nhận diện đối tượng.

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.

Hình 1. Sử dụng khả năng hỗ trợ nhận diện đối tượng của YOLO11 để giám sát gia súc.

Link to this sectionPhát 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 nhận diện đối tượng trở nên độc đáo là khả năng nhận biết đối tượng và xác định vị trí của chúng một cách chính xác. Các tác vụ thị giác máy tính 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.

Hình 2. So sánh các tác vụ thị giác máy tính.

Link to this sectionNhận 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.

Face recognition mặt khác, là một dạng của nhận biết đối tượng. Nó không chỉ phát hiện khuôn mặt; nó xác định đó là khuôn mặt của ai bằng cách phân tích các đặc điểm độc nhất và so sánh với cơ sở dữ liệu. Nó trả lời câu hỏi, “Đây là ai?” Đây là công nghệ đằng sau việc mở khóa điện thoại bằng Face ID hoặc hệ thống an ninh sân bay dùng để 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 nhận diện đối tượng, như YOLO11, được thiết kế để hỗ trợ phát hiện khuôn mặt nhưng không phải nhận diện khuôn mặt. YOLO11 có thể xác định hiệu quả sự hiện diện của khuôn mặt trong ảnh và vẽ khung bao quanh, hữu ích cho các ứng dụng như hệ thống giám sát, quản lý 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 nhận diện khuôn mặt, như Facenet hoặc DeepFace, để cho phép cả phát hiện và xác định trong cùng một hệ thống.

Link to this sectionTìm 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 được các pixel này, các thuật toán nhóm chúng thành các vùng có ý nghĩa dựa trên hình dạng, màu sắc và mức độ gần gũi giữa chúng. Các model nhận diện đối tượng, như YOLO11, có thể nhận biết các mô hình hoặc đặc điểm trong các nhóm pixel này.

Ví dụ, xe tự lái không nhìn thấy người đi bộ giống như chúng ta - nó phát hiện các hình dạng và mô hình khớp với đặc điểm của một người đi bộ. Các model này dựa vào việc đào tạo sâu rộng với các image datasets có gắn nhãn, cho phép chúng học các đặc điểm đặc trưng của các đối tượng như xe hơi, 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.

Link to this sectionTinh chỉnh các kết quả nhận diện và hiển thị kết quả#

Sau khi có các kết quả nhận diện ban đầu, các kỹ thuật hậu xử lý được áp dụng để cải thiện độ chính xác và lọc bỏ các dự đoán dư thừa. Ví dụ, các khung bao bị chồng chéo sẽ được loại bỏ, đảm bảo chỉ giữ lại các kết quả nhận diện phù hợp nhất. Ngoài ra, điểm tin cậy (giá trị số thể hiện mức độ chắc chắn của model rằng một đối tượng được phát hiện thuộc về một lớp nhất định) được gán cho mỗi đối tượng để chỉ ra sự 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.

Link to this sectionCác model nhận diện đối tượng phổ biến#

Ngày nay, có rất nhiều model thị giác máy tính, và một trong những model phổ biến nhất là Ultralytics YOLO models. Chúng nổi tiếng với tốc độ, độ chính xác và tính linh hoạt. Qua nhiều năm, các model này ngày càng nhanh hơn, chính xác hơn và có khả năng xử lý nhiều tác vụ hơn. Sự ra đời của Ultralytics YOLOv5 giúp việc triển khai trở nên dễ dàng hơn với các framework như PyTorch, cho phép nhiều người sử dụng AI thị giác tiên tiến mà không cần kiến thức kỹ thuật chuyên sâu.

Dựa trên nền tảng đó, Ultralytics YOLOv8 giới thiệu các tính năng mới như instance segmentation, pose estimation và phân loại hình ảnh. Hiện tại, YOLO11 đang tiến xa hơn với hiệu suất tốt hơn trong nhiều tác vụ. Với số lượng tham số ít hơn 22% so với YOLOv8m, YOLO11m đạt được mAP cao hơn trên tập dữ liệu COCO. Nói một cách đơn giản, YOLO11 có thể nhận diện đối tượng với độ chính xác cao hơn trong khi sử dụng ít tài nguyên hơn, khiến nó nhanh hơn và đáng tin cậy hơn.

Cho dù bạn là chuyên gia AI hay người mới bắt đầu, YOLO11 cung cấp một giải pháp mạnh mẽ nhưng thân thiện với người dùng cho các ứng dụng thị giác máy tính.

Link to this sectionĐào 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, YOLO11 đã được đào tạo trên COCO dataset, chứa tập hợp đa dạng các đối tượng hàng ngày. Model pre-trained này có thể được tiếp tục đào tạo tùy chỉnh để nhận diện các đối tượng cụ thể có thể không có trong tập dữ liệu gốc.

Để custom-train YOLO11, bạn cần một tập dữ liệu đã gắn nhãn chứa hình ảnh của các đối tượng bạn muốn phát hiện. Ví dụ, nếu bạn muốn xây dựng một model để xác định các loại trái cây khác nhau trong cửa hàng tạp hóa, bạn sẽ tạo một tập dữ liệu với các hình ảnh được gắn nhãn của táo, chuối, cam, v.v. Khi tập dữ liệu đã sẵn sàng, 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 đào tạo 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 phù hợp với nhu cầu chính xác của họ.

Link to this sectionCác 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.

Link to this sectionPhát hiện nguy hiểm cho xe tự lái#

Self-driving cars sử dụng các tác vụ thị giác máy tính như nhận diện đối tượng để di chuyển an toàn và tránh chướng ngại vật. Công nghệ này giúp chúng nhận biết người đi bộ, các phương tiện khác, ổ gà và các 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 giao thông bằng cách liên tục phân tích môi trường xung quanh.

Fig 4. Một ví dụ về việc sử dụng nhận diện đối tượng để phát hiện ổ gà với YOLO11.

Link to this sectionPhân tích hình ảnh y tế trong chăm sóc sức khỏe#

Medical imaging như X-quang, MRI, CT và siêu âm tạo ra những hình ảnh chi tiết về cơ thể con người để giúp chẩn đoán và điều trị bệnh tật. Các bản quét này tạo ra lượng dữ liệu khổng lồ mà các bác sĩ, như bác sĩ chẩn đoán hình ảnh và bác sĩ giải phẫu bệnh, phải phân tích cẩn thận để phát hiện bệnh. Tuy nhiên, việc xem xét kỹ lưỡng từng hình ảnh có thể tốn thời gian và các chuyên gia có thể bỏ sót chi tiết do mệt mỏi hoặc hạn chế về thời gian.

Các model nhận diện đối tượng như YOLO11 có thể hỗ trợ bằng cách tự động xác định các đặc điểm quan trọng trong bản quét y tế, như nội tạng, khối u hoặc bất thường với độ chính xác cao. Các model được đào tạo tùy chỉnh có thể làm nổi bật các khu vực cần quan tâm bằng khung bao, giúp bác sĩ tập trung vào các vấn đề tiềm ẩn nhanh hơn. Điều này giảm khối lượng công việc, cải thiện hiệu quả và cung cấp thông tin nhanh chóng.

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

Link to this sectionTăng cường an ninh với việc phát hiện người và bất thường#

Object tracking là một tác vụ thị giác máy tính được YOLO11 hỗ trợ, cho phép giám sát thời gian thực và tăng cường an ninh. Nó xây dựng dựa trên nhận diện đối tượng 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, tại trường học và nhà trẻ, object tracking có thể giúp giám sát trẻ em và ngăn chúng đi lạc. Trong các ứng dụng an ninh, nó đóng vai trò quan trọng trong việc phát hiện kẻ xâm nhập vào các khu vực hạn chế, giám sát đám đông để phát hiện tình trạng quá tải hoặc hành vi đáng ngờ và gửi cảnh báo 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 do YOLO11 hỗ trợ giúp tăng cường an ninh, tự động hóa việc giám sát và cho phép phản ứng nhanh hơn với các mối đe dọa tiềm ẩn.

Link to this sectionƯu 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 thời gian thực: Nhiều model nhận diện đối tượng, như YOLO11, rất nhanh và hiệu quả, khiến chúng trở nên lý tưởng cho các ứng dụng thời gian thực đòi hỏi 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 hình ảnh, 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 lo 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.

Link to this sectionCác điểm chính cần lưu ý#

Nhận diện đối tượng là một công cụ mang tính đột phá trong thị giác máy tính, giúp máy móc phát hiện và định vị các 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, giúp các tác vụ trở nên dễ dàng hơn, an toàn hơn và hiệu quả hơn. Với các model mới hơn như YOLO11, doanh nghiệp có thể dễ dàng tạo ra các model nhận diện đối tượng tùy chỉnh để xây dựng các ứng dụng thị giác máy tính chuyên biệt.

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 thị giác máy tính 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 Vision AI của bạn. 🚀