Tất cả những điều cần biết về các tác vụ thị giác máy tính

Nhờ camera và những tiến bộ trong trí tuệ nhân tạo (AI), máy tính và máy móc hiện có thể quan sát thế giới theo cách tương tự con người. Ví dụ, chúng có thể nhận diện người, theo dõi đối tượng và thậm chí hiểu được bối cảnh diễn ra trong video.

Cụ thể, thị giác máy tính là nhánh AI giúp máy móc hiểu và diễn giải thông tin hình ảnh từ thế giới xung quanh. Thị giác máy tính bao gồm nhiều tác vụ, mỗi tác vụ được thiết kế để trích xuất một loại thông tin chuyên sâu cụ thể từ hình ảnh hoặc video. Ví dụ, phát hiện đối tượng giúp xác định và định vị các vật thể khác nhau trong ảnh, trong khi những tác vụ khác như theo dõi, phân đoạn và ước lượng tư thế giúp máy móc hiểu chính xác hơn về chuyển động, hình dạng và vị trí.

Tác vụ thị giác máy tính được sử dụng cho một ứng dụng cụ thể tùy thuộc vào loại thông tin chuyên sâu bạn cần. Các model thị giác máy tính như Ultralytics YOLO11 hỗ trợ nhiều tác vụ thị giác máy tính, là lựa chọn đáng tin cậy để xây dựng hệ thống Vision AI trong thực tế.

Trong hướng dẫn này, chúng ta sẽ tìm hiểu kỹ hơn về các tác vụ thị giác máy tính được hỗ trợ bởi những model như YOLO11. Chúng ta sẽ khám phá cách từng tác vụ hoạt động và cách chúng được ứng dụng trong nhiều ngành công nghiệp.

Tác vụ thị giác máy tính là gì?#

Các tác vụ thị giác máy tính hướng đến việc tái tạo năng lực thị giác của con người theo nhiều cách khác nhau. Những tác vụ này có thể giúp máy móc phát hiện đối tượng, theo dõi chuyển động, ước tính tư thế và thậm chí phác họa từng thành phần riêng lẻ trong hình ảnh và video. Thông thường, các tác vụ thị giác máy tính được hỗ trợ bởi những model chia dữ liệu hình ảnh thành các phần nhỏ hơn để diễn giải rõ hơn những gì đang diễn ra.

Các model Vision AI như model Ultralytics YOLO hỗ trợ nhiều tác vụ, chẳng hạn như phát hiện, theo dõi và phân đoạn, trong cùng một framework. Nhờ tính linh hoạt này, các model YOLO11 dễ dàng được ứng dụng trong nhiều trường hợp sử dụng.

Hình 1. Các tác vụ thị giác máy tính được Ultralytics YOLO11 hỗ trợ.

Phân tích thể thao là một ví dụ điển hình. Có thể dùng YOLO11 để phát hiện từng cầu thủ trên sân bằng tác vụ phát hiện đối tượng, sau đó theo dõi họ trong suốt trận đấu bằng tác vụ theo dõi đối tượng. Trong khi đó, các khả năng ước tính tư thế của YOLO11 có thể giúp phân tích chuyển động và kỹ thuật của cầu thủ, còn phân đoạn instance có thể tách từng cầu thủ khỏi hậu cảnh, giúp phân tích chính xác hơn.

Kết hợp lại, các tác vụ thị giác máy tính được hỗ trợ bởi YOLO11 tạo nên bức tranh toàn diện về diễn biến trận đấu, cung cấp cho các đội ngũ thông tin chuyên sâu hơn về hiệu suất cầu thủ, chiến thuật và chiến lược tổng thể.

Tổng quan về các tác vụ thị giác máy tính được Ultralytics YOLO11 hỗ trợ#

Sau khi tìm hiểu các tác vụ thị giác máy tính là gì, hãy cùng xem xét kỹ hơn từng tác vụ được YOLO11 hỗ trợ thông qua các ví dụ thực tế.

Ultralytics YOLO11 hỗ trợ phân loại hình ảnh#

Khi nhìn vào một bức ảnh, hầu hết mọi người có thể dễ dàng nhận biết ảnh có hình một chú chó, ngọn núi hay biển báo giao thông vì chúng ta đều đã học được những vật thể này thường trông như thế nào. Phân loại hình ảnh giúp máy móc thực hiện điều tương tự bằng cách dạy chúng phân loại và gán nhãn hình ảnh dựa trên đối tượng chính — dù đó là "ô tô", "chuối" hay "ảnh X-quang có vết gãy xương". Nhãn này giúp các hệ thống thị giác máy tính hiểu nội dung hình ảnh để phản hồi hoặc đưa ra quyết định phù hợp.

Một ứng dụng thú vị của tác vụ thị giác máy tính này là giám sát động vật hoang dã. Có thể dùng phân loại hình ảnh để xác định các loài động vật khác nhau từ ảnh chụp trong tự nhiên. Bằng cách tự động gán nhãn hình ảnh, các nhà nghiên cứu có thể theo dõi quần thể, giám sát mô hình di cư và dễ dàng xác định các loài có nguy cơ tuyệt chủng để hỗ trợ công tác bảo tồn.

Hình 2. Ví dụ sử dụng YOLO11 để phân loại hình ảnh.

Khả năng phát hiện đối tượng của Ultralytics YOLO11#

Phân loại hình ảnh hữu ích để biết khái quát nội dung của một hình ảnh, nhưng chỉ gán một nhãn cho toàn bộ ảnh. Trong những tình huống cần thông tin chi tiết, chẳng hạn vị trí chính xác và danh tính của nhiều đối tượng, phát hiện đối tượng trở nên thiết yếu.

Phát hiện đối tượng là quá trình xác định và định vị từng đối tượng riêng lẻ trong hình ảnh, thường bằng cách vẽ các bounding box xung quanh chúng. Ultralytics YOLO11 đặc biệt hiệu quả trong phát hiện đối tượng theo thời gian thực, phù hợp với nhiều ứng dụng.

Ví dụ, hãy xem xét các giải pháp thị giác máy tính được sử dụng tại cửa hàng bán lẻ để sắp xếp hàng hóa lên kệ. Phát hiện đối tượng có thể giúp đếm trái cây, rau củ và các mặt hàng khác, đảm bảo kiểm kê chính xác. Trên các cánh đồng nông nghiệp, công nghệ tương tự có thể giám sát độ chín của cây trồng để giúp nông dân xác định thời điểm thu hoạch phù hợp nhất, thậm chí phân biệt nông sản chín và chưa chín.

Hình 3. Phát hiện trái cây bằng Ultralytics YOLO11.

Sử dụng YOLO11 để phân đoạn instance#

Phát hiện đối tượng sử dụng hộp giới hạn để nhận diện và xác định vị trí các đối tượng trong ảnh, nhưng không ghi lại hình dạng chính xác của chúng. Đó là lúc phân đoạn từng đối tượng phát huy tác dụng. Thay vì vẽ một hộp quanh đối tượng, phân đoạn từng đối tượng theo sát đường viền chính xác của đối tượng.

Có thể hình dung như sau: thay vì chỉ ra rằng "có một quả táo ở khu vực này", phương pháp này cẩn thận phác họa và tô kín hình dạng chính xác của quả táo. Quy trình chi tiết này giúp các hệ thống AI hiểu rõ ranh giới của đối tượng, đặc biệt khi các đối tượng ở gần nhau.

Phân đoạn từng đối tượng có thể được áp dụng trong nhiều ứng dụng, từ kiểm tra cơ sở hạ tầng đến khảo sát địa chất. Chẳng hạn, dữ liệu khảo sát địa chất có thể được phân tích bằng YOLO11 để phân đoạn các vết nứt hoặc điểm bất thường trên bề mặt, dù lớn hay nhỏ. Bằng cách vẽ ranh giới chính xác quanh những điểm bất thường này, kỹ sư có thể xác định chính xác vấn đề và xử lý trước khi dự án bắt đầu.

Hình 4. Phân đoạn vết nứt bằng YOLO11.

Theo dõi đối tượng: Bám sát đối tượng qua các khung hình bằng YOLO11#

Cho đến nay, các tác vụ thị giác máy tính mà chúng ta đã tìm hiểu tập trung vào nội dung trong một ảnh đơn lẻ. Tuy nhiên, với video, chúng ta cần những thông tin chi tiết vượt ra ngoài một khung hình. Có thể sử dụng tác vụ theo dõi đối tượng cho mục đích này.

Khả năng theo dõi đối tượng của YOLO11 có thể bám sát một đối tượng cụ thể, chẳng hạn như người hoặc ô tô, khi đối tượng di chuyển qua một loạt khung hình video. Ngay cả khi góc camera thay đổi hoặc có các đối tượng khác xuất hiện, hệ thống vẫn tiếp tục theo dõi cùng một mục tiêu.

Điều này rất quan trọng đối với các ứng dụng cần giám sát theo thời gian, chẳng hạn như theo dõi xe cộ trong giao thông. Trên thực tế, YOLO11 có thể theo dõi chính xác các phương tiện, bám theo từng chiếc xe để giúp ước tính tốc độ của chúng theo thời gian thực. Điều này khiến theo dõi đối tượng trở thành một thành phần then chốt trong các hệ thống như giám sát giao thông.

Hình 5. Khả năng hỗ trợ theo dõi đối tượng của YOLO11 có thể được dùng để ước tính tốc độ.

Phát hiện hộp giới hạn có định hướng (OBB) bằng YOLO11#

Các vật thể trong thế giới thực không phải lúc nào cũng được căn chỉnh hoàn hảo: chúng có thể nghiêng, nằm ngang hoặc ở những góc bất thường. Ví dụ, trong ảnh vệ tinh, tàu thuyền và tòa nhà thường xuất hiện với góc xoay.

Các phương pháp phát hiện đối tượng truyền thống sử dụng hộp chữ nhật cố định, không điều chỉnh theo hướng của đối tượng, khiến việc xác định chính xác các hình dạng xoay này trở nên khó khăn. Phát hiện hộp giới hạn có định hướng (OBB) giải quyết vấn đề này bằng cách sử dụng các hộp xoay khít quanh đối tượng, căn chỉnh theo góc của đối tượng để phát hiện chính xác hơn.

Trong giám sát cảng, khả năng hỗ trợ phát hiện OBB của YOLO11 có thể giúp nhận diện và theo dõi tàu thuyền chính xác bất kể hướng của chúng, đảm bảo mọi tàu ra vào cảng đều được giám sát đúng cách. Khả năng phát hiện chính xác này cung cấp thông tin theo thời gian thực về vị trí và chuyển động của tàu, yếu tố then chốt để quản lý các cảng đông đúc và ngăn ngừa va chạm.

Hình 6. Phát hiện thuyền bằng tính năng phát hiện OBB và YOLO11.

Ước tính tư thế và YOLO11: Theo dõi các điểm đặc trưng#

Ước tính tư thế là kỹ thuật thị giác máy tính theo dõi các điểm đặc trưng, chẳng hạn như khớp, chi hoặc dấu mốc khác, để hiểu cách một đối tượng di chuyển. Thay vì xem toàn bộ đối tượng hoặc cơ thể như một khối thống nhất, phương pháp này chia đối tượng thành các bộ phận chính. Nhờ đó, có thể phân tích chi tiết chuyển động, cử chỉ và tương tác.

Một ứng dụng phổ biến của công nghệ này là ước tính tư thế người. Bằng cách theo dõi vị trí các bộ phận cơ thể khác nhau theo thời gian thực, công nghệ này cung cấp hình ảnh rõ ràng về cách một người đang di chuyển. Thông tin này có thể được sử dụng cho nhiều mục đích, từ nhận diện cử chỉ và giám sát hoạt động đến phân tích hiệu suất thể thao.

Tương tự, trong phục hồi chức năng thể chất, chuyên viên trị liệu có thể sử dụng ước tính tư thế người và YOLO11 để giám sát chuyển động của bệnh nhân khi tập luyện. Điều này giúp đảm bảo mỗi động tác được thực hiện chính xác, đồng thời theo dõi tiến triển theo thời gian.

Hình 7. YOLO11 có thể giám sát buổi tập bằng tính năng ước tính tư thế.

Tìm hiểu cách YOLO11 hỗ trợ nhiều tác vụ thị giác máy tính#

Giờ đây, sau khi đã tìm hiểu chi tiết tất cả các tác vụ thị giác máy tính mà YOLO11 hỗ trợ, hãy cùng xem YOLO11 hỗ trợ các tác vụ đó như thế nào.

YOLO11 không chỉ là một model đơn lẻ — đây là một bộ các biến thể model chuyên biệt, mỗi biến thể được thiết kế cho một tác vụ thị giác máy tính cụ thể. Nhờ vậy, YOLO11 là công cụ linh hoạt có thể thích ứng với nhiều ứng dụng. Bạn cũng có thể tinh chỉnh các model này trên dataset tùy chỉnh để giải quyết những thách thức riêng trong dự án của mình.

Sau đây là các biến thể model YOLO11 được huấn luyện trước cho những tác vụ thị giác cụ thể:

• YOLO11: Model này phát hiện và gán nhãn nhiều đối tượng theo thời gian thực, phù hợp với các ứng dụng nhận dạng hình ảnh tốc độ cao.
• YOLO11-seg: Biến thể này tập trung vào phân đoạn, sử dụng mask chi tiết để tách đối tượng khỏi nền.
• YOLO11-cls: Biến thể này phân loại ảnh bằng cách gán một nhãn danh mục duy nhất dựa trên nội dung tổng thể.
• YOLO11-pose: Model này ước tính các điểm đặc trưng trên cơ thể để theo dõi tư thế, vị trí chi và chuyển động.
• YOLO11-obb: Model này được thiết kế để phát hiện các đối tượng xoay bằng cách vẽ hộp giới hạn căn chỉnh theo hướng của từng đối tượng.

Mỗi phiên bản có nhiều kích thước khác nhau, cho phép người dùng lựa chọn mức cân bằng phù hợp giữa tốc độ và độ chính xác theo nhu cầu cụ thể. Ultralytics YOLO26 mới hơn hỗ trợ cùng các tác vụ đó, đồng thời bổ sung phân đoạn ngữ nghĩa và ước lượng độ sâu.

Điểm chính cần ghi nhớ#

Các tác vụ thị giác máy tính đang thay đổi cách máy móc hiểu và tương tác với thế giới. Bằng cách chia ảnh và video thành các yếu tố chính, những công nghệ này giúp phân tích chi tiết đối tượng, chuyển động và tương tác dễ dàng hơn.

Từ việc cải thiện an toàn giao thông và thành tích thể thao đến tối ưu hóa quy trình công nghiệp, các model như YOLO11 có thể cung cấp thông tin chi tiết theo thời gian thực để thúc đẩy đổi mới. Khi Vision AI tiếp tục phát triển, công nghệ này nhiều khả năng sẽ đóng vai trò ngày càng quan trọng trong cách chúng ta diễn giải và sử dụng dữ liệu hình ảnh hằng ngày.

Tham gia cộng đồng của chúng tôi và truy cập repository GitHub của chúng tôi để xem AI hoạt động thực tế. Khám phá các tùy chọn cấp phép và tìm hiểu thêm về AI trong nông nghiệp cũng như thị giác máy tính trong sản xuất trên các trang giải pháp của chúng tôi.