Lợi ích của Ultralytics YOLO11 khi là detector không anchor

Nếu nhìn lại lịch sử của các model Vision AI, khái niệm phát hiện đối tượng - một tác vụ cốt lõi trong computer vision, bao gồm việc nhận diện và xác định vị trí các đối tượng trong hình ảnh hoặc video - đã xuất hiện từ những năm 1960. Tuy nhiên, lý do then chốt khiến công nghệ này có ý nghĩa quan trọng trong các đổi mới tiên tiến ngày nay là các kỹ thuật phát hiện đối tượng và kiến trúc model đã không ngừng phát triển và được cải thiện nhanh chóng kể từ đó.

Trong một bài viết trước, chúng ta đã thảo luận về quá trình phát triển của việc phát hiện đối tượng và chặng đường dẫn đến các model Ultralytics YOLO. Hôm nay, chúng ta sẽ tập trung khám phá một cột mốc cụ thể hơn trong hành trình này: bước chuyển từ detector dựa trên anchor sang detector không sử dụng anchor.

Các detector dựa trên anchor sử dụng các bounding box được định nghĩa trước, gọi là "anchor", để dự đoán vị trí của đối tượng trong hình ảnh. Ngược lại, detector không sử dụng anchor bỏ qua các bounding box được định nghĩa trước này và thay vào đó dự đoán trực tiếp vị trí đối tượng.

Mặc dù sự chuyển đổi này có vẻ là một thay đổi đơn giản và hợp lý, trên thực tế nó đã mang lại những cải thiện lớn về độ chính xác và hiệu suất của việc phát hiện đối tượng. Trong bài viết này, chúng ta sẽ tìm hiểu cách các detector không sử dụng anchor đã định hình lại computer vision thông qua những tiến bộ như Ultralytics YOLO11.

Detector dựa trên anchor là gì?#

Detector dựa trên anchor sử dụng các bounding box được định nghĩa trước, gọi là anchor, để hỗ trợ xác định vị trí đối tượng trong hình ảnh. Hãy hình dung các anchor này như một lưới gồm các bounding box có kích thước và hình dạng khác nhau được đặt lên hình ảnh. Sau đó, model điều chỉnh các bounding box này để khớp với các đối tượng mà nó phát hiện. Ví dụ, nếu model nhận diện một chiếc xe hơi, nó sẽ điều chỉnh bounding box anchor để khớp chính xác hơn với vị trí và kích thước của xe.

Mỗi anchor gắn với một đối tượng có thể xuất hiện trong hình ảnh, và trong quá trình training, model học cách tinh chỉnh các bounding box anchor để khớp hơn với vị trí, kích thước và tỷ lệ khung hình của đối tượng. Điều này cho phép model phát hiện đối tượng ở nhiều tỷ lệ và hướng khác nhau. Tuy nhiên, việc lựa chọn tập hợp anchor phù hợp có thể tốn thời gian, và quá trình tinh chỉnh chúng dễ phát sinh lỗi.

Hình 1. Bounding box anchor là gì?

Mặc dù các detector dựa trên anchor, chẳng hạn như YOLOv4, hoạt động tốt trong nhiều ứng dụng, chúng vẫn có một số nhược điểm. Ví dụ, bounding box anchor không phải lúc nào cũng căn chỉnh tốt với các đối tượng có hình dạng hoặc kích thước khác nhau, khiến model khó phát hiện các đối tượng nhỏ hoặc có hình dạng bất thường. Quá trình lựa chọn và tinh chỉnh kích thước bounding box anchor cũng có thể tốn thời gian và đòi hỏi nhiều công sức thủ công. Ngoài ra, các model dựa trên anchor thường gặp khó khăn khi phát hiện những đối tượng bị che khuất hoặc chồng lấn, vì các bounding box được định nghĩa trước có thể không thích ứng tốt với những tình huống phức tạp hơn này.

Bước chuyển sang phát hiện đối tượng không sử dụng anchor#

Các detector không sử dụng anchor bắt đầu thu hút sự chú ý vào năm 2018 với những model như CornerNet và CenterNet. Các model này áp dụng một cách tiếp cận mới đối với việc phát hiện đối tượng bằng cách loại bỏ nhu cầu sử dụng bounding box anchor được định nghĩa trước. Không giống các model truyền thống dựa vào những bounding box anchor có kích thước và hình dạng khác nhau để dự đoán vị trí đối tượng, các model không sử dụng anchor dự đoán trực tiếp vị trí của đối tượng. Chúng tập trung vào các điểm then chốt hoặc đặc trưng của đối tượng, chẳng hạn như tâm, giúp đơn giản hóa quy trình phát hiện và làm cho quy trình này nhanh hơn, chính xác hơn.

Dưới đây là cách các model không sử dụng anchor thường hoạt động:

• Phát hiện keypoint: Thay vì sử dụng các bounding box được định nghĩa trước, một số model xác định những điểm quan trọng trên đối tượng, chẳng hạn như tâm hoặc các góc cụ thể. Những điểm then chốt này giúp model xác định vị trí và kích thước của đối tượng.
• Dự đoán tâm prediction: Một số model tập trung dự đoán tâm của đối tượng. Sau khi xác định được tâm, model có thể dự đoán kích thước và vị trí của toàn bộ đối tượng từ đó.
• Hồi quy heatmap: Nhiều model không sử dụng anchor dùng heatmap, trong đó mỗi pixel biểu thị một vị trí có thể có của đối tượng. Giá trị heatmap càng lớn cho thấy độ tin cậy càng cao rằng có đối tượng tại điểm đó.

Hình 2. Phát hiện dựa trên anchor và phát hiện không sử dụng anchor.

Vì các model không sử dụng anchor không phụ thuộc vào bounding box anchor nên chúng có thiết kế đơn giản hơn. Điều này giúp chúng đạt hiệu suất tính toán cao hơn. Do không phải xử lý nhiều bounding box anchor, chúng có thể phát hiện đối tượng nhanh hơn - một lợi thế quan trọng trong các ứng dụng thời gian thực như xe tự hành và giám sát video.

Các model không sử dụng anchor cũng xử lý tốt hơn nhiều với các đối tượng nhỏ, bất thường hoặc bị che khuất. Vì tập trung phát hiện các điểm then chốt thay vì cố gắng khớp bounding box anchor, chúng linh hoạt hơn đáng kể. Điều này cho phép chúng phát hiện đối tượng chính xác trong những môi trường lộn xộn hoặc phức tạp, nơi các model dựa trên anchor có thể thất bại.

Ultralytics YOLO11: Detector không sử dụng anchor#

Được thiết kế ban đầu để đạt tốc độ và hiệu suất cao, các model YOLO đã dần chuyển từ phương pháp dựa trên anchor sang phát hiện không sử dụng anchor, giúp những model như Ultralytics YOLO11 nhanh hơn, linh hoạt hơn và phù hợp hơn với nhiều ứng dụng thời gian thực.

Dưới đây là tóm tắt nhanh về quá trình thiết kế không sử dụng anchor đã phát triển qua các phiên bản YOLO khác nhau:

• Ultralytics YOLOv5u: Giới thiệu Anchor-Free Split Ultralytics Head, loại bỏ nhu cầu sử dụng các bounding box anchor được định nghĩa trước. Thay vào đó, model dự đoán trực tiếp vị trí của đối tượng trong hình ảnh, giúp đơn giản hóa quy trình và cải thiện tính linh hoạt cũng như tốc độ.
• YOLOv6: Sử dụng một phương pháp mới có tên Anchor-Aided Training (AAT), trong đó anchor chỉ được dùng trong quá trình training. Điều này cho phép model tận dụng cấu trúc của các phương pháp dựa trên anchor trong quá trình training, đồng thời vẫn sử dụng phát hiện không cần anchor khi runtime để đạt tốc độ và khả năng thích ứng tốt hơn.
• Ultralytics YOLOv8: Chuyển hoàn toàn sang phát hiện không sử dụng anchor bằng cách dùng Anchor-Free Split Ultralytics Head. Điều này giúp model nhanh và chính xác hơn, đặc biệt với các đối tượng nhỏ hoặc có hình dạng bất thường, không phù hợp với bounding box anchor.
• Ultralytics YOLO11: Phát triển dựa trên phương pháp không sử dụng anchor của YOLOv8, tiếp tục tối ưu việc phát hiện bằng cách loại bỏ hoàn toàn các bounding box anchor. Kết quả là khả năng phát hiện nhanh và chính xác hơn trong các ứng dụng thời gian thực như giám sát hành vi động vật và phân tích bán lẻ.

Hình 3. So sánh Ultralytics YOLOv8 và Ultralytics YOLO11.

Các ứng dụng thực tế của Ultralytics YOLO11#

Một ví dụ điển hình về lợi ích của phát hiện không sử dụng anchor với Ultralytics YOLO11 là xe tự hành. Trong xe tự lái, việc phát hiện nhanh và chính xác người đi bộ, các phương tiện khác và chướng ngại vật là yếu tố then chốt đối với an toàn. Phương pháp không sử dụng anchor của YOLO11 đơn giản hóa quy trình phát hiện bằng cách trực tiếp dự đoán các điểm then chốt của đối tượng, chẳng hạn như tâm của người đi bộ hoặc ranh giới của một phương tiện khác, thay vì phụ thuộc vào các bounding box anchor được định nghĩa trước.

Hình 4. Lợi ích của phát hiện không sử dụng anchor trong Ultralytics YOLO11 (Hình ảnh của tác giả).

Ultralytics YOLO11 không cần điều chỉnh hoặc khớp một lưới anchor với từng đối tượng, vốn có thể tốn nhiều tài nguyên tính toán và thời gian. Thay vào đó, model tập trung vào các đặc trưng then chốt, giúp hoạt động nhanh và hiệu quả hơn. Ví dụ, khi một người đi bộ bước vào lộ trình của phương tiện, YOLO11 có thể nhanh chóng xác định vị trí của người đó bằng cách tìm các điểm then chốt, ngay cả khi người này bị che khuất một phần hoặc đang di chuyển. Khả năng thích ứng với các hình dạng và kích thước khác nhau mà không cần bounding box anchor cho phép YOLO11 phát hiện đối tượng đáng tin cậy hơn và ở tốc độ cao hơn, điều này rất quan trọng đối với việc ra quyết định theo thời gian thực trong các hệ thống xe tự hành.

Các ứng dụng khác mà khả năng không sử dụng anchor của Ultralytics YOLO11 thực sự nổi bật bao gồm:

• Bán lẻ và quản lý hàng tồn kho: Ultralytics YOLO11 giúp dễ dàng giám sát sản phẩm trên kệ, ngay cả khi chúng được xếp chồng hoặc bị che khuất một phần. Điều này hỗ trợ theo dõi hàng tồn kho nhanh và chính xác hơn, đồng thời giảm lỗi.
• Chẩn đoán hình ảnh y khoa: YOLO11 cũng hiệu quả trong lĩnh vực y tế, nơi model có thể phát hiện khối u hoặc các bất thường khác trong ảnh chụp y khoa. Khả năng xử lý các đối tượng có hình dạng bất thường giúp cải thiện độ chính xác khi chẩn đoán các tình trạng phức tạp.
• Giám sát động vật hoang dã: Trong nghiên cứu động vật hoang dã, Ultralytics YOLO11 có thể theo dõi động vật trong những khu rừng rậm hoặc địa hình khắc nghiệt, hỗ trợ các nhà nghiên cứu giám sát hành vi hoặc bảo vệ các loài có nguy cơ tuyệt chủng.
• Phân tích thể thao: Ultralytics YOLO11 có thể được sử dụng để theo dõi cầu thủ, chuyển động của bóng hoặc các yếu tố khác theo thời gian thực trong các sự kiện thể thao, cung cấp thông tin hữu ích cho đội tuyển, huấn luyện viên và đơn vị phát sóng.

Những điều cần cân nhắc khi làm việc với các model không sử dụng anchor#

Mặc dù các model không sử dụng anchor như Ultralytics YOLO11 mang lại nhiều lợi thế, chúng vẫn có một số hạn chế nhất định. Một trong những điểm thực tế chính cần cân nhắc là ngay cả các model không sử dụng anchor cũng có thể gặp khó khăn với các đối tượng bị che khuất hoặc chồng lấn nhiều. Lý do là computer vision hướng đến việc mô phỏng thị giác của con người, và cũng như đôi khi chúng ta gặp khó khăn trong việc nhận diện các đối tượng bị che khuất, các model AI có thể đối mặt với những thách thức tương tự.

Một yếu tố thú vị khác liên quan đến việc xử lý các dự đoán của model. Mặc dù kiến trúc của các model không sử dụng anchor đơn giản hơn kiến trúc dựa trên anchor, trong một số trường hợp vẫn cần thêm bước tinh chỉnh. Ví dụ, các kỹ thuật hậu xử lý như non-maximum suppression (NMS) có thể cần thiết để làm sạch các dự đoán chồng lấn hoặc cải thiện độ chính xác trong những cảnh đông đúc.

Định hướng tương lai của AI với Ultralytics YOLO11#

Sự chuyển đổi từ phát hiện dựa trên anchor sang phát hiện không sử dụng anchor là một bước tiến quan trọng trong việc phát hiện đối tượng. Với các model không sử dụng anchor như Ultralytics YOLO11, quy trình được đơn giản hóa, dẫn đến những cải thiện cả về độ chính xác và tốc độ.

Thông qua Ultralytics YOLO11, chúng ta đã thấy phát hiện đối tượng không sử dụng anchor vượt trội trong các ứng dụng thời gian thực như xe tự lái, giám sát video và chẩn đoán hình ảnh y khoa, nơi việc phát hiện nhanh và chính xác là yếu tố then chốt. Phương pháp này cho phép YOLO11 dễ dàng thích ứng hơn với các đối tượng có kích thước khác nhau và những cảnh phức tạp, mang lại hiệu suất tốt hơn trong nhiều môi trường đa dạng.

Khi computer vision tiếp tục phát triển, việc phát hiện đối tượng sẽ ngày càng nhanh hơn, linh hoạt hơn và hiệu quả hơn.

Khám phá repository GitHub của chúng tôi và tham gia cộng đồng sôi nổi để cập nhật mọi thông tin về AI. Tìm hiểu cách Vision AI đang tạo ảnh hưởng đến các lĩnh vực như sản xuất và nông nghiệp.