Lợi ích của việc Ultralytics YOLO11 là detector không cần anchor

Nếu nhìn lại lịch sử các model AI thị giác, khái niệm phát hiện đối tượng — một tác vụ cốt lõi của thị giác máy tính nhằm nhận diện và xác định vị trí đối tượng trong hình ảnh hoặc video — đã xuất hiện từ những năm 1960. Ngày nay, lĩnh vực này quan trọng vì các kỹ thuật phát hiện đối tượng và kiến trúc model đã có những tiến bộ vượt bậc kể từ đó.

Trong bài viết trước, chúng tôi đã thảo luận về quá trình phát triển của phát hiện đối tượng và hành trình dẫn đến các model Ultralytics YOLO. Hôm nay, chúng ta sẽ tập trung tìm hiểu một cột mốc cụ thể hơn trong hành trình này: bước chuyển từ bộ phát hiện dựa trên anchor sang bộ phát hiện không cần anchor.

Các bộ phát hiện dựa trên anchor dựa vào những hộp được xác định trước, gọi là “anchor”, để dự đoán vị trí của đối tượng trong hình ảnh. Ngược lại, bộ phát hiện không dùng anchor bỏ qua các hộp được xác định trước này và dự đoán trực tiếp vị trí đối tượng.

Dù thay đổi này có vẻ đơn giản và hợp lý, trên thực tế, nó đã giúp cải thiện đáng kể độ chính xác và hiệu quả của việc phát hiện đối tượng. Trong bài viết này, chúng ta sẽ tìm hiểu cách các bộ phát hiện không cần anchor đã định hình lại thị giác máy tính thông qua những tiến bộ như Ultralytics YOLO11.

Bộ phát hiện dựa trên anchor là gì?#

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

Mỗi anchor gắn với một đối tượng có thể xuất hiện trong ảnh; trong quá trình huấn luyện, model học cách điều chỉnh các hộp anchor để khớp hơn với vị trí, kích thước và tỷ lệ khung hình của đối tượng. Nhờ đó, model có thể phát hiện đối tượng ở nhiều tỷ lệ và hướng khác nhau. Tuy nhiên, việc chọn tập hợp hộp anchor phù hợp có thể tốn thời gian, còn quá trình tinh chỉnh chúng dễ mắc lỗi.

Hình 1. Hộp anchor là gì?

Dù bộ phát hiện dựa trên anchor như YOLOv4 hoạt động tốt trong nhiều ứng dụng, chúng vẫn có một số hạn chế. Ví dụ, hộp anchor không phải lúc nào cũng khớp 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 quy tắc hơn. Quá trình chọn và tinh chỉnh kích thước hộp anchor cũng có thể tốn thời gian và đòi hỏi nhiều công sức thủ công. Ngoài ra, model dựa trên anchor thường gặp khó khăn khi phát hiện đối tượng bị che khuất hoặc chồng lấp, vì các hộp được xác định trước có thể không thích ứng tốt với những tình huống phức tạp này.

Chuyển sang phát hiện đối tượng không cần anchor#

Các bộ phát hiện không cần anchor bắt đầu thu hút sự chú ý vào năm 2018 với những model như CornerNet và CenterNet. Các model này áp dụng cách tiếp cận mới đối với phát hiện đối tượng bằng cách loại bỏ nhu cầu sử dụng hộp anchor được xác định trước. Khác với các model truyền thống dựa vào hộp anchor có kích thước và hình dạng khác nhau để dự đoán vị trí đối tượng, model không cần anchor dự đoán trực tiếp vị trí của đối tượng. Các model này tập trung vào những điểm hoặc đặc trưng quan trọng của đối tượng, chẳng hạn như tâm, giúp đơn giản hóa quy trình phát hiện và tăng tốc độ cũng như độ chính xác.

Sau đây là cách hoạt động chung của các model không cần anchor:

• Phát hiện keypoint: Thay vì dùng các hộp được xác định trước, một số model xác định những điểm quan trọng trên đối tượng, chẳng hạn như tâm hoặc các góc cụ thể. Những keypoint này giúp model xác định vị trí và kích thước của đối tượng.
• Dự đoán tâm: 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.
• Hồi quy heatmap: Nhiều model không dùng anchor sử dụng heatmap, trong đó mỗi pixel biểu thị một vị trí có thể có của đối tượng. Giá trị heatmap càng cao thì độ tin cậy rằng có đối tượng tại vị trí đó càng lớn.

Hình 2. Phát hiện dựa trên anchor và phát hiện không cần anchor.

Vì model không cần anchor không phụ thuộc vào hộp anchor nên thiết kế đơn giản hơn. Điều này giúp model tiết kiệm tài nguyên tính toán hơn. Do không cần xử lý nhiều hộp anchor, model 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.

Model không dùng anchor cũng xử lý các đối tượng nhỏ, không đều hoặc bị che khuất tốt hơn nhiều. Vì tập trung phát hiện keypoint thay vì cố khớp các hộp anchor, chúng linh hoạt hơn đáng kể. Nhờ đó, model có thể phát hiện đối tượng chính xác trong môi trường lộn xộn hoặc phức tạp, nơi các model dựa trên anchor có thể thất bại.

Ultralytics YOLO11: Bộ phát hiện không cần anchor#

Ban đầu được thiết kế hướng đến tốc độ và hiệu quả, các model YOLO dần chuyển từ phương pháp dựa trên anchor sang phát hiện không cần anchor, giúp những model như Ultralytics YOLO11 nhanh hơn, linh hoạt hơn và phù hợp hơn với nhiều ứng dụng thời gian thực.

Sau đây là tổng quan nhanh về sự phát triển của thiết kế không cần anchor qua các phiên bản YOLO:

• Ultralytics YOLOv5u: Áp dụng head Ultralytics tách nhánh, không dùng anchor, được giới thiệu lần đầu trong YOLOv8, nhờ đó loại bỏ nhu cầu về các hộp anchor được xác định trước. Thay vào đó, model dự đoán trực tiếp vị trí đối tượng trong hình ảnh, giúp đơn giản hóa quy trình và cải thiện tính linh hoạt lẫn tốc độ.
• YOLOv6: Một phương pháp mới có tên Anchor-Aided Training (AAT) được áp dụng, trong đó anchor chỉ được dùng trong quá trình huấn luyện. Nhờ vậy, model tận dụng được cấu trúc của các phương pháp dựa trên anchor khi huấn luyện, đồng thời vẫn dùng phương pháp phát hiện không cần anchor lúc chạy để tăng tốc độ và khả năng thích ứng.
• Ultralytics YOLOv8: Chuyển hoàn toàn sang phát hiện không cần anchor bằng cách sử dụng Anchor-Free Split Ultralytics Head. Nhờ đó, model nhanh và chính xác hơn, đặc biệt với các đối tượng nhỏ hoặc có hình dạng bất thường khó khớp với hộp anchor.
• Ultralytics YOLO11: Duy trì thiết kế không dùng anchor của YOLOv8, đồng thời cải tiến backbone và neck. Nhờ đó, model phát hiện nhanh và chính xác hơn cho 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 phương pháp phát hiện không neo bằng Ultralytics YOLO11 là trong xe tự hành. Ở xe tự lái, việc phát hiện người đi bộ, các phương tiện khác và chướng ngại vật nhanh chóng, chính xác là yếu tố then chốt để đảm bảo an toàn. Phương pháp không neo của YOLO11 đơn giản hóa quá trình phát hiện bằng cách dự đoán trực tiếp các điểm chính của vật thể, chẳng hạn như tâm của người đi bộ hoặc ranh giới của một phương tiện khác, thay vì dựa vào các hộp neo được xác định trước.

Hình 4. Lợi ích của phương pháp phát hiện không neo trong Ultralytics YOLO11 (Ảnh của tác giả).

Ultralytics YOLO11 không cần điều chỉnh hoặc khớp lưới neo với từng vật thể, vốn có thể tốn nhiều tài nguyên tính toán và làm chậm quá trình xử lý. Thay vào đó, model tập trung vào các đặc trưng chính, giúp tăng tốc độ và hiệu quả. Ví dụ, khi người đi bộ bước vào đường di chuyển của xe, YOLO11 có thể nhanh chóng xác định vị trí của họ bằng cách tìm các điểm chính, ngay cả khi người đó bị che khuất một phần hoặc đang di chuyển. Khả năng thích ứng với nhiều hình dạng và kích thước khác nhau mà không cần hộp neo cho phép YOLO11 phát hiện vật thể đáng tin cậy hơn và ở tốc độ cao hơn, điều rất quan trọng để ra quyết định theo thời gian thực trong hệ thống lái xe tự hành.

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

• Bán lẻ và quản lý hàng tồn kho: Ultralytics YOLO11 giúp giám sát sản phẩm trên kệ dễ dàng hơn, ngay cả khi chúng được xếp chồng hoặc bị che khuất một phần. Điều này hỗ trợ theo dõi hàng tồn kho nhanh chóng, chính xác hơn và giảm sai sót.
• Chẩn đoán hình ảnh y tế: YOLO11 cũng phát huy hiệu quả trong lĩnh vực chăm sóc sức khỏe, nơi model có thể phát hiện khối u hoặc các bất thường khác trên ảnh chụp y tế. Khả năng xử lý vật thể có hình dạng không đều giúp tăng 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 rừng rậm hoặc địa hình hiểm trở, 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 dùng để theo dõi cầu thủ, chuyển động của bóng hoặc các yếu tố khác theo thời gian thực trong sự kiện thể thao, cung cấp thông tin hữu ích cho đội bóng, huấn luyện viên và đơn vị phát sóng.

Những điều cần cân nhắc khi làm việc với model không neo#

Mặc dù các model không neo như Ultralytics YOLO11 có nhiều ưu điểm, chúng vẫn có một số hạn chế. Một trong những vấn đề thực tiễn chính cần cân nhắc là ngay cả model không neo cũng có thể gặp khó khăn khi vật thể bị che khuất hoặc chồng lấn nhiều. Nguyên nhân là thị giác máy tính hướng đến việc mô phỏng thị giác con người; cũng như đôi khi chúng ta khó nhận diện vật thể bị che khuất, model AI cũng có thể gặp thách thức tương tự.

Một yếu tố đáng chú ý khác liên quan đến việc xử lý dự đoán của model. Mặc dù kiến trúc của model không dùng anchor đơn giản hơn kiến trúc dựa trên anchor, nhưng trong một số trường hợp vẫn cần tinh chỉnh thêm. Ví dụ, các kỹ thuật hậu xử lý như loại bỏ không cực đại (NMS) có thể cần thiết để loại bỏ các dự đoán chồng lấn hoặc cải thiện độ chính xác trong cảnh đông đúc. Các model mới hơn như Ultralytics YOLO26 bỏ qua bước này nhờ thiết kế end-to-end không cần NMS.

Định hình tương lai của AI với Ultralytics YOLO11#

Sự chuyển dịch từ phát hiện dựa trên neo sang phát hiện không neo là một bước tiến đáng kể trong lĩnh vực phát hiện vật thể. Với các model không neo như Ultralytics YOLO11, quy trình được đơn giản hóa, giúp cải thiện cả độ chính xác lẫn tốc độ.

Thông qua Ultralytics YOLO11, chúng ta đã thấy khả năng vượt trội của phát hiện vật thể không neo trong các ứng dụng thời gian thực như xe tự lái, giám sát video và chẩn đoán hình ảnh y tế, nơi tốc độ và độ chính xác của việc phát hiện là yếu tố thiết yếu. Phương pháp này giúp YOLO11 dễ dàng thích ứng hơn với các kích thước vật thể khác nhau và những cảnh phức tạp, mang lại hiệu suất tốt hơn trong nhiều môi trường.

Khi thị giác máy tính tiếp tục phát triển, việc phát hiện vật thể sẽ ngày càng nhanh, linh hoạt 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 AI thị giác đang tác động đến các lĩnh vực như sản xuất và nông nghiệp.