Lợi ích của việc Ultralytics YOLO11 là một trình phát hiện không cần neo

Nếu nhìn lại history of Vision AI models, khái niệm phát hiện đối tượng - một tác vụ thị giác máy tính cốt lõi bao gồm việc nhận diện và định vị các đối tượng trong hình ảnh hoặc video - đã có từ những năm 1960. Tuy nhiên, lý do chính khiến nó mang ý nghĩa quan trọng trong các đổi mới tiên tiến ngày nay là vì các kỹ thuật phát hiện đối tượng và kiến trúc model đã tiến bộ và cải thiện nhanh chóng kể từ đó.

Trong một bài viết trước, chúng ta đã thảo luận về evolution of object detection và con đường dẫn đến các model Ultralytics YOLO. Hôm nay, chúng ta sẽ tập trung khám phá một mốc quan trọng cụ thể hơn trong hành trình này: bước chuyển từ các bộ phát hiện dựa trên anchor sang các bộ phát hiện không có anchor (anchor-free).

Các bộ phát hiện dựa trên anchor phụ thuộc vào các hộp định sẵn, được gọi là "anchor", để dự đoán vị trí các đối tượng trong hình ảnh. Ngược lại, anchor-free detectors bỏ qua các hộp định sẵn này và thay vào đó dự đoán trực tiếp vị trí đối tượng.

Mặc dù sự thay đổi này có vẻ như là một bước chuyển đơn giản, hợp lý, nhưng nó thực sự đã mang lại những cải tiến lớn về độ chính xác và hiệu suất phát hiện đối tượng. Trong bài viết này, chúng ta sẽ tìm hiểu cách các bộ phát hiện anchor-free đã định hình lại thị giác máy tính thông qua các tiến bộ như Ultralytics YOLO11.

Các bộ dò dựa trên anchor là gì?#

Anchor-based detectors sử dụng các hộp định sẵn, được gọi là anchor, để giúp định vị các đối tượng trong hình ảnh. Hãy hình dung các anchor này giống như một lưới các hộp có kích thước và hình dạng khác nhau được đặt lên trên hình ảnh. Sau đó, model sẽ điều chỉnh các hộp này để khớp với các đối tượng mà nó phát hiện được. Ví dụ, nếu model nhận diện một chiếc ô tô, nó sẽ chỉnh sửa hộp anchor để khớp với vị trí và kích thước của ô tô một cách chính xác hơn.

Mỗi anchor được liên kết với một đối tượng tiềm năng trong hình ảnh, và trong quá trình training, model học cách tinh chỉnh các hộp anchor để khớp hơn với vị trí, kích thước và tỉ lệ khung hình của đối tượng. Điều này cho phép model detect objects ở các tỷ lệ và hướng khác nhau. Tuy nhiên, việc lựa chọn tập hợp các hộp anchor phù hợp có thể tốn thời gian, và quá trình tinh chỉnh chúng có thể dễ xảy ra lỗi.

Fig 1. Hộp Anchor là gì?

Mặc dù các bộ phát hiện dựa trên anchor, như YOLOv4, đã hoạt động tốt trong nhiều ứng dụng, chúng vẫn có một số nhược điểm. Ví dụ, các hộp anchor không phải lúc nào cũng khớp tốt với các đối tượng có hình dạng hoặc kích thước khác nhau, khiến cho model khó phát hiện các đối tượng nhỏ hoặc có hình dạng bất thường hơn. Quá trình lựa chọn và tinh chỉnh kích thước hộp anchor cũng có thể tốn thời gian và đòi hỏi nhiều nỗ lực thủ công. Bên cạnh đó, các model dựa trên anchor thường gặp khó khăn trong việc phát hiện các đối tượng bị che khuất hoặc chồng chéo, vì các hộp định sẵn có thể không thích ứng tốt với các kịch bản phức tạp này.

Sự chuyển dịch sang phát hiện đối tượng không sử dụng anchor#

Các bộ dò không sử dụng anchor bắt đầu thu hút sự chú ý vào năm 2018 với các mô hình như CornerNet và CenterNet, những mô hình đã có cách tiếp cận mới đối với việc phát hiện đối tượng bằng cách loại bỏ nhu cầu về các khung anchor được xác định trước. Không giống như các mô hình truyền thống dựa vào các anchor box với kích thước và hình dạng khác nhau để dự đoán vị trí đối tượng, các mô hình không sử dụng anchor dự đoán trực tiếp vị trí của đối tượng. Chúng tập trung vào các điểm chính hoặc đặc điểm của đối tượng, như tâm điểm, giúp đơn giản hóa quá trình phát hiện và làm cho nó nhanh hơn và chính xác hơn.

Đây là cách các mô hình không sử dụng anchor thường hoạt động:

• Keypoint detection: Thay vì sử dụng các hộp định sẵn, một số model xác định các điểm quan trọng trên một đối tượng, chẳng hạn như tâm hoặc các góc cụ thể. Những điểm chính này giúp model xác định vị trí và kích thước của đối tượng.
• Center prediction: Một số model tập trung vào việc dự đoán tâm của một đối tượng. Khi đã xác định được tâm, model có thể dự đoán kích thước và vị trí của toàn bộ đối tượng từ đó.
• Heatmap regression: Nhiều model anchor-free sử dụng heatmaps, trong đó mỗi pixel đại diện cho một vị trí tiềm năng của đối tượng. Giá trị heatmap càng mạnh cho thấy độ tin cậy càng cao rằng một đối tượng hiện diện tại điểm đó.

Fig 2. Phát hiện dựa trên Anchor so với Phát hiện Anchor-Free.

Vì các mô hình không sử dụng anchor không dựa vào các khung anchor, chúng có thiết kế đơn giản hơn. Điều này có nghĩa là chúng hiệu quả hơn về mặt tính toán. Vì không phải xử lý nhiều khung anchor, chúng có thể phát hiện đối tượng nhanh hơn - một lợi thế quan trọng trong các ứng dụng thời gian thực như lái xe tự động và giám sát video.

Các model anchor-free cũng xử lý tốt hơn nhiều đối với các đối tượng nhỏ, bất thường hoặc bị che khuất. Do chúng tập trung vào việc phát hiện các điểm chính thay vì cố gắng khớp các hộp anchor, nên chúng linh hoạt hơn rất nhiều. Điều này cho phép chúng phát hiện các đối tượng một cách accurately trong các môi trường lộn xộn hoặc phức tạp nơi các model dựa trên anchor có thể thất bại.

Ultralytics YOLO11: Bộ dò không sử dụng anchor#

Ban đầu được thiết kế cho tốc độ và hiệu suất, các model YOLO đã dần chuyển dịch từ phương pháp dựa trên anchor sang phát hiện không có anchor (anchor-free), giúp các model như Ultralytics YOLO11 trở nên nhanh hơn, linh hoạt hơn và phù hợp hơn cho nhiều ứng dụng thời gian thực.

Dưới đây là cái nhìn nhanh về cách 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 hộp anchor định sẵn. Thay vào đó, model dự đoán trực tiếp vị trí các đối tượng trong hình ảnh, đơn giản hóa quy trình đồng thời cải thiện tính linh hoạt và tốc độ.
• YOLOv6: Một phương pháp mới gọi là Anchor-Aided Training (AAT) đã được sử dụng, trong đó các anchor chỉ được dùng trong quá trình training. Điều này cho phép model hưởng lợi từ cấu trúc của các phương pháp dựa trên anchor trong quá trình training, đồng thời vẫn sử dụng phát hiện anchor-free khi chạy (runtime) để đạt tốc độ và khả năng thích ứng tốt hơn.
• Ultralytics YOLOv8: Chuyển đổi hoàn toàn sang phát hiện anchor-free bằng cách sử dụng Anchor-Free Split Ultralytics Head. Điều này giúp model nhanh hơn và chính xác hơn, đặc biệt đối với các đối tượng nhỏ hoặc có hình dạng kỳ lạ không khớp tốt với các hộp anchor.
• Ultralytics YOLO11: Dựa trên cách tiếp cận anchor-free của YOLOv8, tối ưu hóa quá trình phát hiện hơn nữa bằng cách loại bỏ hoàn toàn các hộp anchor. Điều này mang lại tốc độ phát hiện nhanh hơn, chính xác hơn cho các ứng dụng thời gian thực như animal behavior monitoring 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 tuyệt vời về lợi ích của việc phát hiện không mỏ neo sử dụng Ultralytics YOLO11 là trong autonomous vehicles. Trong xe tự hành, việc phát hiện người đi bộ, các phương tiện khác và vật cản một cách nhanh chóng và chính xác là điều cốt yếu cho sự an toàn. Tiếp cận không mỏ neo của YOLO11 đơn giản hóa quá trình phát hiện bằng cách dự đoán trực tiếp các điểm trọng yếu của đối tượng, như tâm của người đi bộ hoặc ranh giới của phương tiện khác, thay vì phụ thuộc vào các hộp mỏ neo được định nghĩa trước.

Hình 4. Lợi ích của phát hiện không có anchor trong Ultralytics YOLO11 (Hình ảnh bởi Tác giả).

Ultralytics YOLO11 không cần phải điều chỉnh hoặc khớp một lưới mỏ neo cho từng đối tượng, điều này có thể tốn kém tài nguyên tính toán và chậm chạp. Thay vào đó, nó tập trung vào các đặc trưng quan trọng, giúp nhanh hơn và hiệu quả hơn. Ví dụ, khi một người đi bộ bước vào quỹ đạo của xe, YOLO11 có thể nhanh chóng nhận diện vị trí của họ bằng cách định vị các điểm trọng yếu, ngay cả khi người đó 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 các hộp mỏ neo cho phép YOLO11 phát hiện đối tượng đáng tin cậy hơn và ở tốc độ cao hơn, điều tối quan trọng cho việc ra quyết định thời gian thực trong các hệ thống lái tự động.

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

• Retail and inventory management: Ultralytics YOLO11 giúp việc giám sát sản phẩm trên kệ trở nên dễ dàng hơn, ngay cả khi chúng chồng lên nhau hoặc bị che khuất một phần. Điều này hỗ trợ theo dõi kho hàng nhanh hơn, chính xác hơn và giảm thiểu sai sót.
• Medical imaging: YOLO11 cũng hiệu quả trong chăm sóc sức khỏe, nơi nó có thể phát hiện khối u hoặc các bất thường khác trong quét y tế. Khả năng làm việc với các đối tượng có hình dạng bất thường giúp cải thiện độ chính xác trong việc chẩn đoán các tình trạng phức tạp.
• Wildlife monitoring: Trong nghiên cứu động vật hoang dã, Ultralytics YOLO11 có thể theo dõi động vật trong các khu rừng rậm hoặc địa hình hiểm trở, giúp các nhà nghiên cứu giám sát hành vi hoặc bảo vệ các loài có nguy cơ tuyệt chủng.
• Sports analytics: 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 nhằm cung cấp những thông tin chi tiết có giá trị cho các đội bóng, huấn luyện viên và nhà phát sóng.

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

Mặc dù các model không có anchor (anchor-free) như Ultralytics YOLO11 mang lại nhiều ưu điểm, chúng vẫn có những hạn chế nhất định. Một trong những cân nhắc thực tế chính là ngay cả các model không có anchor vẫn có thể gặp khó khăn với các hiện tượng bị che khuất hoặc các đối tượng chồng chéo cao độ. Lý do đằng sau điều này là thị giác máy tính nhằm mục đích tái tạo thị giác con người, và cũng giống như chúng ta đôi khi gặp khó khăn trong việc nhận diện các đối tượng bị che khuất, các model AI cũng có thể gặp phải 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 anchor-free đơn giản hơn so với model dựa trên anchor, việc tinh chỉnh bổ sung vẫn trở nên cần thiết trong một số trường hợp nhất định. Ví dụ, các kỹ thuật hậu xử lý như non-maximum suppression (NMS) có thể được yêu cầu để làm sạch các dự đoán chồng chéo hoặc cải thiện độ chính xác trong các cảnh đông đúc.

Vững bước vào tương lai của AI với Ultralytics YOLO11#

Sự chuyển dịch từ phát hiện dựa trên anchor sang phát hiện không có anchor là một bước tiến đáng kể trong lĩnh vực phát hiện đối tượng. Với các model không có anchor như Ultralytics YOLO11, quy trình được đơn giản hóa, dẫn đến những cải thiện về cả độ chính xác lẫn tốc độ.

Thông qua Ultralytics YOLO11, chúng tôi đã thấy cách việc phát hiện đối tượng không mỏ neo vượt trội trong các ứng dụng thời gian thực như xe tự hành, giám sát video và chẩn đoán hình ảnh y tế, nơi việc phát hiện nhanh và chính xác là cốt yếu. Tiếp cận này giúp YOLO11 thích ứng dễ dàng hơn với các kích thước đối tượng thay đổi và các cảnh phức tạp, mang lại hiệu suất tốt hơn trên các môi trường đa dạng.

Khi thị giác máy tính tiếp tục phát triển, việc phát hiện đối tượng sẽ chỉ trở nên nhanh hơn, linh hoạt hơn và hiệu quả hơn.

Khám phá GitHub repository của chúng tôi và tham gia our engaging community để cập nhật mọi thông tin về AI. Xem cách thị giác máy tính đang tác động đến các lĩnh vực như manufacturing và agriculture.