Các model object detection tốt nhất

Đầu năm nay, Andrew Ng, một người tiên phong trong lĩnh vực AI và machine learning, đã giới thiệu khái niệm phát hiện đối tượng tác tử. Phương pháp này sử dụng một tác tử suy luận để phát hiện đối tượng dựa trên prompt văn bản mà không cần lượng lớn dữ liệu training.

Khả năng xác định đối tượng trong hình ảnh và video mà không cần các dataset được gán nhãn khổng lồ là một bước tiến hướng tới các hệ thống computer vision thông minh và linh hoạt hơn. Tuy nhiên, AI vision tác tử vẫn đang ở giai đoạn đầu.

Mặc dù có thể xử lý các tác vụ tổng quát, chẳng hạn như phát hiện người hoặc biển báo đường phố trong một hình ảnh, các ứng dụng computer vision chính xác hơn vẫn dựa vào các model phát hiện đối tượng truyền thống. Các model này được training trên những dataset lớn, được gán nhãn cẩn thận, để học chính xác cần tìm gì và đối tượng nằm ở đâu.

Hình 1. Ví dụ về phát hiện đối tượng. (Nguồn)

Phát hiện đối tượng truyền thống rất quan trọng vì cung cấp cả khả năng nhận diện, xác định đối tượng là gì, và khả năng định vị, xác định chính xác đối tượng nằm ở đâu trong hình ảnh. Sự kết hợp này cho phép máy móc thực hiện đáng tin cậy các tác vụ phức tạp trong thế giới thực, từ xe tự hành đến tự động hóa công nghiệp và chẩn đoán y tế.

Nhờ những tiến bộ công nghệ, các model phát hiện đối tượng không ngừng được cải thiện, trở nên nhanh hơn, chính xác hơn và phù hợp hơn với môi trường thực tế. Trong bài viết này, chúng ta sẽ tìm hiểu một số model phát hiện đối tượng tốt nhất hiện nay. Hãy bắt đầu!

Nhu cầu phát hiện đối tượng#

Các tác vụ computer vision như phân loại hình ảnh có thể được sử dụng để xác định liệu một hình ảnh có chứa ô tô, người hay đối tượng khác hay không. Tuy nhiên, chúng không thể xác định đối tượng nằm ở đâu trong hình ảnh.

Đây là lúc phát hiện đối tượng phát huy giá trị. Các model phát hiện đối tượng có thể xác định những đối tượng nào xuất hiện và cũng chỉ ra vị trí chính xác của chúng. Quy trình này, được gọi là định vị, cho phép máy móc hiểu cảnh chính xác hơn và phản hồi phù hợp, dù là dừng một chiếc xe tự lái, điều khiển cánh tay robot hay làm nổi bật một khu vực trong ảnh y tế.

Sự phát triển của deep learning đã làm thay đổi lĩnh vực phát hiện đối tượng. Thay vì dựa vào các quy tắc được lập trình thủ công, các model hiện đại học trực tiếp các pattern từ annotation và dữ liệu hình ảnh. Những dataset này dạy model đối tượng trông như thế nào, thường xuất hiện ở đâu và cách xử lý các thách thức như đối tượng nhỏ, cảnh lộn xộn hoặc điều kiện ánh sáng thay đổi.

Trên thực tế, các hệ thống phát hiện đối tượng tiên tiến nhất có thể phát hiện chính xác nhiều đối tượng cùng lúc. Điều này khiến phát hiện đối tượng trở thành công nghệ quan trọng trong các ứng dụng như lái xe tự động, robotics, healthcare và tự động hóa công nghiệp.

Cách các tác vụ phát hiện đối tượng hoạt động#

Đầu vào của một model phát hiện đối tượng là hình ảnh, có thể đến từ camera, một khung hình video hoặc thậm chí ảnh chụp y tế. Hình ảnh đầu vào được xử lý qua một neural network, thường là convolutional neural network (CNN), được training để nhận diện các pattern trong dữ liệu hình ảnh.

Bên trong network, hình ảnh được phân tích theo từng giai đoạn. Dựa trên các đặc trưng phát hiện được, model dự đoán những đối tượng nào xuất hiện và chúng nằm ở đâu.

Các dự đoán này được biểu diễn bằng bounding box, là những hình chữ nhật được vẽ quanh từng đối tượng được phát hiện. Với mỗi bounding box, model gán một nhãn lớp (ví dụ: ô tô, người hoặc chó) và một điểm tin cậy cho biết mức độ chắc chắn của model đối với dự đoán đó (điều này cũng có thể được xem là một xác suất).

Hình 2. Các dự đoán phát hiện đối tượng có thể được trực quan hóa bằng bounding box.

Toàn bộ quy trình phụ thuộc nhiều vào việc trích xuất đặc trưng. Model học cách xác định các pattern hình ảnh hữu ích, chẳng hạn như cạnh, hình dạng, texture và những đặc điểm phân biệt khác. Các pattern này được mã hóa trong feature map, giúp network hiểu hình ảnh ở nhiều mức độ chi tiết.

Phát hiện đối tượng: Hai giai đoạn và một giai đoạn#

Tùy thuộc vào kiến trúc model, các object detector sử dụng những chiến lược khác nhau để định vị đối tượng, cân bằng giữa tốc độ, độ chính xác và độ phức tạp.

Nhiều model phát hiện đối tượng, đặc biệt là các detector hai giai đoạn như Faster R-CNN, tập trung vào những phần cụ thể của hình ảnh được gọi là vùng quan tâm (ROIs). Bằng cách tập trung vào các khu vực này, model ưu tiên những vùng có khả năng chứa đối tượng cao hơn thay vì phân tích mọi pixel như nhau.

Mặt khác, các model một giai đoạn như những model YOLO đời đầu không chọn các ROI cụ thể như model hai giai đoạn. Thay vào đó, chúng chia hình ảnh thành một lưới và sử dụng các box được định nghĩa trước, gọi là anchor box, cùng với feature map để dự đoán đối tượng trên toàn bộ hình ảnh trong một lượt xử lý.

Ngày nay, các model phát hiện đối tượng tiên tiến đang nghiên cứu những phương pháp không dùng anchor. Khác với các model một giai đoạn truyền thống dựa vào anchor box được định nghĩa trước, model không dùng anchor dự đoán trực tiếp vị trí và kích thước đối tượng từ feature map. Điều này có thể đơn giản hóa kiến trúc, giảm overhead tính toán và cải thiện hiệu năng, đặc biệt khi phát hiện các đối tượng có hình dạng và kích thước khác nhau.

Tổng quan về các model phát hiện đối tượng tốt nhất#

Ngày nay có nhiều model phát hiện đối tượng, mỗi model được thiết kế với những mục tiêu cụ thể. Một số được tối ưu cho hiệu năng thời gian thực, trong khi số khác tập trung đạt độ chính xác cao nhất. Việc chọn model phù hợp cho một giải pháp computer vision thường phụ thuộc vào use case cụ thể và yêu cầu hiệu năng của bạn.

Tiếp theo, hãy cùng tìm hiểu một số model phát hiện đối tượng tốt nhất năm 2026.

1. Các model Ultralytics YOLO#

Một trong những họ model phát hiện đối tượng được sử dụng rộng rãi nhất hiện nay là họ model Ultralytics YOLO. YOLO, viết tắt của You Only Look Once, phổ biến trong nhiều ngành vì mang lại hiệu năng phát hiện mạnh mẽ đồng thời nhanh, đáng tin cậy và dễ sử dụng.

Họ Ultralytics YOLO bao gồm Ultralytics YOLOv5, Ultralytics YOLOv8, Ultralytics YOLO11 và Ultralytics YOLO26 sắp ra mắt, cung cấp nhiều lựa chọn cho các yêu cầu khác nhau về hiệu năng và use case. Nhờ thiết kế nhẹ và tối ưu tốc độ, các model Ultralytics YOLO rất phù hợp cho phát hiện thời gian thực và có thể triển khai trên các edge device có năng lực tính toán và bộ nhớ hạn chế.

Hình 3. Sử dụng Ultralytics YOLO11 để phát hiện đối tượng (Nguồn)

Ngoài phát hiện đối tượng cơ bản, các model này còn rất linh hoạt. Chúng cũng hỗ trợ những tác vụ như phân đoạn instance, xác định đường viền đối tượng ở cấp pixel, và ước lượng pose, xác định các keypoint trên người hoặc đối tượng. Tính linh hoạt này khiến các model Ultralytics YOLO trở thành lựa chọn phổ biến cho nhiều ứng dụng, từ nông nghiệp và logistics đến bán lẻ và sản xuất.

Một lý do quan trọng khác khiến các model Ultralytics YOLO phổ biến là Ultralytics Python package, cung cấp interface đơn giản và thân thiện với người dùng để training, fine-tuning và triển khai model. Developer có thể bắt đầu với weight được pre-trained, tùy chỉnh model cho dataset riêng và triển khai chỉ với vài dòng code.

2. RT-DETR và RT-DETRv2#

RT-DETR (Transformer phát hiện thời gian thực) và RT-DETRv2 mới hơn là các model phát hiện đối tượng được xây dựng cho mục đích sử dụng thời gian thực. Khác với nhiều model truyền thống, chúng có thể nhận một hình ảnh và tạo trực tiếp các detection cuối cùng mà không sử dụng non-maximum suppression (NMS).

NMS là một bước loại bỏ các box chồng lấn dư thừa khi model dự đoán cùng một đối tượng nhiều lần. Bỏ qua NMS giúp quy trình phát hiện đơn giản và nhanh hơn.

Các model này kết hợp CNN với transformer. CNN tìm các chi tiết hình ảnh như cạnh và hình dạng, trong khi transformer là một loại neural network có thể quan sát toàn bộ hình ảnh cùng lúc và hiểu mối quan hệ giữa các phần khác nhau. Khả năng hiểu toàn diện này cho phép model phát hiện các đối tượng ở gần nhau hoặc chồng lấn lên nhau.

RT-DETRv2 cải thiện model gốc với các tính năng như phát hiện đa scale, giúp tìm cả đối tượng nhỏ và lớn, cùng khả năng xử lý tốt hơn các cảnh phức tạp. Những thay đổi này duy trì tốc độ của model đồng thời cải thiện độ chính xác.

3. RF-DETR#

RF-DETR là một model dựa trên transformer, hoạt động thời gian thực, được thiết kế để kết hợp độ chính xác của kiến trúc transformer với tốc độ cần thiết cho các ứng dụng thực tế. Tương tự RT-DETR và RT-DETRv2, model này sử dụng transformer để phân tích toàn bộ hình ảnh và CNN để trích xuất các đặc trưng hình ảnh chi tiết như cạnh, hình dạng và texture.

Model dự đoán đối tượng trực tiếp từ hình ảnh đầu vào, bỏ qua anchor box và non-maximum suppression, qua đó đơn giản hóa quy trình phát hiện và duy trì tốc độ inference nhanh. RF-DETR cũng hỗ trợ phân đoạn instance, cho phép xác định đường viền đối tượng ở cấp pixel bên cạnh việc dự đoán bounding box.

4. EfficientDet#

Được phát hành vào cuối năm 2019, EfficientDet là một model phát hiện đối tượng được thiết kế để scaling hiệu quả và đạt hiệu năng cao. Điểm khác biệt của EfficientDet là compound scaling, một phương pháp đồng thời scale độ phân giải đầu vào, độ sâu network và độ rộng network thay vì chỉ điều chỉnh một yếu tố. Phương pháp này giúp model duy trì độ chính xác ổn định dù được scale up cho các tác vụ hiệu năng cao hay scale down để triển khai nhẹ.

Một thành phần quan trọng khác của EfficientDet là feature pyramid network (FPN) hiệu quả, cho phép model phân tích hình ảnh ở nhiều scale. Phân tích đa scale này rất quan trọng để phát hiện các đối tượng có kích thước khác nhau, giúp EfficientDet xác định đáng tin cậy cả đối tượng nhỏ và lớn trong cùng một hình ảnh.

5. PP-YOLOE+#

Được phát hành vào năm 2022, PP-YOLOE+ là một model phát hiện đối tượng theo phong cách YOLO, nghĩa là model phát hiện và phân loại đối tượng trong một lượt xử lý hình ảnh. Phương pháp này giúp model nhanh và phù hợp với các ứng dụng thời gian thực, đồng thời vẫn duy trì độ chính xác cao.

Một trong những cải tiến quan trọng của PP-YOLOE+ là task-aligned learning, giúp điểm tin cậy của model phản ánh mức độ chính xác của việc định vị đối tượng. Điều này đặc biệt hữu ích khi phát hiện các đối tượng nhỏ hoặc chồng lấn.

Hình 4. Phát hiện đối tượng bằng PP-YOLOE+ (Nguồn)

Model cũng sử dụng kiến trúc head tách biệt, phân tách nhiệm vụ dự đoán vị trí đối tượng và nhãn lớp. Điều này cho phép model vẽ bounding box chính xác hơn đồng thời phân loại đối tượng đúng cách.

6. GroundingDINO#

GroundingDINO là một model phát hiện đối tượng dựa trên transformer, kết hợp vision và ngôn ngữ. Thay vì dựa vào một tập danh mục cố định, model cho phép người dùng phát hiện đối tượng bằng prompt văn bản ngôn ngữ tự nhiên.

Bằng cách căn chỉnh các đặc trưng hình ảnh từ một hình ảnh với mô tả văn bản, model có thể định vị đối tượng ngay cả khi những nhãn chính xác đó không có trong dữ liệu training. Điều này có nghĩa là bạn có thể prompt model bằng các mô tả như “một người đội mũ bảo hiểm” hoặc “một chiếc ô tô màu đỏ gần một tòa nhà”, và model sẽ tạo ra các bounding box chính xác quanh những đối tượng phù hợp.

Ngoài ra, nhờ hỗ trợ zero-shot detection, GroundingDINO giảm nhu cầu retrain hoặc fine-tune model cho từng use case mới, khiến model rất linh hoạt trong nhiều ứng dụng. Sự kết hợp giữa khả năng hiểu ngôn ngữ và nhận diện hình ảnh này mở ra những khả năng mới cho các hệ thống AI tương tác và thích ứng.

Các metric phổ biến dùng để đánh giá object detector#

Khi so sánh nhiều model phát hiện đối tượng khác nhau, bạn có thể tự hỏi làm thế nào để biết model nào thực sự hoạt động tốt nhất. Đây là một câu hỏi hợp lý, vì ngoài kiến trúc model và chất lượng dữ liệu, nhiều yếu tố có thể ảnh hưởng đến hiệu năng.

Các nhà nghiên cứu thường dựa vào benchmark dùng chung và metric hiệu năng tiêu chuẩn để đánh giá model nhất quán, so sánh kết quả và hiểu sự đánh đổi giữa tốc độ và độ chính xác. Benchmark tiêu chuẩn đặc biệt quan trọng vì nhiều model phát hiện đối tượng được đánh giá trên cùng các dataset, chẳng hạn như dataset COCO.

Đo lường độ chính xác và tốc độ phát hiện#

Dưới đây là phần tìm hiểu kỹ hơn về một số metric phổ biến dùng để đánh giá các model phát hiện đối tượng:

• Intersection over union (IoU): Metric này đo mức độ bounding box được dự đoán chồng lấn với đối tượng thực tế trong hình ảnh. Nó so sánh box do model vẽ với ground-truth box, tức vị trí đối tượng được gán nhãn trong dataset. IoU được tính bằng diện tích phần giao chia cho diện tích phần hợp của hai box. IoU cao hơn cho thấy model đặt box chính xác hơn, trong khi IoU thấp hơn nghĩa là dự đoán kém chính xác hơn. Nói đơn giản, IoU cho biết mức độ dự đoán của model khớp với vị trí thực của đối tượng.
• Mean average precision (mAP): Đây là metric chính được sử dụng để đánh giá hiệu năng tổng thể của việc phát hiện đối tượng. Metric này xem xét cả số lượng đối tượng model phát hiện chính xác và độ chính xác của các detection đó trên nhiều mức độ tin cậy và danh mục đối tượng khác nhau.
• Frames per second (FPS) và latency: FPS cho biết model có thể xử lý bao nhiêu hình ảnh hoặc khung hình video trong một giây. Ví dụ, model chạy ở 30 FPS có thể xử lý 30 khung hình mỗi giây. FPS cao hơn nghĩa là hệ thống có thể phản hồi nhanh hơn, điều quan trọng trong các use case như video trực tiếp, giám sát giao thông hoặc robotics. Mặt khác, latency đo thời gian model cần để xử lý một hình ảnh hoặc khung hình, từ lúc nhận được đến khi có kết quả.

Ưu và nhược điểm của việc sử dụng thuật toán phát hiện đối tượng#

Dưới đây là một số lợi ích chính của việc sử dụng model phát hiện đối tượng trong các ứng dụng thực tế:

• Mở rộng trên nhiều ngành: Phát hiện đối tượng có thể được áp dụng cho nhiều use case, từ giám sát giao thông và phân tích bán lẻ đến healthcare, nông nghiệp và sản xuất.
• Giảm nỗ lực thủ công: Tự động hóa các tác vụ kiểm tra và giám sát hình ảnh làm giảm nhu cầu giám sát liên tục của con người, đồng thời giúp các team tập trung vào công việc có giá trị cao hơn.
• Tận dụng hệ sinh thái open-source: Các cộng đồng open-source năng động và tài nguyên trên GitHub giúp việc tiếp cận model được pre-trained, thử nghiệm và tùy chỉnh giải pháp trở nên dễ dàng hơn.

Mặc dù có những ưu điểm này, vẫn tồn tại các hạn chế thực tế có thể ảnh hưởng đến hiệu năng của model phát hiện đối tượng. Dưới đây là một số yếu tố quan trọng cần cân nhắc:

• Yêu cầu dữ liệu chất lượng cao: Model phát hiện đối tượng phụ thuộc vào các dataset lớn, được annotation đầy đủ để training. Việc tạo và duy trì dữ liệu này có thể tốn thời gian, chi phí và khó mở rộng.
• Yêu cầu tính toán cao: Các model mang lại độ chính xác phát hiện cao hơn thường cần năng lực xử lý đáng kể, cả trong quá trình training lẫn triển khai thời gian thực. Điều này thường đòi hỏi sử dụng GPU hiệu năng cao, có thể làm tăng chi phí hạ tầng.
• Nhạy cảm với điều kiện thực tế: Những thay đổi về ánh sáng, góc camera, thời tiết và cảnh đông đúc có thể ảnh hưởng đến hiệu năng phát hiện, khiến việc kiểm thử và tuning liên tục trở nên cần thiết.

Những điểm chính#

Model phát hiện đối tượng tốt nhất cho dự án computer vision của bạn phụ thuộc vào use case, thiết lập dữ liệu, yêu cầu hiệu năng và giới hạn phần cứng. Một số model được tối ưu cho tốc độ, trong khi số khác tập trung vào độ chính xác, và hầu hết ứng dụng thực tế đều cần sự cân bằng giữa cả hai. Nhờ các framework open-source và cộng đồng năng động trên GitHub, những model này ngày càng dễ được đánh giá, điều chỉnh và triển khai cho mục đích sử dụng thực tế.

Để tìm hiểu thêm, hãy khám phá repository GitHub của chúng tôi. Tham gia cộng đồng và xem các trang giải pháp của chúng tôi để đọc về những ứng dụng như AI trong healthcare và computer vision trong ngành ô tô. Khám phá các tùy chọn cấp phép để bắt đầu với vision AI ngay hôm nay.