Khám phá object detection vật thể nhỏ với Ultralytics YOLO11

Drone tích hợp AI thị giác có thể bay cao hàng trăm mét so với mặt đất nhưng vẫn được kỳ vọng phát hiện một người chỉ xuất hiện dưới dạng vài pixel trong luồng video. Trên thực tế, đây là thách thức phổ biến trong các ứng dụng như robotics, giám sát và viễn thám, nơi hệ thống phải nhận diện những vật thể rất nhỏ trong ảnh.

Tuy nhiên, các model phát hiện vật thể truyền thống có thể gặp khó khăn khi thực hiện việc này. Các vật thể nhỏ trong ảnh và video chứa rất ít thông tin trực quan. Nói đơn giản, khi model quan sát chúng, không có nhiều chi tiết để học hoặc nhận diện.

Về bản chất, các model này thường dựa trên kiến trúc sử dụng mạng nơ-ron tích chập (CNN). Ảnh được truyền qua các lớp của mạng và chuyển đổi thành các feature map hoặc biểu diễn đơn giản hóa, làm nổi bật các mẫu liên quan thay vì các pixel thô.

Khi ảnh đi sâu hơn qua mạng, các feature map này trở nên nhỏ hơn. Điều đó giúp tăng tốc tính toán, nhưng cũng có nghĩa là các chi tiết tinh vi có thể biến mất.

Đối với các vật thể rất nhỏ, những chi tiết đó là yếu tố then chốt. Khi chúng biến mất, model thị giác máy tính có thể gặp khó khăn trong việc phát hiện vật thể, dẫn đến các bounding box kém chính xác hoặc không nhất quán.

Các hệ thống thị giác máy tính end-to-end theo thời gian thực khiến vấn đề này càng phức tạp. Ảnh độ phân giải cao giúp bảo toàn chi tiết nhưng làm chậm quá trình inference và cần nhiều GPU hơn. Độ phân giải thấp chạy nhanh hơn, nhưng các vật thể nhỏ lại càng khó phát hiện.

Đây trở thành bài toán cân bằng liên tục giữa tốc độ, độ chính xác và giới hạn phần cứng. Nhờ những tiến bộ công nghệ gần đây, các model thị giác máy tính như Ultralytics YOLO11 và Ultralytics YOLO26 sắp ra mắt được thiết kế để xử lý sự đánh đổi này hiệu quả hơn.

Hình 1. Sử dụng YOLO11 để phát hiện các vật thể nhỏ trong ảnh chụp từ trên không (Nguồn)

Trong bài viết này, chúng ta sẽ tìm hiểu vì sao việc phát hiện vật thể nhỏ lại khó và cách Ultralytics YOLO11 có thể giúp đơn giản hóa công việc này. Hãy bắt đầu!

Phát hiện vật thể nhỏ là gì và tại sao nó quan trọng?#

Phát hiện vật thể nhỏ là một tác vụ trong thị giác máy tính, một nhánh của AI, tập trung vào việc nhận diện và xác định vị trí các vật thể chiếm một phần rất nhỏ trong ảnh. Các vật thể này thường chỉ được biểu diễn bằng một số lượng pixel hạn chế, là những đơn vị nhỏ nhất của ảnh kỹ thuật số. Vì vậy, chúng khó phát hiện hơn các mục tiêu lớn và rõ ràng hơn (thường chứa nhiều pixel hơn).

Ví dụ, phương tiện trong ảnh chụp từ trên không, dụng cụ trên sàn nhà máy hoặc con người được ghi lại bởi camera giám sát góc rộng đều có thể xuất hiện dưới dạng các vật thể nhỏ trong ảnh. Việc phát hiện chúng rất quan trọng vì chúng thường chứa thông tin then chốt, đồng thời nhiều ứng dụng thực tế như giám sát phụ thuộc vào kết quả phát hiện này để hoạt động chính xác.

Khi bỏ sót các vật thể nhỏ, hiệu suất hệ thống và quá trình ra quyết định có thể bị ảnh hưởng. Giám sát phương tiện bay không người lái (UAV) là một ví dụ điển hình: bỏ sót một vật thể nhỏ đang di chuyển trên mặt đất có thể ảnh hưởng đến độ chính xác của việc điều hướng hoặc tracking.

Các thách thức liên quan đến việc phát hiện vật thể nhỏ#

Các hệ thống trước đây sử dụng feature được thiết kế thủ công và những phương pháp thị giác máy tính truyền thống, vốn gặp khó khăn trong các cảnh đông đúc hoặc đa dạng. Ngay cả hiện nay, khi các model deep learning đã hoạt động tốt hơn nhiều, việc phát hiện các mục tiêu nhỏ vẫn khó nếu chúng chỉ chiếm một phần rất nhỏ của ảnh.

Tiếp theo, hãy cùng xem xét một số thách thức phổ biến xuất hiện trong nhiều tình huống thực tế khác nhau khi phát hiện vật thể nhỏ.

Kích thước, pixel và mất mát thông tin#

Các vật thể nhỏ chứa rất ít pixel, làm hạn chế lượng chi tiết trực quan mà model có thể học trong những giai đoạn như trích xuất feature. Do đó, các mẫu như cạnh, hình dạng và texture khó được phát hiện hơn, khiến vật thể nhỏ dễ hòa vào nền hơn.

Khi ảnh đi qua các lớp tích chập của mạng nơ-ron, thông tin trực quan trong các pixel dần được nén thành các feature map. Điều này giúp model duy trì hiệu quả, nhưng cũng khiến các chi tiết tinh vi mờ dần.

Hình 2. Các feature map biểu diễn những mẫu trực quan trong một ảnh (Nguồn)

Đối với các mục tiêu nhỏ, những tín hiệu quan trọng có thể biến mất trước khi mạng phát hiện có cơ hội xử lý. Khi đó, việc xác định vị trí trở nên kém tin cậy hơn, còn bounding box có thể bị lệch, chồng lấp hoặc hoàn toàn bỏ sót các vật thể mục tiêu.

Che khuất, biến thiên tỷ lệ và ngữ cảnh#

Các thách thức liên quan đến kích thước cũng thường xuất phát từ hiện tượng che khuất. Che khuất xảy ra khi các vật thể, đặc biệt là vật thể nhỏ, bị những vật thể khác trong cảnh che một phần.

Điều này làm giảm vùng hiển thị của mục tiêu, từ đó hạn chế thông tin mà detector có thể sử dụng. Ngay cả một phần che khuất nhỏ cũng có thể khiến các mạng phát hiện bị nhầm lẫn, đặc biệt khi kết hợp với input độ phân giải thấp. Một ví dụ thú vị có thể thấy trong các dataset UAV như VisDrone, nơi người đi bộ, xe đạp hoặc phương tiện có thể bị các tòa nhà, cây cối hoặc vật thể chuyển động khác che khuất một phần.

Hình 3. Ví dụ từ dataset VisDrone cho thấy các vật thể nhỏ (Nguồn)

Tương tự, biến thiên tỷ lệ tạo thêm một lớp khó khăn khi cùng một vật thể có thể xuất hiện rất nhỏ hoặc tương đối lớn tùy thuộc vào khoảng cách và vị trí camera. Bất chấp những trở ngại này, các thuật toán phát hiện phải nhận diện những vật thể nhỏ ở nhiều tỷ lệ khác nhau mà không làm giảm độ chính xác.

Ngữ cảnh cũng đóng vai trò quan trọng trong việc phát hiện. Chẳng hạn, các vật thể lớn thường xuất hiện cùng môi trường xung quanh rõ ràng, cung cấp những tín hiệu trực quan hữu ích. Ngược lại, các mục tiêu nhỏ thường thiếu thông tin ngữ cảnh này, khiến việc nhận diện mẫu trở nên khó khăn hơn.

Vấn đề metric ẩn trong phát hiện vật thể nhỏ#

Các metric đánh giá phổ biến như Intersection over Union (IoU) đo lường mức độ chồng lấp giữa bounding box dự đoán và bounding box ground truth. IoU hoạt động tốt với các vật thể lớn, nhưng đặc tính của nó khá khác biệt đối với vật thể nhỏ.

Các vật thể nhỏ chỉ chiếm vài pixel, vì vậy ngay cả một dịch chuyển nhỏ trong box dự đoán cũng có thể tạo ra sai số tỷ lệ lớn và làm giảm mạnh điểm IoU. Điều này có nghĩa là các vật thể nhỏ thường không đạt ngưỡng IoU tiêu chuẩn dùng để xác định một dự đoán là đúng, ngay cả khi vật thể vẫn hiển thị trong ảnh.

Do đó, các lỗi định vị có nhiều khả năng bị phân loại là false positive hoặc false negative. Những hạn chế này đã thúc đẩy các nhà nghiên cứu suy nghĩ lại về cách hệ thống phát hiện vật thể đánh giá và xử lý các mục tiêu nhỏ, khó phát hiện.

Feature đa tỷ lệ: Chìa khóa để phát hiện vật thể nhỏ theo thời gian thực#

Khi các nhà nghiên cứu nỗ lực cải thiện việc phát hiện vật thể nhỏ, họ nhận ra rằng việc bảo toàn và biểu diễn thông tin trực quan ở nhiều tỷ lệ là yếu tố thiết yếu. Nhận định này cũng được phản ánh trong các nghiên cứu arXiv gần đây và các bài báo được trình bày tại những hội nghị như các Hội nghị Quốc tế IEEE và Hiệp hội Thị giác Máy tính châu Âu (ECCV).

Khi ảnh đi sâu hơn qua mạng nơ-ron, các vật thể nhỏ có thể mất chi tiết hoặc biến mất hoàn toàn. Vì vậy, các model thị giác máy tính hiện đại như Ultralytics YOLO11 đặc biệt chú trọng đến việc cải thiện trích xuất feature. Tiếp theo, hãy cùng tìm hiểu các khái niệm cốt lõi đằng sau feature map và mạng kim tự tháp feature để hiểu rõ hơn.

Feature map và biểu diễn theo tỷ lệ#

Khi một ảnh input, chẳng hạn ảnh viễn thám, đi vào mạng nơ-ron, nó dần được chuyển đổi thành các feature map. Đây là những biểu diễn đơn giản hóa của ảnh, làm nổi bật các mẫu trực quan như cạnh, hình dạng và texture.

Khi mạng đi sâu hơn, các feature map này trở nên nhỏ hơn về kích thước không gian. Việc giảm kích thước giúp model hoạt động hiệu quả và tập trung vào thông tin cấp cao. Tuy nhiên, các feature map bị thu nhỏ và ở tầng sâu cũng làm giảm chi tiết không gian.

Hình 4. Trích xuất feature là yếu tố then chốt để phát hiện vật thể nhỏ. (Nguồn)

Trong khi các vật thể lớn giữ lại đủ thông tin trực quan để được phát hiện chính xác, các mục tiêu nhỏ có thể mất những chi tiết quan trọng chỉ sau vài lớp mạng. Khi đó, model có thể gặp khó khăn trong việc nhận ra rằng một vật thể nhỏ thậm chí đang tồn tại. Đây là một trong những lý do chính khiến vật thể nhỏ bị bỏ sót trong các model deep learning phát hiện vật thể.

Mạng kim tự tháp feature và học đa tỷ lệ#

Mạng kim tự tháp feature, thường được gọi là FPN, được giới thiệu để giải quyết tình trạng mất chi tiết không gian. Đây là một module hỗ trợ, kết hợp thông tin từ nhiều lớp để model phát hiện vật thể nhỏ hiệu quả hơn. Quy trình này còn được gọi là tổng hợp feature và hợp nhất feature.

Các lớp nông cung cấp chi tiết không gian tinh vi, trong khi các lớp sâu hơn bổ sung ngữ cảnh ngữ nghĩa, cho phép học feature đa tỷ lệ hiệu quả. Không giống upsampling ngây thơ, vốn chỉ đơn giản phóng to feature map, FPN bảo toàn thông tin có ý nghĩa và cải thiện khả năng phát hiện vật thể nhỏ.

Các phương pháp hiện đại phát triển ý tưởng này bằng cách sử dụng cơ chế hợp nhất feature thích ứng và thiết kế nhận biết ngữ cảnh để cải thiện hơn nữa khả năng phát hiện các mục tiêu nhỏ. Nói cách khác, FPN giúp model đồng thời nhìn thấy cả bức tranh tổng thể lẫn các chi tiết rất nhỏ. Tối ưu hóa này rất cần thiết khi vật thể có kích thước nhỏ.

Các model phát hiện vật thể đã tiến hóa như thế nào để xử lý vật thể nhỏ#

Dưới đây là khái quát về cách các model phát hiện vật thể đã tiến hóa và phát triển theo thời gian để nhận diện tốt hơn các vật thể có kích thước khác nhau, bao gồm cả những vật thể rất nhỏ:

• Các phương pháp phát hiện ban đầu: Những phương pháp phát hiện vật thể ban đầu dựa vào các feature được thiết kế thủ công và các thuật toán dựa trên luật, bắt nguồn từ xử lý ảnh cổ điển. Vì các feature này cố định, hiệu suất suy giảm khi xử lý các ảnh khác nhau.
• Sự ra đời của machine learning và deep learning: Việc áp dụng machine learning và deep learning đánh dấu một bước chuyển lớn trong nghiên cứu phát hiện vật thể. Thay vì dựa vào các luật được định nghĩa trước, mạng nơ-ron học trực tiếp các biểu diễn trực quan từ dữ liệu training, cải thiện khả năng thích ứng với nhiều kích thước vật thể và cảnh khác nhau.
• Mạng tích chập: Các mạng nơ-ron này học cách nhận biết các mẫu trong ảnh. Mỗi lớp tiếp nhận những chi tiết khác nhau, bắt đầu từ các cạnh và màu sắc đơn giản, sau đó là hình dạng, và cuối cùng là toàn bộ vật thể, khiến chúng trở nên thiết yếu đối với thị giác máy tính hiện đại.
• Detector phát hiện vật thể hai giai đoạn: Các detector hai giai đoạn như Faster R-CNN, do Girshick và Ren giới thiệu, trước tiên tạo ra các vùng ứng viên rồi phân loại chúng. Phương pháp này cải thiện độ chính xác đối với vật thể nhỏ nhưng làm tăng chi phí tính toán và giảm hiệu suất thời gian thực.
• Detector phát hiện vật thể một giai đoạn: Các detector một giai đoạn như SSD (Single-Shot Detector) và họ YOLO (You Only Look Once), bao gồm YOLOv3, Ultralytics YOLOv5 và Ultralytics YOLOv8 ra mắt sau đó, thực hiện phát hiện trong một lượt xử lý. Thiết kế này cải thiện đáng kể tốc độ inference trong khi vẫn duy trì độ chính xác cạnh tranh.
• Các model tiên tiến mới nhất: Những model phát hiện vật thể mới hơn chú trọng mạnh hơn vào hiệu suất thời gian thực và triển khai trên edge. Các bản phát hành model Ultralytics YOLO gần đây như Ultralytics YOLO11 và Ultralytics YOLO26 sắp ra mắt được thiết kế để cân bằng độ chính xác cao với inference độ trễ thấp, phù hợp để phát hiện vật thể ở mọi kích thước, bao gồm mục tiêu nhỏ, trên các thiết bị có năng lực tính toán hạn chế.

Sử dụng Ultralytics YOLO11 cho các trường hợp sử dụng phát hiện vật thể nhỏ#

Giờ đây, khi đã hiểu rõ hơn về cách hoạt động của việc phát hiện vật thể nhỏ, hãy cùng xem xét một vài ứng dụng thực tế mà Ultralytics YOLO11 có thể được áp dụng.

UAV và ảnh chụp từ trên không#

Hãy hình dung một drone bay cao phía trên một con phố đông đúc trong thành phố. Từ độ cao đó, ô tô, xe đạp và thậm chí con người thu nhỏ thành chỉ vài pixel trên màn hình.

Các module UAV và ảnh chụp từ trên không thường ghi lại những cảnh như vậy, trong đó các vật thể quan tâm rất nhỏ và bị bao quanh bởi nền phức tạp, khiến chúng khó được các model thị giác máy tính phát hiện.

Trong những tình huống này, Ultralytics YOLO11 có thể là lựa chọn model lý tưởng. Chẳng hạn, một drone được trang bị model như YOLO11 có thể giám sát giao thông theo thời gian thực, phát hiện phương tiện, người đi xe đạp và người đi bộ khi họ di chuyển trong cảnh, ngay cả khi mỗi vật thể chỉ chiếm một phần nhỏ của ảnh. Điều này cho phép ra quyết định nhanh hơn và thu được insight chính xác hơn trong các ứng dụng như quản lý giao thông, an toàn công cộng hoặc quy hoạch đô thị.

Robotics và tự động hóa#

Robot thường được sử dụng trong những môi trường đòi hỏi độ chính xác và timing là yếu tố then chốt. Trong các bối cảnh như kho hàng, nhà máy và trang trại, robot có thể cần nhận diện những vật thể rất nhỏ, chẳng hạn một linh kiện trên dây chuyền lắp ráp, nhãn trên kiện hàng hoặc chồi cây nhỏ trên cánh đồng, rồi phản hồi nhanh chóng.

Việc phát hiện các vật thể có kích thước này có thể phức tạp, đặc biệt khi chúng chỉ xuất hiện dưới dạng vài pixel trong luồng camera hoặc bị các vật thể khác che khuất một phần. Bỏ sót những chi tiết nhỏ này có thể làm chậm quá trình tự động hóa hoặc ảnh hưởng đến khả năng hoàn thành tác vụ của robot.

Ultralytics YOLO11 có thể tạo ra khác biệt trong những tình huống này. Khả năng trích xuất feature được cải thiện cùng inference nhanh cho phép robot phát hiện vật thể nhỏ theo thời gian thực và lập tức thực hiện hành động.

Ultralytics YOLO11 cũng hỗ trợ instance segmentation, giúp robot hiểu ranh giới vật thể và các điểm gắp chính xác hơn, thay vì chỉ xác định các bounding box tổng quát. Ví dụ, một cánh tay robot tích hợp YOLO11 có thể phát hiện các linh kiện nhỏ trên băng chuyền, phân đoạn hình dạng chính xác của chúng và gắp lên trước khi chúng di chuyển ra ngoài tầm với, giúp hệ thống duy trì hiệu quả và độ tin cậy.

Điều gì giúp Ultralytics YOLO11 hiệu quả trong việc phát hiện vật thể nhỏ#

Với rất nhiều model thị giác máy tính hiện có, có thể bạn đang thắc mắc điều gì khiến Ultralytics YOLO11 nổi bật.

Dưới đây là một số lý do khiến Ultralytics YOLO11 trở thành lựa chọn phù hợp cho các ứng dụng cần phát hiện vật thể nhỏ:

• Trích xuất feature tốt hơn: YOLO11 sử dụng kiến trúc backbone và neck được cải thiện để nâng cao khả năng trích xuất feature, cho phép phát hiện vật thể chính xác hơn.
• Hệ sinh thái và tính dễ sử dụng: Gói Python của Ultralytics là một thư viện cung cấp các hàm tích hợp để tải, training, validation và triển khai các model như YOLO11. Vì những workflow này chỉ cần vài dòng code, các team có thể nhanh chóng thử nghiệm và fine-tune model cho việc phát hiện vật thể nhỏ.
• Tối ưu cho triển khai trên edge: Ultralytics YOLO11 có thể hoạt động hiệu quả trên các thiết bị edge như NVIDIA Jetson, Raspberry Pi và các hệ thống camera công nghiệp. Nói đơn giản, model cho phép thực hiện trực tiếp các tác vụ vision AI theo thời gian thực trên thiết bị.

Các chiến lược thực tiễn khi phát hiện vật thể nhỏ với Ultralytics YOLO11#

Ngoài việc sử dụng một model như Ultralytics YOLO11, cách bạn chuẩn bị annotation, dataset tổng thể và quy trình training model cũng có thể tạo ra khác biệt đáng kể về hiệu suất phát hiện.

Dưới đây là tổng quan nhanh về những điểm cần tập trung:

• Augmentation dữ liệu phù hợp: Augmentation dữ liệu nhẹ như scaling hoặc cropping có thể giúp model khái quát hóa tốt hơn với ảnh mới. Tuy nhiên, augmentation quy mô lớn quá mạnh có thể làm biến dạng hoặc loại bỏ các vật thể nhỏ, khiến model khó học hơn.
• Phân tích các trường hợp thất bại: Phân tích những nơi model bỏ sót hoặc nhận diện sai vật thể giúp thiết lập baseline và xác định liệu vấn đề bắt nguồn từ dataset, thông tin bị mất trong quá trình trích xuất feature hay nhu cầu điều chỉnh các thiết lập training.
• Thành phần dataset: Dataset của bạn nên chứa đủ ví dụ về các vật thể nhỏ để model có thể học những mẫu có ý nghĩa, đồng thời cần được cân bằng để các vật thể lớn không lấn át vật thể nhỏ trong quá trình training.

Những điểm chính#

Phát hiện vật thể nhỏ khó vì các mục tiêu nhỏ mất chi tiết khi ảnh đi qua model thị giác máy tính. Ultralytics YOLO11 cải thiện khả năng bảo toàn những chi tiết này, giúp việc phát hiện vật thể nhỏ đáng tin cậy hơn mà không hy sinh hiệu suất thời gian thực. Sự cân bằng này cho phép YOLO11 hỗ trợ phát hiện chính xác và hiệu quả trong các ứng dụng thực tế.

Hãy tham gia cộng đồng đang phát triển của chúng tôi! Khám phá repository GitHub để tìm hiểu thêm về AI. Khám phá các đổi mới như computer vision trong lĩnh vực bán lẻ và AI trong ngành ô tô bằng cách truy cập các trang giải pháp của chúng tôi. Để bắt đầu xây dựng với computer vision ngay hôm nay, hãy xem các tùy chọn cấp phép.