Cách tính khoảng cách bằng các model thị giác máy tính?

Khi băng qua đường và thấy một chiếc ô tô đang tiến về phía mình, bạn có thể ước lượng ngay khoảng cách của nó. Khả năng phán đoán nhanh gần như theo bản năng này đến từ sự hiểu biết về không gian xung quanh. Dựa trên cảm nhận đó, bạn có thể quyết định tăng tốc, dừng lại hay tiếp tục đi bộ.

Tương tự, thị giác máy tính là một nhánh của trí tuệ nhân tạo (AI), cho phép máy móc hiểu được môi trường xung quanh bằng cách diễn giải dữ liệu hình ảnh. Cũng như cách bạn đánh giá khoảng cách của ô tô để đưa ra quyết định nhanh, các model thị giác máy tính có thể phân tích hình ảnh và video, giúp máy móc cảm nhận và phản ứng với thế giới xung quanh.

Ví dụ, Ultralytics YOLO11 là một model thị giác máy tính có thể phát hiện và theo dõi đối tượng trong hình ảnh và video theo thời gian thực. Nói đơn giản, YOLO11 xử lý toàn bộ hình ảnh cùng lúc thay vì chia thành từng phần, nhờ đó nhanh và hiệu quả hơn. Model này cũng có thể thực hiện các tác vụ thị giác máy tính như phân đoạn đối tượng, ước tính tư thế và phân loại hình ảnh.

Cụ thể, các khả năng của Ultralytics YOLO11 có thể được dùng để tính khoảng cách giữa các đối tượng, hữu ích trong nhiều lĩnh vực như sản xuất, bán lẻ và quản lý đám đông, góp phần nâng cao an toàn và hiệu quả.

Trong bài viết này, chúng ta sẽ tìm hiểu cách sử dụng Ultralytics YOLO11 để tính khoảng cách trong các ứng dụng thị giác máy tính, lý do việc này quan trọng và tác động của nó trong nhiều ngành khác nhau.

Hình 1. Ví dụ sử dụng YOLO để tính khoảng cách hạ cánh của máy bay.

Tổng quan về tính khoảng cách trong thị giác máy tính#

Tính khoảng cách trong thị giác máy tính bao gồm việc phát hiện, định vị và đo số pixel giữa hai đối tượng trong ảnh. Pixel là đơn vị riêng lẻ cấu thành ảnh kỹ thuật số; mỗi pixel biểu thị một điểm với giá trị màu hoặc cường độ cụ thể.

Để chuyển đổi số đo pixel thành khoảng cách trong thế giới thực, hiệu chuẩn là yếu tố then chốt. Có thể hình dung việc này giống như dùng thước đo một vật rồi dùng số đo đó để xác định kích thước của các vật khác. Bằng cách tham chiếu các vật thể có kích thước đã biết, hiệu chuẩn tạo ra mối liên hệ giữa pixel và khoảng cách vật lý thực tế.

Hãy xem một ví dụ để hiểu cách thức hoạt động. Trong hình bên dưới, đồng xu là vật thể tham chiếu và kích thước của nó đã biết (0,9 inch x 1,0 inch). Bằng cách so sánh số đo pixel của các vật thể khác với kích thước của đồng xu, chúng ta có thể tính kích thước thực tế của chúng.

Hình 2. Có thể dùng đồng xu làm vật thể tham chiếu để đo kích thước thực tế của các vật thể khác.

Tuy nhiên, việc tính khoảng cách được thực hiện trên mặt phẳng hai chiều (2D), nghĩa là chỉ đo khoảng cách ngang và dọc giữa các vật thể. Điều này khác với ước tính độ sâu, vốn đo khoảng cách của vật thể trong không gian ba chiều, bao gồm cả khoảng cách từ vật thể đến camera.

Mặc dù camera độ sâu có thể đo độ sâu thực và cung cấp thông tin không gian chi tiết hơn, trong nhiều trường hợp, khoảng cách được hiệu chuẩn đơn giản là đủ. Chẳng hạn, biết khoảng cách giữa các vật thể trên mặt phẳng 2D là hữu ích cho những tác vụ như theo dõi đối tượng hoặc quản lý hàng đợi, nên không cần ước tính độ sâu trong những tình huống đó.

Tìm hiểu cách tính khoảng cách bằng Ultralytics YOLO11#

Tiếp theo, hãy cùng tìm hiểu cách tính khoảng cách giữa hai vật thể bằng khả năng hỗ trợ phát hiện đối tượng và theo dõi của Ultralytics YOLO11. Quy trình gồm các bước sau:

• Phát hiện và theo dõi đối tượng: Có thể sử dụng Ultralytics YOLO11 để phát hiện đối tượng bằng cách nhận diện chúng trong một khung hình và theo dõi chuyển động của đối tượng qua các khung hình trong video. Model gán một ID theo dõi duy nhất cho từng đối tượng, cho phép hệ thống giám sát vị trí và chuyển động của chúng xuyên suốt video.
• Hộp giới hạn: Hộp giới hạn được vẽ quanh các đối tượng đã phát hiện dựa trên kết quả phát hiện đối tượng của Ultralytics YOLO11, xác định vị trí của chúng trong ảnh.
• Chọn đối tượng: Có thể chọn hai đối tượng cần tập trung theo dõi; Ultralytics YOLO11 sẽ cập nhật hộp giới hạn khi các đối tượng di chuyển theo thời gian thực.
• Tính trọng tâm: Trọng tâm (điểm chính giữa hộp giới hạn của hai đối tượng) được tính dựa trên tọa độ các góc của hộp giới hạn, biểu thị vị trí của các đối tượng.
• Tính khoảng cách: Sau đó, có thể dùng trọng tâm của hai đối tượng để tính khoảng cách Euclid giữa chúng. Khoảng cách Euclid là khoảng cách theo đường thẳng giữa hai điểm trên mặt phẳng 2D, được tính dựa trên độ chênh lệch theo cả chiều ngang và chiều dọc. Kết quả là khoảng cách giữa hai đối tượng tính bằng pixel.

Cần lưu ý rằng khoảng cách tính bằng phương pháp này chỉ là giá trị ước tính vì được dựa trên số đo pixel 2D.

Hình 3. Sử dụng Ultralytics YOLO để phát hiện người và tính khoảng cách.

Tác động của việc ước tính khoảng cách bằng YOLO#

Vì khoảng cách tính bằng Ultralytics YOLO11 chỉ là giá trị ước tính, bạn có thể tự hỏi: Có thể áp dụng phương pháp này ở đâu và nó mang lại khác biệt gì?

Do các giá trị khoảng cách này được ước tính bằng hiệu chuẩn, chúng đủ chính xác để hỗ trợ nhiều tình huống thực tế. Khả năng ước tính khoảng cách của Ultralytics YOLO11 đặc biệt hữu ích trong các môi trường năng động như nhà kho, nơi các vật thể liên tục di chuyển và cần điều chỉnh theo thời gian thực để hoạt động diễn ra suôn sẻ.

Một ví dụ thú vị là sử dụng YOLO11 để theo dõi các kiện hàng trên băng chuyền và ước tính khoảng cách giữa chúng theo thời gian thực. Điều này giúp người quản lý kho đảm bảo các kiện hàng được bố trí cách nhau phù hợp, tránh va chạm và duy trì hoạt động suôn sẻ.

Trong những trường hợp như vậy, không phải lúc nào cũng cần khoảng cách chính xác tuyệt đối. Thông thường, người ta thiết lập một khoảng hoặc ngưỡng cho khoảng cách tối ưu, nên giá trị ước tính là phù hợp với các ứng dụng này.

Hình 4. Phát hiện các kiện hàng bằng Ultralytics YOLO11 và tính khoảng cách giữa chúng.

Tính khoảng cách trong các ứng dụng thị giác máy tính#

Nhiều ứng dụng thị giác máy tính có thể hưởng lợi từ việc dùng Ultralytics YOLO11 để tính khoảng cách giữa các vật thể. Chẳng hạn, trong phân tích bán lẻ, phương pháp này giúp cải thiện quản lý hàng đợi bằng cách theo dõi vị trí khách hàng theo thời gian thực. Nhờ đó, doanh nghiệp có thể phân bổ nguồn lực hợp lý hơn, giảm thời gian chờ và mang đến trải nghiệm mua sắm thuận tiện hơn. Bằng cách điều chỉnh linh hoạt số lượng nhân viên và quản lý luồng khách hàng, cửa hàng có thể tránh tình trạng quá tải và tối ưu hóa việc sử dụng không gian.

Tương tự, trong quản lý giao thông, việc ước tính khoảng cách giúp giám sát khoảng cách giữa các phương tiện và phân tích tình hình giao thông. Phương pháp này có thể được dùng để phát hiện các hành vi nguy hiểm như bám đuôi và điều chỉnh tín hiệu giao thông để duy trì luồng xe thông suốt. Bằng cách nhận diện các vấn đề tiềm ẩn và cải thiện tổng thể công tác quản lý giao thông theo thời gian thực, phương pháp này có thể giúp đường sá an toàn hơn.

Hình 5. Có thể dùng tính khoảng cách bằng thị giác máy tính để giám sát giao thông.

Một ứng dụng độc đáo khác của công nghệ này xuất hiện trong đại dịch COVID-19, khi công nghệ giúp thúc đẩy việc giữ khoảng cách an toàn. Công nghệ đảm bảo mọi người giữ khoảng cách an toàn tại nơi công cộng, cửa hàng và bệnh viện, giảm nguy cơ lây lan virus.

Bằng cách theo dõi khoảng cách theo thời gian thực, hệ thống có thể gửi cảnh báo khi mọi người đứng quá gần nhau, giúp doanh nghiệp và cơ sở y tế phản ứng nhanh chóng và duy trì môi trường an toàn hơn cho tất cả mọi người.

Ưu và nhược điểm của việc tính khoảng cách trong thị giác máy tính#

Sau khi tìm hiểu một số ứng dụng của việc tính khoảng cách bằng thị giác máy tính, hãy cùng xem xét kỹ hơn những lợi ích liên quan:

• Tự động hóa: Vision AI có thể tự động hóa các tác vụ tính khoảng cách vốn cần theo dõi thủ công, giúp giảm sai sót của con người và chi phí lao động, đồng thời tăng năng suất.
• Tối ưu hóa tài nguyên: Khi biết khoảng cách gần đúng và mức độ gần nhau của các vật thể, có thể tối ưu hóa nguồn lực như nhân viên hoặc máy móc, giảm lãng phí và cải thiện quy trình làm việc.
• Thiết lập đơn giản: Sau khi thiết lập, các hệ thống tính khoảng cách bằng thị giác tương đối ít cần bảo trì và ít cần sự can thiệp của con người hơn so với các hệ thống khác phụ thuộc vào thao tác nhập liệu thủ công hoặc máy móc phức tạp.

Dù có những ưu điểm này, vẫn cần lưu ý một số hạn chế khi triển khai các hệ thống như vậy. Dưới đây là một số yếu tố chính cần cân nhắc khi tính khoảng cách bằng thị giác máy tính:

• Nhạy cảm với các yếu tố môi trường: Độ chính xác của phép tính khoảng cách có thể bị ảnh hưởng bởi điều kiện ánh sáng, bóng đổ, phản chiếu hoặc vật cản, dẫn đến sai số hoặc kết quả không nhất quán.
• Quan ngại về quyền riêng tư: Việc dùng thị giác máy tính để theo dõi vật thể hoặc con người có thể làm nảy sinh vấn đề về quyền riêng tư, đặc biệt ở nơi công cộng hoặc môi trường nhạy cảm có liên quan đến dữ liệu cá nhân.
• Độ phức tạp trong tình huống có nhiều đối tượng: Trong môi trường có nhiều vật thể chuyển động, việc tính chính xác khoảng cách giữa nhiều vật thể cùng lúc có thể gây nhầm lẫn, đặc biệt khi chúng ở gần nhau hoặc giao cắt.

Điểm chính cần ghi nhớ#

Tính khoảng cách giữa các vật thể bằng Ultralytics YOLO11 là một giải pháp đáng tin cậy có thể hỗ trợ quá trình ra quyết định. Phương pháp này đặc biệt hữu ích trong các môi trường năng động như nhà kho, bán lẻ và quản lý giao thông, nơi việc theo dõi khoảng cách giữa các vật thể có thể cải thiện hiệu quả và an toàn.

Ultralytics YOLO11 giúp tự động hóa những tác vụ vốn cần thực hiện thủ công. Dù có một số thách thức như độ nhạy với các yếu tố môi trường và quan ngại về quyền riêng tư, những lợi ích như tự động hóa, khả năng mở rộng và dễ tích hợp khiến giải pháp này có tác động đáng kể. Khi thị giác máy tính tiếp tục được cải thiện, đặc biệt trong các lĩnh vực như tính khoảng cách, nhiều khả năng chúng ta sẽ chứng kiến sự thay đổi lớn trong cách máy móc tương tác với và hiểu môi trường xung quanh.

Tham gia cộng đồng của chúng tôi! Khám phá repository GitHub để tìm hiểu thêm về Vision AI. Nếu bạn muốn ứng dụng thị giác máy tính, hãy xem các tùy chọn cấp phép của chúng tôi. Tìm hiểu cách thị giác máy tính trong lĩnh vực y tế đang cải thiện hiệu quả và khám phá tác động của AI trong nông nghiệp trên các trang giải pháp của chúng tôi!