Cách tính khoảng cách bằng các model computer vision?

Khi băng qua đường và nhìn thấy một chiếc ô tô đang tiến về phía mình, bạn có thể ngay lập tức ước tính khoảng cách của nó. Phán đoán nhanh chóng, gần như theo bản năng này có được nhờ khả năng nhận thức không gian xung quanh. Dựa trên cảm nhận đó, bạn có thể quyết định tăng tốc, dừng lại hoặc tiếp tục đi bộ.

Tương tự, thị giác máy tính là một nhánh của trí tuệ nhân tạo (AI), cho phép máy móc xây dựng hiểu biết về môi trường xung quanh bằng cách diễn giải dữ liệu hình ảnh. Cũng giống như việc bạn có thể đánh giá độ gần của một chiếc ô tô để đưa ra quyết định nhanh chóng, 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 các đối tượng trong hình ảnh và video theo thời gian thực. Nói đơn giản, YOLO11 hoạt động bằng cách quan sát toàn bộ hình ảnh cùng lúc thay vì chia thành từng phần, nhờ đó nhanh hơn và hiệu quả hơn. Model này cũng có thể xử lý các tác vụ thị giác máy tính như phân đoạn instance, ước tính pose và phân loại hình ảnh.

Đặc biệt, các khả năng của Ultralytics YOLO11 có thể được sử dụng 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 cải thiện 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, xác định vị trí và đo số pixel giữa hai đối tượng trong một hình ảnh. Pixel là các đơn vị riêng lẻ cấu thành một hình ảnh kỹ thuật số, trong đó mỗi pixel biểu thị một điểm duy nhất với giá trị màu hoặc cường độ cụ thể.

Để chuyển đổi phép đo theo pixel thành khoảng cách trong thế giới thực, hiệu chuẩn đóng vai trò then chốt. Bạn có thể hình dung đây là việc dùng thước để đo một vật, sau đó dùng phép đo đó để hiểu kích thước của các đối tượng khác. Bằng cách tham chiếu các đối tượng 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 ảnh bên dưới, đồng xu là đối tượng tham chiếu và kích thước của nó (0.9in x 1.0in) đã được biết. Bằng cách so sánh phép đo theo pixel của các đối tượng khác với kích thước của đồng xu, chúng ta có thể tính được kích thước thực tế của chúng.

Hình 2. Có thể sử dụng đồng xu làm tham chiếu để đo kích thước thực tế của các đối tượng khác.

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

Mặc dù camera đo độ sâu có thể đo độ sâu thực và cung cấp thông tin không gian chi tiết hơn, trong nhiều trường hợp, một khoảng cách đơn giản đã được hiệu chuẩn là đủ. Chẳng hạn, việc biết khoảng cách giữa các đối tượng trên mặt phẳng 2D phù hợp với các tác vụ như theo dõi đối tượng hoặc quản lý hàng đợi, vì vậy 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 đối tượng bằng khả năng hỗ trợ phát hiện đối tượng và theo dõi của Ultralytics YOLO11. Các bước cụ thể như 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 frame và theo dõi chuyển động qua các frame trong video. Model gán một track ID duy nhất cho mỗi đối tượng, cho phép hệ thống giám sát vị trí và chuyển động của chúng trong suốt video.
• Bounding box: Bounding box được vẽ xung quanh các đối tượng đã phát hiện dựa trên kết quả phát hiện đối tượng của Ultralytics YOLO11, qua đó xác định vị trí của chúng trong hình ảnh.
• Chọn đối tượng: Có thể chọn hai đối tượng để tập trung theo dõi, và Ultralytics YOLO11 sẽ cập nhật các bounding box khi các đối tượng di chuyển theo thời gian thực.
• Tính centroid: Centroid (điểm trung tâm của bounding box của hai đối tượng) được tính dựa trên tọa độ các góc của bounding box, biểu thị vị trí của các đối tượng.
• Tính khoảng cách: Sau đó, có thể sử dụng centroid của hai đối tượng để tính khoảng cách Euclidean giữa chúng. Khoảng cách Euclidean là khoảng cách theo đường thẳng giữa hai điểm trên mặt phẳng 2D, được tính bằng chênh lệch theo cả chiều ngang và chiều dọc. Kết quả là khoảng cách giữa hai đối tượng theo pixel.

Điều quan trọng cần lưu ý là khoảng cách được tính bằng phương pháp này chỉ mang tính ước tính, vì chúng dựa trên phép đo pixel 2D.

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

Tác động của việc ước tính khoảng cách bằng YOLO#

Xét việc tính khoảng cách bằng Ultralytics YOLO11 chỉ là ước tính, bạn có thể thắc mắc: Phương pháp này có thể được sử dụng ở đâu và tạo ra khác biệt như thế nào?

Vì các phép hiệu chuẩn được sử dụng để đưa ra những ước tính khoảng cách này, 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 đối tượng liên tục chuyển động và cần điều chỉnh theo thời gian thực để mọi hoạt động diễn ra suôn sẻ.

Một ví dụ thú vị là sử dụng YOLO11 để theo dõi các gói hàng trên băng chuyền và ước tính khoảng cách giữa chúng theo thời gian thực. Điều này giúp quản lý nhà kho đảm bảo các gói hàng được đặt cách nhau hợp lý, ngăn ngừa va chạm và duy trì hoạt động trơn tru.

Trong những trường hợp như vậy, không phải lúc nào cũng cần khoảng cách chính xác tuyệt đối. Thông thường, một khoảng giá trị hoặc ngưỡng cho khoảng cách tối ưu được thiết lập, nên phép ước tính hoạt động hiệu quả đối với các loại ứng dụng này.

Hình 4. Phát hiện các gói 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 tính khoảng cách giữa các đối tượng bằng Ultralytics YOLO11. Ví dụ, 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 tốt hơn, giảm thời gian chờ và tạo ra 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 ngăn tình trạng quá tải và tối ưu 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 mô hình giao thông. Phương pháp này có thể được sử dụng để phát hiện các hành vi nguy hiểm như bám đuôi quá sát và điều chỉnh tín hiệu giao thông để duy trì luồng giao thông thông suốt. Nó có thể giúp đường sá an toàn hơn bằng cách xác định các vấn đề tiềm ẩn và cải thiện hoạt động quản lý giao thông tổng thể theo thời gian thực.

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

Một ứng dụng độc đáo khác của công nghệ này xuất hiện trong đại dịch COVID-19, khi nó giúp thúc đẩy giãn cách xã hội. Công nghệ này đảm bảo mọi người duy trì khoảng cách an toàn tại các không gian công cộng, cửa hàng và bệnh viện, qua đó giảm nguy cơ lây lan virus.

Bằng cách theo dõi khoảng cách theo thời gian thực, hệ thống có thể gửi cảnh báo khi các cá nhân ở quá gần nhau, giúp doanh nghiệp và đơn vị cung cấp dịch vụ chăm sóc sức khỏe phản ứng nhanh hơn và duy trì môi trường an toàn hơn cho mọi người.

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

Sau khi đã thảo luận về một số ứng dụng của việc tính khoảng cách bằng thị giác máy tính, dưới đây là những lợi ích liên quan đáng chú ý:

• Tự động hóa: AI thị giác có thể tự động hóa các tác vụ tính khoảng cách vốn cần theo dõi thủ công, giảm lỗi do con người và chi phí nhân công, đồng thời tăng năng suất.
• Tối ưu hóa nguồn lực: Khi biết khoảng cách và độ gần tương đối của các đối tượng, có thể tối ưu hóa nguồn lực (như nhân viên hoặc máy móc), giảm lãng phí và cải thiện workflow.
• Độ phức tạp thiết lập tối thiểu: Sau khi được thiết lập, các hệ thống tính khoảng cách hỗ trợ thị giác tương đối dễ bảo trì và cần ít sự can thiệp của con người hơn so với các hệ thống khác phụ thuộc vào dữ liệu nhập thủ công hoặc máy móc phức tạp.

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

• Độ nhạy 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 xạ hoặc vật cản, dẫn đến sai số hoặc kết quả không nhất quán.
• Mối lo ngại về quyền riêng tư: Việc sử dụng thị giác máy tính để theo dõi các đối tượng hoặc con người có thể làm phát sinh vấn đề về quyền riêng tư, đặc biệt tại không gian công cộng hoặc môi trường nhạy cảm, nơi dữ liệu cá nhân có thể liên quan.
• Độ phức tạp trong các tình huống nhiều đối tượng: Trong môi trường có nhiều đối tượng chuyển động, việc tính chính xác khoảng cách giữa nhiều đối tượng cùng lúc có thể gây nhầm lẫn, đặc biệt khi chúng ở gần nhau hoặc giao nhau.

Những điểm chính#

Tính khoảng cách giữa các đối tượng 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 độ gần của đối tượng có thể cải thiện hiệu quả và an toàn.

Ultralytics YOLO11 giúp tự động hóa những tác vụ vốn thường cần đến nỗ lực thủ công. Mặc dù vẫn tồn tại một số thách thức như độ nhạy với các yếu tố môi trường và mối lo ngại về quyền riêng tư, những lợi ích như tự động hóa, khả năng mở rộng và tích hợp dễ dàng khiến công nghệ này tạo ra 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 thực sự trong cách máy móc tương tác với và hiểu môi trường xung quanh.

Hãy tham gia cộng đồng của chúng tôi! Khám phá repository GitHub để tìm hiểu thêm về AI thị giác. Nếu bạn quan tâm đến việc 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 chăm sóc sức khỏe đang cải thiện hiệu quả và xem tác động của AI trong nông nghiệp bằng cách truy cập các trang giải pháp của chúng tôi!