Cách cải thiện mAP của model trên các vật thể nhỏ: Hướng dẫn nhanh

Khi mức độ ứng dụng trí tuệ nhân tạo (AI), machine learning và thị giác máy tính tiếp tục tăng, các hệ thống phát hiện đối tượng đang được sử dụng ở khắp nơi, từ camera giao thông thông minh đến drone và công cụ phân tích bán lẻ. Các hệ thống này thường được kỳ vọng phát hiện đối tượng ở mọi kích thước, dù đó là một chiếc xe tải lớn ở gần camera hay một người đi bộ nhỏ ở xa.

Thông thường, việc phát hiện các đối tượng lớn và hiện rõ sẽ dễ dàng hơn. Ngược lại, phát hiện đối tượng nhỏ lại khó khăn hơn.

Khi một vật thể chỉ chiếm một phần rất nhỏ của ảnh, lượng thông tin thị giác có thể khai thác rất hạn chế. Người đi bộ ở xa trong luồng hình ảnh giao thông hoặc phương tiện nhỏ được ghi lại từ góc nhìn trên không có thể chỉ gồm vài pixel, nhưng những pixel đó vẫn có thể chứa thông tin quan trọng.

Các model thị giác máy tính như model Ultralytics YOLO dựa vào các mẫu hình ảnh để nhận dạng vật thể; khi những mẫu này hạn chế hoặc không rõ ràng, hiệu năng sẽ suy giảm. Các chi tiết quan trọng có thể bị mất trong quá trình xử lý, khiến dự đoán nhạy hơn với lỗi định vị. Chỉ cần bounding box dịch chuyển nhẹ cũng có thể biến một phát hiện chính xác thành một trường hợp bỏ sót.

Khoảng cách này thể hiện rõ khi xem xét hiệu năng của model. Hầu hết model phát hiện và phân đoạn xử lý tốt các vật thể cỡ vừa và lớn, nhưng vật thể nhỏ thường làm giảm độ chính xác tổng thể.

Hiệu năng deep learning thường được đo bằng độ chính xác trung bình (mAP). Chỉ số này phản ánh cả độ chính xác của các lần phát hiện lẫn mức độ khớp giữa các bounding box dự đoán và vật thể thực tế.

Chỉ số này kết hợp precision, cho biết có bao nhiêu vật thể được dự đoán là chính xác, và recall, cho biết có bao nhiêu vật thể thực tế được phát hiện thành công, trên nhiều mức độ tin cậy và ngưỡng giao trên hợp (IoU) khác nhau (IoU là chỉ số đo mức độ chồng lấp giữa bounding box dự đoán và bounding box ground truth).

Trước đây, chúng ta đã tìm hiểu về phát hiện vật thể nhỏ và lý do đây là một bài toán khó đối với các model thị giác máy tính. Trong bài viết này, chúng ta sẽ tiếp nối nền tảng đó và tập trung vào cách cải thiện mAP khi có vật thể nhỏ. Bắt đầu nhé!

Vì sao vật thể nhỏ khó phát hiện hơn?#

Trong các ứng dụng sử dụng bộ phát hiện vật thể, kích thước của vật thể nhỏ được xác định dựa trên phần diện tích mà vật thể chiếm trong ảnh, chứ không nhất thiết dựa trên việc nó trông nhỏ đến mức nào đối với mắt người. Nếu chỉ chiếm một phần rất nhỏ của ảnh, vật thể đó chứa rất ít thông tin thị giác, khiến thuật toán thị giác máy tính khó phát hiện chính xác hơn.

Hình 1. Ảnh ví dụ về các vật thể nhỏ chỉ chiếm một vùng pixel hạn chế (Nguồn)

Khi có ít pixel hơn để xử lý, các chi tiết quan trọng như cạnh, hình dạng và kết cấu có thể không rõ ràng hoặc dễ bị mất. Trong quá trình model xử lý ảnh, ảnh được thay đổi kích thước và đơn giản hóa để làm nổi bật các mẫu hữu ích.

Điều này giúp model hiểu khung cảnh tổng thể, nhưng cũng có thể làm mất thêm các chi tiết nhỏ. Với vật thể nhỏ, những chi tiết đó thường rất cần thiết để phát hiện chính xác.

Những thách thức này càng thể hiện rõ khi xem xét các chỉ số đánh giá. Vật thể nhỏ đặc biệt nhạy với lỗi định vị. Ngay cả một bounding box lệch nhẹ cũng có thể không đạt ngưỡng giao trên hợp (IoU) yêu cầu.

Khi đó, một dự đoán trông có vẻ hợp lý vẫn có thể bị tính là sai. Điều này làm giảm cả precision lẫn recall, cuối cùng khiến độ chính xác trung bình (mAP) giảm.

Do các yếu tố này liên quan chặt chẽ với nhau, việc cải thiện hiệu năng thường đòi hỏi phải xem xét toàn bộ hệ thống. Điều đó có nghĩa là cần cân bằng cẩn thận độ phân giải ảnh, trích xuất đặc trưng, thiết kế model và cấu hình đánh giá để bảo toàn và diễn giải tốt hơn các chi tiết thị giác nhỏ.

Tầm quan trọng của chất lượng dataset và nhãn chú thích#

Trong bài toán phát hiện vật thể nhỏ, chất lượng dataset thường tạo ra khác biệt lớn nhất về hiệu năng. Vật thể nhỏ chỉ chiếm một phần rất nhỏ của ảnh, đồng nghĩa với việc model có rất ít thông tin thị giác để học. Vì vậy, dữ liệu huấn luyện đặc biệt quan trọng. Nếu dataset không có đủ ví dụ rõ ràng và đại diện, model phát hiện vật thể sẽ khó nhận ra các mẫu nhất quán.

Các dataset phù hợp với bài toán phát hiện vật thể nhỏ thường chứa ảnh độ phân giải cao, có nhiều lần xuất hiện của mục tiêu nhỏ và có điều kiện thị giác nhất quán. Dù các dataset tổng quát như dataset COCO là điểm khởi đầu hữu ích, chúng thường không phù hợp với tỷ lệ, mật độ hoặc bối cảnh của các trường hợp sử dụng cụ thể trong thực tế. Trong những trường hợp đó, cần thu thập dữ liệu huấn luyện theo từng lĩnh vực để cải thiện hiệu năng model.

Chất lượng nhãn chú thích cũng đóng vai trò quan trọng. Nhãn chú thích xác lập ground truth bằng cách chỉ rõ nhãn vật thể chính xác và vị trí bounding box để model học cách dự đoán.

Với vật thể nhỏ, cần vẽ bounding box cẩn thận và nhất quán. Chỉ một khác biệt nhỏ về vị trí box cũng có thể ảnh hưởng rõ rệt đến độ chính xác định vị, vì vật thể nhỏ rất nhạy với dịch chuyển ở cấp độ pixel.

Nhãn chú thích kém chất lượng hoặc thiếu nhất quán có thể làm giảm đáng kể mAP. Nếu vật thể bị gán nhãn sai, model sẽ học các mẫu không chính xác, từ đó có thể làm tăng số false positive.

Nếu vật thể xuất hiện trong ảnh nhưng bị thiếu trong ground truth, các lần phát hiện chính xác có thể bị tính là false positive khi đánh giá. Cả hai tình huống đều làm giảm hiệu năng tổng thể.

Điều đáng chú ý là nghiên cứu gần đây cho thấy precision trung bình đối với vật thể nhỏ thường chỉ ở mức 20% đến 40% trên các benchmark tiêu chuẩn, thấp hơn đáng kể so với vật thể lớn. Khoảng cách này nhấn mạnh tầm quan trọng của thiết kế dataset và tính nhất quán của nhãn chú thích đối với độ chính xác phát hiện tổng thể.

Tăng cường dữ liệu có thể đóng vai trò then chốt trong việc cải thiện độ chính xác#

Sau khi hiểu rõ hơn về tầm quan trọng của chất lượng dataset và tính nhất quán của nhãn chú thích, hãy cùng tìm hiểu cách model phát hiện vật thể có thể học hiệu quả hơn từ dữ liệu hiện có. Ngay cả khi việc thu thập thêm ảnh khó khăn hoặc tốn kém, vẫn có những cách cải thiện hiệu năng bằng cách tận dụng tốt hơn dữ liệu sẵn có.

Một trong những phương pháp thiết thực nhất là tăng cường dữ liệu. Phương pháp này đặc biệt quan trọng trong bài toán phát hiện vật thể nhỏ vì vật thể nhỏ cung cấp ít dấu hiệu thị giác hơn để model học. Bằng cách tạo ra các biến thể có kiểm soát trong quá trình huấn luyện, tăng cường dữ liệu giúp model khái quát hóa tốt hơn mà không cần thu thập dữ liệu mới.

Tăng cường dữ liệu hiệu quả tập trung vào việc giữ cho vật thể nhỏ hiển thị rõ ràng. Các kỹ thuật như thay đổi kích thước có kiểm soát, cắt ảnh ở mức độ nhẹ và chia ảnh thành ô có thể làm vật thể nhỏ nổi bật hơn mà vẫn giữ nguyên hình dạng và diện mạo. Mục tiêu là giúp model thường xuyên nhìn thấy vật thể nhỏ hơn trong các điều kiện hơi khác nhau, mà không làm thay đổi diện mạo của chúng trong tình huống thực tế.

Tuy nhiên, cần áp dụng tăng cường dữ liệu một cách thận trọng. Một số phép biến đổi có thể làm vật thể nhỏ khó nhìn hơn hoặc thay đổi diện mạo theo những cách khó xảy ra trong dữ liệu thực. Khi đó, model có thể gặp khó khăn trong việc học ranh giới vật thể chính xác.

Tăng cường dữ liệu thông minh hơn với AI tạo sinh#

Một hình thức tăng cường dữ liệu thú vị khác đang ngày càng phổ biến là sử dụng AI tạo sinh để tạo dữ liệu huấn luyện tổng hợp. Thay vì phụ thuộc vào ảnh được thu thập và gán nhãn thủ công, các nhóm giờ đây có thể tạo ra những khung cảnh chân thực mô phỏng môi trường, kích thước vật thể, điều kiện ánh sáng và biến thể phông nền cụ thể.

Hình 2. Khảo sát ảnh trên không tổng hợp được sử dụng để tăng cường dữ liệu (Nguồn)

Phương pháp này đặc biệt hữu ích cho bài toán phát hiện vật thể nhỏ, trong đó có thể khó thu thập các ví dụ thực tế một cách nhất quán. Bằng cách kiểm soát cách vật thể nhỏ xuất hiện trong ảnh tổng hợp, chẳng hạn như điều chỉnh tỷ lệ, mật độ và vị trí, ta có thể cung cấp cho model nhiều tình huống huấn luyện đa dạng hơn.

Khi được kết hợp thận trọng với dữ liệu thực, tăng cường dữ liệu tổng hợp có thể cải thiện độ bền vững của model, giảm chi phí thu thập dữ liệu và hỗ trợ cải thiện hiệu năng có mục tiêu hơn.

Các lựa chọn huấn luyện model có thể ảnh hưởng đến mAP của vật thể nhỏ#

Ngoài chất lượng dataset và tính nhất quán của nhãn chú thích, các lựa chọn huấn luyện model cũng ảnh hưởng đáng kể đến hiệu năng phát hiện vật thể nhỏ.

Sau đây là một số chiến lược huấn luyện quan trọng cần cân nhắc:

• Bắt đầu với model được huấn luyện trước: Một model được huấn luyện trước, chẳng hạn như Ultralytics YOLO26, đã học được các mẫu thị giác tổng quát từ những dataset ảnh lớn. Đây là điểm khởi đầu vững chắc hơn so với huấn luyện từ đầu, đặc biệt hữu ích khi phát hiện vật thể nhỏ với dữ liệu hạn chế.
• Sử dụng học chuyển giao một cách có chiến lược: Học chuyển giao là quá trình điều chỉnh model được huấn luyện trước cho dataset cụ thể của bạn. Phương pháp này giúp model tập trung vào các vật thể nhỏ trong dữ liệu của bạn, đồng thời giảm overfitting (ghi nhớ dữ liệu huấn luyện thay vì học các mẫu tổng quát).
• Xử lý mất cân bằng lớp: Nếu vật thể nhỏ xuất hiện ít thường xuyên hơn vật thể lớn, model có thể ưu tiên học các vật thể lớn. Các kỹ thuật như gán trọng số cho lớp hoặc chiến lược lấy mẫu giúp đảm bảo vật thể nhỏ không bị bỏ qua.
• Điều chỉnh ngưỡng confidence và IoU: Vật thể nhỏ nhạy với những lỗi định vị nhỏ. Tinh chỉnh các ngưỡng này giúp đánh giá và diễn giải hiệu năng phát hiện vật thể nhỏ tốt hơn trong quá trình validation và inference.

Các cân nhắc về kiến trúc model khi phát hiện vật thể nhỏ#

Bạn có thể sử dụng model phát hiện vật thể tổng quát cho các tác vụ phát hiện vật thể nhỏ, nhưng cũng có những kiến trúc model được thiết kế riêng để cải thiện khả năng này. Ví dụ, có các biến thể model P2 của Ultralytics YOLOv8 được tối ưu để bảo toàn chi tiết không gian nhỏ.

Ultralytics YOLOv8 xử lý ảnh ở nhiều tỷ lệ bằng cách thu nhỏ ảnh dần khi ảnh đi sâu hơn qua mạng. Cách này giúp model hiểu khung cảnh tổng thể, nhưng cũng làm giảm các chi tiết nhỏ.

Khi vật thể vốn đã rất nhỏ, thông tin thị giác quan trọng có thể biến mất trong quá trình này. Biến thể P2 của Ultralytics YOLOv8 xử lý vấn đề này bằng cách sử dụng stride bằng 2 trong feature pyramid.

Feature pyramid là thành phần của model phân tích ảnh ở nhiều độ phân giải nội bộ để có thể phát hiện vật thể với kích thước khác nhau. Với stride bằng 2, ảnh được thu nhỏ từ từ hơn ở giai đoạn này, giúp bảo toàn nhiều chi tiết hơn ở cấp độ pixel ban đầu.

Nhờ bảo toàn được nhiều chi tiết không gian hơn, vật thể nhỏ giữ lại được cấu trúc hiển thị rõ hơn bên trong mạng. Điều này giúp model định vị và phát hiện vật thể chỉ chiếm vài pixel dễ dàng hơn, qua đó có thể cải thiện mAP cho vật thể nhỏ.

Đánh giá theo kích thước khi phát hiện vật thể nhỏ#

Dù độ chính xác trung bình (mAP) tóm tắt hiệu năng tổng thể của model, chỉ số này không phải lúc nào cũng cho thấy model xử lý vật thể ở các kích thước khác nhau tốt đến đâu. Với vật thể nhỏ, hiệu năng thường bị giới hạn bởi độ chính xác định vị hơn là chỉ riêng khả năng phân loại, nghĩa là dịch chuyển nhỏ của bounding box cũng có thể ảnh hưởng đáng kể đến kết quả.

Nói cách khác, model có thể xác định đúng lớp của vật thể, nhưng nếu bounding box dự đoán hơi lệch thì lần phát hiện đó vẫn có thể bị xem là sai. Vì vật thể nhỏ chỉ chiếm một số ít pixel, ngay cả dịch chuyển nhỏ ở vị trí box cũng có thể làm giảm đáng kể mức độ chồng lấp giữa box dự đoán và ground truth. Do đó, điểm đánh giá có thể giảm ngay cả khi vật thể được nhận dạng chính xác.

Hình 3. Việc đánh giá phát hiện vật thể nhỏ có thể phức tạp (Nguồn)

Một phương pháp cung cấp nhiều thông tin hơn là đánh giá hiệu năng theo kích thước vật thể. Hầu hết benchmark được sử dụng rộng rãi đều báo cáo precision trung bình riêng cho vật thể nhỏ, vừa và lớn.

Phân tích theo từng kích thước này cho thấy rõ hơn model hoạt động tốt ở đâu và gặp khó khăn ở đâu. Trên thực tế, AP của vật thể nhỏ thường thấp hơn mAP tổng thể, làm nổi bật những thách thức về định vị vốn có thể không rõ ràng trong các chỉ số tổng hợp.

Cân nhắc các ràng buộc triển khai và sự đánh đổi trong thực tế#

Hiệu năng model thường thay đổi khi chuyển từ môi trường kiểm thử có kiểm soát sang triển khai thực tế. Các yếu tố như độ phân giải ảnh, tốc độ xử lý và phần cứng sẵn có tạo ra những sự đánh đổi ảnh hưởng trực tiếp đến khả năng phát hiện vật thể nhỏ.

Ví dụ, tăng độ phân giải đầu vào có thể cải thiện mAP của vật thể nhỏ vì mục tiêu nhỏ chiếm nhiều pixel hơn và giữ lại được nhiều chi tiết hơn. Tuy nhiên, độ phân giải cao hơn cũng làm tăng mức sử dụng bộ nhớ và thời gian xử lý. Điều này có thể làm chậm inference và tăng chi phí vận hành.

Hình 4. Thách thức khi triển khai hệ thống phát hiện vật thể nhỏ. Hình ảnh do tác giả thực hiện.

Lựa chọn phần cứng đóng vai trò quan trọng trong việc quản lý những sự đánh đổi này. GPU mạnh hơn cho phép chạy model lớn hơn và xử lý nhanh hơn, nhưng môi trường triển khai, đặc biệt là thiết bị biên, thường có tài nguyên tính toán và bộ nhớ hạn chế.

Các ứng dụng thời gian thực tạo thêm một ràng buộc: để duy trì độ trễ thấp, có thể cần giảm kích thước model hoặc độ phân giải đầu vào, điều này có thể ảnh hưởng tiêu cực đến recall của vật thể nhỏ. Cuối cùng, quyết định triển khai cần cân bằng hiệu năng phát hiện với giới hạn phần cứng, yêu cầu tốc độ và tổng chi phí.

Tổng kết: Cải thiện mAP của model đối với vật thể nhỏ#

Cải thiện khả năng phát hiện vật thể nhỏ đòi hỏi một phương pháp tiếp cận thực tiễn và có cấu trúc, đặc biệt khi làm việc trong môi trường thực tế. Sau đây là tổng quan về các bước chính cần lưu ý:

• Đánh giá chất lượng dataset: Đảm bảo dataset có đủ ví dụ về vật thể nhỏ, sử dụng ảnh độ phân giải cao khi có thể và phản ánh các điều kiện triển khai model.
• Xác minh tính nhất quán của nhãn chú thích: Đảm bảo bounding box chính xác, đầy đủ và được gán nhãn nhất quán. Nhãn chú thích không nhất quán có thể trực tiếp hạn chế hiệu năng định vị.
• Chủ động tinh chỉnh cấu hình huấn luyện: Điều chỉnh cẩn thận batch size, số epoch và các thiết lập tối ưu hóa để vật thể nhỏ được biểu diễn đầy đủ trong quá trình huấn luyện.
• Lặp lại từng bước: Thực hiện các điều chỉnh có kiểm soát, đo lường tác động và hoàn thiện phương pháp. Quá trình lặp có hệ thống, dựa trên dữ liệu sẽ giúp cải thiện ổn định theo thời gian.

Điểm chính cần ghi nhớ#

Cải thiện mAP cho vật thể nhỏ đòi hỏi một phương pháp có cấu trúc, dựa trên dữ liệu, thay vì điều chỉnh ngẫu nhiên. Cải thiện thực sự đến từ việc kết hợp dữ liệu tốt, nhãn chú thích nhất quán, huấn luyện cẩn thận và phương pháp đánh giá phù hợp. Trong các dự án thực tế, kiểm thử đều đặn cùng những thay đổi nhỏ, có thể đo lường mới là yếu tố giúp khả năng phát hiện vật thể nhỏ tốt hơn và đáng tin cậy hơn theo thời gian.

Tham gia cộng đồng đang phát triển của chúng tôi và khám phá kho GitHub để tiếp cận các tài nguyên AI thực hành. Để bắt đầu xây dựng với vision AI ngay hôm nay, hãy khám phá các tùy chọn cấp phép. Tìm hiểu cách AI trong nông nghiệp đang chuyển đổi hoạt động canh tác và cách vision AI trong robot định hình tương lai bằng cách truy cập các trang giải pháp của chúng tôi.