Cách sử dụng Ultralytics YOLO11 cho image classification
Tìm hiểu cách model Ultralytics YOLO11 mới cải thiện image classification, mang lại độ chính xác cao hơn cho các tác vụ trong nông nghiệp, bán lẻ và giám sát động vật hoang dã.
Hãy thử hình dung một robot đang nhìn hai con mèo, một con màu đen và một con màu trắng, và cần xác định con nào là con nào. Để làm điều đó, robot có thể sử dụng phân loại hình ảnh, một tác vụ thị giác máy tính giúp nhận diện và phân loại các đối tượng hoặc cảnh trong hình ảnh. Trên thực tế, nhờ những tiến bộ gần đây trong trí tuệ nhân tạo (AI), phân loại hình ảnh có thể được sử dụng trong nhiều ứng dụng, từ giám sát động vật đến sản xuất và nông nghiệp với phát hiện bệnh trên cây trồng.
Một trong những tiến bộ mới nhất trong phân loại hình ảnh là model Ultralytics YOLO11. Được ra mắt tại sự kiện kết hợp thường niên của Ultralytics, YOLO Vision 2024 (YV24), YOLO11 được thiết kế để dễ dàng và chính xác xử lý nhiều tác vụ AI thị giác, bao gồm phân loại hình ảnh.
Trong bài viết này, chúng ta sẽ tìm hiểu những kiến thức nền tảng về phân loại hình ảnh, thảo luận về các ứng dụng thực tế và hướng dẫn cách sử dụng YOLO11 để phân loại hình ảnh thông qua gói Python của Ultralytics. Chúng ta cũng sẽ xem cách bạn có thể thử các khả năng của YOLO11 trên Ultralytics HUB chỉ với vài bước đơn giản. Hãy bắt đầu!
Hình 1. Ví dụ sử dụng Ultralytics YOLO11 để phân loại một con mèo Ba Tư.
Phân loại hình ảnh là gì?#
Phân loại hình ảnh hoạt động bằng cách gán nhãn hoặc thẻ cho một hình ảnh dựa trên các mẫu đã học từ những hình ảnh được gán nhãn trước đó. Bằng cách phân tích cẩn thận các pixel của hình ảnh, một model thị giác máy tính có thể tìm ra kết quả phù hợp nhất cho hình ảnh đó. Các model đáng tin cậy như Ultralytics YOLO11 có thể xử lý quy trình này một cách liền mạch. Kiến trúc model của YOLO11 cho phép xử lý hình ảnh hoặc khung hình video gần như tức thì, rất phù hợp với các ứng dụng cần phân loại hình ảnh nhanh và chính xác.
Để thực sự hiểu phạm vi của phân loại hình ảnh, cần phân biệt tác vụ này với các tác vụ khác như phát hiện đối tượng. Trong khi phân loại hình ảnh gán nhãn cho toàn bộ hình ảnh, phát hiện đối tượng nhận diện và xác định vị trí của từng đối tượng trong hình ảnh.
Hình 2. So sánh giữa phân loại hình ảnh, phát hiện đối tượng và phân đoạn hình ảnh.
Hãy xét một hình ảnh có một con hươu cao cổ. Trong phân loại hình ảnh, model có thể chỉ gán nhãn toàn bộ hình ảnh là hươu cao cổ dựa trên nội dung tổng thể. Tuy nhiên, với phát hiện đối tượng, model không dừng ở việc nhận diện hươu cao cổ mà còn đặt một bounding box quanh nó, xác định chính xác vị trí của con vật trong hình ảnh.
Bây giờ, hãy hình dung con hươu cao cổ đang đứng gần một cái cây trên thảo nguyên cùng với các loài động vật khác. Model phân loại hình ảnh có thể gán nhãn toàn bộ cảnh là thảo nguyên hoặc chỉ là động vật hoang dã. Tuy nhiên, với phát hiện đối tượng, model sẽ nhận diện riêng từng thành phần, gồm hươu cao cổ, cái cây và các loài động vật khác, mỗi thành phần có bounding box riêng.
Các ứng dụng phân loại hình ảnh với Ultralytics YOLO11#
Độ chính xác và hiệu năng của model Ultralytics YOLO11 trong phân loại hình ảnh khiến model này hữu ích trong nhiều ngành. Hãy cùng tìm hiểu một số ứng dụng chính của YOLO11 trong phân loại hình ảnh.
Phân loại hình ảnh với Ultralytics YOLO11 trong nông nghiệp#
Phân loại hình ảnh có thể giúp tinh gọn nhiều hoạt động trong ngành nông nghiệp. Cụ thể, bằng cách sử dụng các model phân loại hình ảnh như YOLO11, nông dân có thể liên tục theo dõi tình trạng của cây trồng, phát hiện các bệnh nghiêm trọng và nhận diện sự xâm nhiễm của sâu bệnh với độ chính xác cao.
Dưới đây là cách quy trình này hoạt động:
- Thu thập hình ảnh: Các thiết bị Internet vạn vật (IoT) như camera và drone có thể được triển khai để chụp hình ảnh theo thời gian thực của cây trồng từ nhiều góc độ và vị trí khác nhau trên cánh đồng.
- Xử lý: Tùy thuộc vào tài nguyên và khả năng kết nối, hình ảnh có thể được xử lý tại chỗ thông qua điện toán biên hoặc tải lên đám mây để phân tích chuyên sâu hơn.
- Phân loại hình ảnh với YOLO11: Model YOLO11 có thể phân tích những hình ảnh này để phân loại nhiều tình trạng cây trồng. Các lớp phổ biến có thể bao gồm khỏe mạnh, mắc bệnh, bị sâu bệnh và thiếu chất dinh dưỡng, giúp xác định chính xác các vấn đề cụ thể ảnh hưởng đến từng khu vực trên cánh đồng.
- Tạo thông tin chuyên sâu: Dựa trên kết quả phân loại, Ultralytics YOLO11 cung cấp thông tin chuyên sâu về các chỉ số sức khỏe cây trồng, giúp nông dân phát hiện sớm dấu hiệu bệnh, xác định các điểm nóng về sâu bệnh hoặc nhận biết tình trạng thiếu chất dinh dưỡng.
- Ra quyết định dựa trên thông tin: Với những thông tin chuyên sâu này, nông dân có thể đưa ra quyết định có mục tiêu về tưới tiêu, bón phân và kiểm soát sâu bệnh, chỉ phân bổ tài nguyên ở những nơi cần thiết nhất.
Hình 3. Ví dụ về các lớp lá khác nhau, từ khỏe mạnh đến nhiễm bệnh.
Phân loại hình ảnh với Ultralytics YOLO11 trong bán lẻ#
Phân loại hình ảnh có thể cải thiện đáng kể trải nghiệm mua sắm bán lẻ, giúp trải nghiệm được cá nhân hóa và thân thiện hơn. Nhà bán lẻ có thể sử dụng các model thị giác máy tính được huấn luyện tùy chỉnh để nhận diện sản phẩm trong kho và tích hợp khả năng này vào ứng dụng di động hoặc website. Sau đó, khách hàng có thể tìm kiếm sản phẩm chỉ bằng cách tải lên một bức ảnh, giúp việc mua sắm nhanh chóng và thuận tiện hơn.
Khi khách hàng tải một hình ảnh lên hệ thống tìm kiếm trực quan, nhiều quy trình sẽ diễn ra ở phía sau trước khi kết quả tìm kiếm xuất hiện.
Trước tiên, có thể sử dụng phát hiện đối tượng để chọn ra các vật thể chính trong hình ảnh, chẳng hạn như nhận diện một món đồ hoặc một món nội thất và tách nó khỏi nền. Tiếp theo, có thể sử dụng phân loại hình ảnh để phân loại chi tiết từng vật thể, xác định đó là áo khoác, áo sơ mi, sofa hay bàn.
Với thông tin này, hệ thống có thể hiển thị các sản phẩm tương tự đang được bán, đặc biệt hữu ích khi tìm những món đồ độc đáo hoặc hợp xu hướng khó mô tả chỉ bằng từ ngữ. Công nghệ tương tự cũng có thể tinh gọn các tác vụ bán lẻ khác, chẳng hạn như quản lý hàng tồn kho, bằng cách tự động nhận diện và phân loại các mặt hàng.
Hình 4. Nền tảng tìm kiếm trực quan dựa trên phân loại hình ảnh đang hoạt động.
Giám sát động vật hoang dã với phân loại hình ảnh Ultralytics YOLO11#
Theo cách truyền thống, việc giám sát động vật trong tự nhiên là một nhiệm vụ tốn nhiều công sức, đòi hỏi nhiều người phải thủ công sắp xếp và phân tích hàng nghìn bức ảnh. Với các model thị giác máy tính như Ultralytics YOLO11, nhà nghiên cứu có thể tự động giám sát động vật với tốc độ nhanh hơn. Camera có thể được đặt trong môi trường sống tự nhiên để chụp ảnh. Sau đó, model AI thị giác có thể phân tích những bức ảnh này và phân loại các loài động vật trong đó (nếu có). Hệ thống như vậy có thể giúp các nhà nghiên cứu nghiên cứu và theo dõi quần thể động vật, mô hình di cư của chúng, v.v.
Một cách khác mà các model AI và thị giác máy tính như Ultralytics YOLO11 có thể hỗ trợ lĩnh vực này là tinh gọn quy trình phân loại các loài có nguy cơ tuyệt chủng. Bằng cách xác định các nhóm loài hoặc giống tiềm năng mà một con vật có thể thuộc về, những model này có thể cung cấp dữ liệu thiết yếu cho các nhà nghiên cứu. Ví dụ, Đại học Tasmania (UTAS) đã phát triển một hệ thống dựa trên phân loại hình ảnh để giám sát nhiều loài động vật hoang dã Tasmania. Các dự đoán từ model sau đó có thể giúp các nhà khoa học và nhà nghiên cứu theo dõi hoạt động, hành vi của động vật, vốn có thể báo hiệu những mối đe dọa như săn trộm hoặc mất môi trường sống.
Hình 5. Ultralytics YOLO11 dự đoán các giống tiềm năng mà một con chó có thể thuộc về.
Thử nghiệm phân loại hình ảnh với model Ultralytics YOLO11#
Sau khi đã thảo luận về phân loại hình ảnh và tìm hiểu một số ứng dụng của nó, hãy cùng xem cách bạn có thể thử phân loại hình ảnh với model YOLO11 mới. Có hai cách đơn giản để bắt đầu: sử dụng gói Python của Ultralytics hoặc thông qua Ultralytics HUB. Chúng ta sẽ lần lượt tìm hiểu cả hai tùy chọn.
Chạy inference bằng Ultralytics YOLO11#
Để bắt đầu với gói Python của Ultralytics, bạn chỉ cần cài đặt gói bằng pip, conda hoặc Docker. Nếu gặp vấn đề, hãy xem Hướng dẫn các vấn đề thường gặp để tham khảo các mẹo khắc phục sự cố hữu ích.
Sau khi cài đặt gói, bạn có thể sử dụng đoạn code sau để tải một biến thể của model phân loại hình ảnh Ultralytics YOLO11 và chạy inference trên một hình ảnh. Chạy inference nghĩa là sử dụng một model đã huấn luyện để đưa ra dự đoán trên dữ liệu mới chưa từng được nhìn thấy. Bạn có thể thử với một hình ảnh bất kỳ!
Hình 6. Chạy inference bằng model Ultralytics YOLO11.
Huấn luyện model phân loại Ultralytics YOLO11 tùy chỉnh#
Bạn cũng có thể sử dụng chính gói Python này để huấn luyện một model phân loại Ultralytics YOLO11 tùy chỉnh. Việc huấn luyện tùy chỉnh cho phép bạn fine-tune model YOLO11 theo nhu cầu cụ thể của mình. Ví dụ, nếu đang phát triển một ứng dụng để phân loại các giống mèo khác nhau, bạn có thể huấn luyện tùy chỉnh một model YOLO11 cho riêng mục đích đó.
Đoạn code dưới đây cho biết cách tải và huấn luyện model phân loại hình ảnh Ultralytics YOLO11. Đoạn code cho phép bạn chuyển giao trọng số đã huấn luyện trước, sử dụng kiến thức từ một model hiện có để cải thiện hiệu năng của model riêng. Bạn có thể chỉ định một dataset, chẳng hạn dataset "fashion-mnist", một tập dữ liệu nổi tiếng gồm các hình ảnh thang độ xám về các mặt hàng quần áo (áo sơ mi, quần, giày, v.v.). Huấn luyện model trên dataset này giúp model học cách nhận diện các danh mục quần áo khác nhau. Bạn có thể thay "fashion-mnist" bằng bất kỳ dataset nào phù hợp với dự án, chẳng hạn các giống mèo hoặc loại cây.
Hình 7. Huấn luyện tùy chỉnh model Ultralytics YOLO11 để phân loại hình ảnh.
Dùng thử YOLO11 trên Ultralytics HUB#
Mặc dù việc sử dụng gói Ultralytics khá đơn giản, bạn vẫn cần có một số kiến thức về Python. Nếu đang tìm một tùy chọn thân thiện hơn với người mới bắt đầu, bạn có thể sử dụng Ultralytics HUB, một nền tảng được thiết kế để giúp việc huấn luyện và triển khai các model YOLO khác nhau trở nên đơn giản và dễ tiếp cận. Để bắt đầu, bạn cần tạo tài khoản.
Sau khi đăng nhập, hãy chuyển đến phần ‘Models’ và chọn model Ultralytics YOLO11 để phân loại hình ảnh. Bạn sẽ thấy nhiều kích thước model có sẵn: nano, small, medium, large và extra-large. Sau khi chọn model, bạn có thể tải hình ảnh lên phần ‘Preview’, nơi các dự đoán sẽ xuất hiện ở bên trái trang sau khi hình ảnh được xử lý.
Hình 8. Sử dụng Ultralytics HUB để chạy inference.
Những điểm chính#
YOLO11 cung cấp khả năng phân loại hình ảnh mạnh mẽ, mở ra những khả năng mới trong nhiều ngành. Từ cải thiện việc giám sát cây trồng trong nông nghiệp và nâng cao khả năng tìm kiếm sản phẩm trong bán lẻ đến hỗ trợ bảo tồn động vật hoang dã, tốc độ và độ chính xác của YOLO11 khiến model này phù hợp với nhiều ứng dụng đa dạng. Với các tùy chọn huấn luyện tùy chỉnh thông qua gói Python của Ultralytics hoặc thiết lập không cần code, thân thiện với người dùng trên Ultralytics HUB, người dùng có thể dễ dàng tích hợp YOLO11 vào quy trình làm việc của mình. Khi ngày càng nhiều ngành áp dụng các giải pháp AI, YOLO11 cung cấp một công cụ linh hoạt, hiệu năng cao, hỗ trợ đổi mới và những tiến bộ thiết thực.
Để tìm hiểu thêm, hãy truy cập repository GitHub của chúng tôi và tham gia cộng đồng. Khám phá các ứng dụng AI trong xe tự lái và chăm sóc sức khỏe trên các trang giải pháp của chúng tôi. 🚀
