Cách sử dụng Ultralytics YOLO11 để phân loại hình ảnh

Giả sử một robot đang quan sát hai con mèo, một đen và một trắng, và nó cần xác định con nào là con nào. Để thực hiện việc này, nó có thể sử dụng image classification, một tác vụ computer vision giúp nhận diện và phân loại các đối tượng hoặc cảnh vật trong hình ảnh. Trên thực tế, nhờ những tiến bộ gần đây trong trí tuệ nhân tạo (AI), image classification có thể được sử dụng trong nhiều ứng dụng đa dạng, từ giám sát động vật đến sản xuất và nông nghiệp với khả năng phát hiện bệnh trên cây trồng.

Một trong những tiến bộ mới nhất trong image classification là model Ultralytics YOLO11. Được ra mắt tại sự kiện hybrid thường niên của Ultralytics, YOLO Vision 2024 (YV24), YOLO11 được thiết kế để giải quyết nhiều tác vụ vision AI đa dạng, bao gồm cả image classification, một cách dễ dàng và chính xác.

Trong bài viết này, chúng ta sẽ khám phá các nguyên lý cơ bản của image classification, thảo luận về các ứng dụng thực tế và hướng dẫn cách bạn có thể sử dụng YOLO11 để thực hiện image classification thông qua package Python Ultralytics. Chúng ta cũng sẽ xem xét cách bạn có thể trải nghiệm các khả năng của YOLO11 trên Ultralytics HUB chỉ với vài bước đơn giản. Hãy cùng bắt đầu!

Hình 1. Ví dụ về việc sử dụng Ultralytics YOLO11 để phân loại một chú mèo Ba Tư.

Link to this sectionImage classification là gì?#

Image classification hoạt động bằng cách gán nhãn hoặc thẻ cho một hình ảnh dựa trên các mẫu đã học từ những hình ảnh được dán nhãn trước đó. Bằng cách phân tích kỹ lưỡng các pixel của hình ảnh, một model computer vision có thể tìm ra kết quả khớp nhất cho hình ảnh đó. Các model tin cậy như YOLO11 có thể xử lý quy trình này một cách mượt mà. Kiến trúc model của YOLO11 giúp việc xử lý hình ảnh hoặc khung hình video gần như ngay lập tức, làm cho nó trở nên lý tưởng cho các ứng dụng cần phân loại hình ảnh nhanh chóng và chính xác.

Để thực sự hiểu phạm vi của image classification, việc phân biệt nó với các tác vụ khác như object detection là rất hữu ích. Trong khi image classification dán nhãn cho toàn bộ hình ảnh, object detection nhận diện và định vị từng đối tượng trong hình ảnh đó.

Hình 2. So sánh giữa image classification, object detection và image segmentation.

Hãy xem xét hình ảnh một con hươu cao cổ. Trong image classification, model có thể chỉ dán nhãn toàn bộ hình ảnh là một con hươu cao cổ dựa trên nội dung tổng thể. Tuy nhiên, với object detection, model không dừng lại ở việc nhận diện hươu cao cổ; nó còn đặt một bounding box xung quanh con hươu cao cổ đó, xác định chính xác vị trí của nó trong hình ảnh.

Bây giờ, hãy tưởng tượng con hươu cao cổ đứng gần một cái cây ở thảo nguyên cùng với các loài động vật khác. Một model image classification có thể dán nhãn toàn bộ cảnh đó là thảo nguyên hoặc động vật hoang dã. Tuy nhiên, với object detection, model sẽ nhận diện từng phần tử một cách riêng biệt, nhận ra con hươu cao cổ, cái cây và các động vật khác, mỗi đối tượng đều có bounding box riêng.

Link to this sectionCác ứng dụng image classification của YOLO11#

Độ chính xác và hiệu suất của model Ultralytics YOLO11 cho image classification làm cho nó hữu ích trong nhiều ngành công nghiệp. Hãy cùng khám phá một số ứng dụng chính của YOLO11 trong image classification.

Link to this sectionỨng dụng image classification với YOLO11 trong nông nghiệp#

Image classification có thể giúp tối ưu hóa nhiều chức năng trong ngành nông nghiệp và trồng trọt. Cụ thể, bằng cách sử dụng các model image classification như YOLO11, nông dân có thể liên tục giám sát sức khỏe của cây trồng, phát hiện các bệnh nghiêm trọng và xác định bất kỳ sự xâm nhập của sâu bệnh nào với độ chính xác cao.

Dưới đây là cách thức thực hiện:

• Chụp ảnh: Các thiết bị Internet of Things (IoT) như camera và drone có thể được triển khai để chụp ảnh 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 khả dụng và kết nối, hình ảnh có thể được xử lý tại chỗ thông qua edge computing hoặc tải lên cloud để phân tích chuyên sâu hơn.
• Image classification với YOLO11: Model YOLO11 có thể phân tích những hình ảnh này để phân loại các điều kiện cây trồng khác nhau. Các lớp thông thường có thể bao gồm khỏe mạnh, bị bệnh, bị sâu bệnh xâm nhập hoặc thiếu hụt dinh dưỡng, giúp xác định chính xác các vấn đề ảnh hưởng đến các khu vực khác nhau của cánh đồng.
• Tạo thông tin chi tiết (insight): Dựa trên kết quả phân loại, YOLO11 cung cấp thông tin chi tiết về các chỉ số sức khỏe cây trồng, giúp nông dân phát hiện sớm các dấu hiệu bệnh tật, xác định các điểm nóng sâu bệnh hoặc phát hiện thiếu hụt dinh dưỡng.
• Ra quyết định dựa trên dữ liệu: Với những thông tin này, nông dân có thể đưa ra các quyết định có mục tiêu về tưới tiêu, bón phân và kiểm soát sâu bệnh, áp dụng nguồn lực chỉ ở những nơi cần thiết nhất.

Hình 3. Ví dụ về các lớp lá khác nhau từ khỏe mạnh đến bị nhiễm bệnh.

Link to this sectionỨng dụng image classification với YOLO11 trong bán lẻ#

Image classification có thể cải thiện đáng kể trải nghiệm mua sắm bán lẻ, làm cho nó trở nên cá nhân hóa và thân thiện với người dùng hơn. Các nhà bán lẻ có thể sử dụng các model computer vision được huấn luyện tùy chỉnh để nhận diện sản phẩm trong kho hàng của họ và tích hợp khả năng này vào ứng dụng di động hoặc trang web. Khách hàng sau đó có thể tìm kiếm sản phẩm chỉ bằng cách tải ảnh lên, giúp việc mua sắm nhanh chóng và thuận tiện hơn.

Khi khách hàng tải hình ảnh lên hệ thống tìm kiếm bằng hình ảnh, một vài quy trình sẽ diễn ra bên dưới trước khi kết quả tìm kiếm xuất hiện.

Trước hết, object detection có thể được sử dụng để chọn ra các mục chính trong hình ảnh, ví dụ như xác định một món đồ thời trang hoặc một món đồ nội thất và tách nó khỏi nền. Tiếp theo, image classification có thể được sử dụng để phân loại chi tiết hơn từng mục, nhận diện xem đó là áo khoác, áo sơ mi, ghế sofa hay bàn.

Với thông tin này, hệ thống có thể hiển thị các sản phẩm tương tự có sẵn để mua, điều này đặc biệt hữu ích để tìm các mặt hàng độc đáo hoặc theo xu hướng khó mô tả bằng lời nói. Công nghệ tương tự cũng có thể giúp tối ưu hóa các tác vụ bán lẻ khác, như quản lý hàng tồn kho, bằng cách tự động nhận diện và phân loại các mặt hàng.

Hình 4. Một nền tảng tìm kiếm hình ảnh dựa trên image classification đang hoạt động.

Link to this sectionGiám sát động vật hoang dã với image classification bằng YOLO11#

Theo truyền thống, việc giám sát động vật trong tự nhiên là một công việc tẻ nhạt, đòi hỏi nhiều người phải phân loại và phân tích thủ công hàng ngàn bức ảnh. Với các model computer vision như YOLO11, các 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. Model vision AI sau đó có thể được sử dụng để phân tích những bức ảnh này và phân loại các loài động vật trong đó (nếu có). Một hệ thống như vậy có thể giúp các nhà nghiên cứu nghiên cứu và theo dõi quần thể động vật, các mô hình di cư của chúng, v.v.

Một cách khác mà các model AI và computer vision như YOLO11 có thể giúp ích trong lĩnh vực này là tối ưu hóa quy trình phân loại các loài có nguy cơ tuyệt chủng. Bằng cách xác định các loài hoặc danh mục giống tiềm năng mà một con vật có thể thuộc về, các 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 image classification để giám sát các loài động vật hoang dã Tasmanian khác nhau. Các dự đoán từ model sau đó có thể giúp các nhà khoa học và nhà nghiên cứu theo dõi hoạt động và hành vi của động vật, vốn có thể báo hiệu các mối đe dọa như săn trộm hoặc mất môi trường sống.

Hình 5. YOLO11 dự đoán các giống loài tiềm năng mà một chú chó có thể thuộc về.

Link to this sectionTrải nghiệm image classification với model YOLO11#

Bây giờ chúng ta đã thảo luận về image classification là gì và khám phá một số ứng dụng của nó, hãy cùng xem cách bạn có thể trải nghiệm image classification với model YOLO11 mới. Có hai cách dễ dàng để bắt đầu: sử dụng package Python Ultralytics hoặc thông qua Ultralytics HUB. Chúng tôi sẽ hướng dẫn cả hai tùy chọn này.

Link to this sectionChạy suy luận sử dụng YOLO11#

Để bắt đầu với package Python Ultralytics, chỉ cần cài đặt nó bằng pip, conda hoặc Docker. Nếu bạn gặp bất kỳ vấn đề nào, hãy xem Hướng dẫn về các Vấn đề Chung của chúng tôi để có các mẹo khắc phục sự cố hữu ích.

Sau khi package được cài đặt, bạn có thể sử dụng đoạn mã sau để tải một phiên bản của model image classification YOLO11 và chạy inference trên một hình ảnh. Chạy inference nghĩa là sử dụng một model đã được huấn luyện để đưa ra các dự đoán trên dữ liệu mới, chưa từng thấy trước đó. Bạn có thể thử nghiệm với một hình ảnh tùy chọn!

Hình 6. Chạy inference sử dụng model YOLO11.

Link to this sectionHuấn luyện một model phân loại YOLO11 tùy chỉnh#

Bạn cũng có thể sử dụng cùng package Python đó để huấn luyện một model phân loại YOLO11 tùy chỉnh. Việc huấn luyện tùy chỉnh giúp bạn có thể fine-tune một model YOLO11 cho các nhu cầu cụ thể của bạn. Ví dụ, nếu bạn đang phát triển một ứng dụng để phân loại các giống mèo khác nhau, bạn có thể huấn luyện tùy chỉnh một model YOLO11 chỉ cho mục đích đó.

Đoạn mã bên dưới hiển thị cách tải và huấn luyện một model image classification YOLO11. Nó cho phép bạn transfer pre-trained weights, sử dụng kiến thức từ một model hiện có để tăng cường hiệu suất cho model của riêng bạn. Bạn có thể chỉ định một dataset, như dataset "fashion-mnist", vốn là một tập hợp các hình ảnh thang độ xám nổi tiếng về các mặt hàng thời trang (áo sơ mi, quần, giày, v.v.). Việc huấn luyện model trên dataset này dạy nó cách nhận diện các danh mục quần áo khác nhau. Bạn có thể thay đổi "fashion-mnist" bằng bất kỳ dataset nào phù hợp với dự án của mình, chẳng hạn như các giống mèo hoặc các loại cây.

Hình 7. Huấn luyện tùy chỉnh model YOLO11 cho image classification.

Link to this sectionTrải nghiệm YOLO11 trên Ultralytics HUB#

Mặc dù việc sử dụng package Ultralytics rất đơn giản, nhưng nó yêu cầu một số kiến thức về Python. Nếu bạn đang tìm kiếm một tùy chọn thân thiện với người mới bắt đầu hơn, bạn có thể sử dụng Ultralytics HUB, một nền tảng được thiết kế để làm cho việc huấn luyện và triển khai các model YOLO khác nhau trở nên đơn giản và dễ tiếp cận. Để bắt đầu, bạn sẽ cần tạo một tài khoản.

Sau khi đăng nhập, hãy điều hướng đến phần ‘Models’ và chọn model YOLO11 cho image classification. Bạn sẽ thấy một loạt các kích thước model có sẵn: nano, small, medium, large và extra-large. Sau khi chọn một model, bạn có thể tải hình ảnh lên trong phần ‘Preview’, nơi các dự đoán sẽ xuất hiện ở phía bên trái của trang sau khi hình ảnh được xử lý.

Hình 8. Sử dụng Ultralytics HUB để chạy inference.

Link to this sectionCác điểm chính cần lưu ý#

YOLO11 mang đến các khả năng image classification mạnh mẽ, mở ra những khả năng mới trong nhiều ngành công nghiệp. Từ việc cải thiện giám sát cây trồng trong nông nghiệp và tăng cường tìm kiếm sản phẩm trong bán lẻ đến việc hỗ trợ bảo tồn động vật hoang dã, tốc độ và độ chính xác của YOLO11 làm cho nó trở nên lý tưởng cho các ứng dụng đa dạng. Với các tùy chọn huấn luyện tùy chỉnh thông qua package Python Ultralytics hoặc thiết lập không cần code thân thiện với người dùng trên Ultralytics HUB, người dùng có thể dễ dàng kết hợp YOLO11 vào quy trình công việc của mình. Khi ngày càng có nhiều ngành công nghiệp áp dụng các giải pháp AI, YOLO11 cung cấp một công cụ linh hoạt, hiệu suất cao hỗ trợ sự đổi mới và những tiến bộ thiết thực.

Để khám phá thêm, hãy truy cập repository GitHub của chúng tôi và tham gia với cộng đồng của chúng tôi. Khám phá các ứng dụng AI trong xe tự lái và chăm sóc sức khỏe trên các trang giải pháp của chúng tôi. 🚀