Cách sử dụng Ultralytics YOLO11 để phân loại ảnh

Giả sử một robot đang nhìn hai con mèo, một con đen và một con trắng, và cần xác định đâu là con nào. Để làm việc đó, robot có thể dùng phân loại ảnh, một tác vụ thị giác máy tính giúp nhận diện và phân loại đối tượng hoặc khung cảnh trong ảnh. Trên thực tế, nhờ những tiến bộ gần đây trong trí tuệ nhân tạo (AI), phân loại ảnh có thể được ứng dụng rộng rãi trong nhiều lĩnh vực, từ theo dõi động vật đến sản xuất và nông nghiệp, chẳng hạn như phát hiện bệnh cây trồng.

Một bước tiến đáng chú ý trong lĩnh vực phân loại ảnh là model Ultralytics YOLO11. Ra mắt tại sự kiện hybrid thường niên của Ultralytics, YOLO Vision 2024 (YV24), YOLO11 được thiết kế để xử lý dễ dàng và chính xác nhiều tác vụ AI thị giác, bao gồm phân loại ảnh. (YOLO11 sau đó đã được thay thế bằng Ultralytics YOLO26, hỗ trợ cùng các tác vụ.)

Trong bài viết này, chúng ta sẽ tìm hiểu những kiến thức cơ bản về phân loại ảnh, thảo luận các ứng dụng thực tế và hướng dẫn cách sử dụng YOLO11 để phân loại ảnh thông qua package Python Ultralytics. Chúng ta cũng sẽ xem cách trải nghiệm khả năng của YOLO11 trên Ultralytics HUB (hiện là Ultralytics Platform) chỉ với vài bước đơn giản. Bắt đầu thôi!

Hình 1. Ví dụ sử dụng Ultralytics YOLO11 để phân loại mèo Ba Tư.

Phân loại hình ảnh là gì?#

Phân loại ảnh hoạt động bằng cách gán nhãn hoặc thẻ cho ảnh dựa trên các mẫu được học từ những ảnh đã gắn nhãn trước đó. Bằng cách phân tích kỹ pixel của ảnh, model thị giác máy tính có thể tìm ra nhãn phù hợp nhất. Các model đáng tin cậy như Ultralytics YOLO11 có thể xử lý quy trình này hiệu quả. Kiến trúc model của YOLO11 cho phép xử lý ảnh hoặc khung hình video gần như tức thì, phù hợp với các ứng dụng cần phân loại 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. Phân loại hình ảnh gán nhãn cho toàn bộ hình ảnh, trong khi phát hiện đối tượng xác định và định vị từng đối tượng trong hình ảnh.

Hình 2. So sánh phân loại hình ảnh, phát hiện đối tượng và phân đoạn hình ảnh.

Hãy xét một bức ảnh hươu cao cổ. Với phân loại ảnh, model có thể chỉ gán nhãn toàn bộ ảnh là hươu cao cổ dựa trên nội dung tổng thể. Tuy nhiên, với phát hiện đối tượng, model không chỉ dừng ở việc nhận diện hươu cao cổ mà còn vẽ bounding box quanh con vật, xác định chính xác vị trí của nó trong ảnh.

Giờ hãy tưởng tượng con hươu cao cổ đứng cạnh một cái cây trên thảo nguyên cùng với các loài vật khác. Model phân loại hình ảnh có thể gán nhãn toàn bộ khung 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, bao gồm hươu cao cổ, cái cây và các loài vật khác, đồng thời tạo hộp giới hạn cho từng đối tượng.

Các ứng dụng phân loại hình ảnh của Ultralytics YOLO11#

Độ chính xác và hiệu năng của model Ultralytics YOLO11 trong tác vụ phân loại ảnh khiến model trở nên hữu ích trong nhiều ngành nghề. Hãy cùng khám phá một số ứng dụng chính của YOLO11 trong phân loại ảnh.

Phân loại hình ảnh Ultralytics YOLO11 trong nông nghiệp#

Phân loại ảnh có thể giúp tinh gọn nhiều hoạt động trong ngành nông nghiệp. Cụ thể, bằng cách sử dụng các model phân loại ảnh như YOLO11, nông dân có thể liên tục theo dõi sức khỏe cây trồng, phát hiện bệnh nghiêm trọng và nhận diện tình trạng sâu bệnh với độ chính xác cao.

Dưới đây là cách quy trình này hoạt động:

• Thu thập ảnh: Các thiết bị Internet vạn vật (IoT) như camera và drone có thể được triển khai để chụp ảnh cây trồng theo thời gian thực từ nhiều góc độ và vị trí khác nhau trên đồng ruộng.
• Xử lý: Tùy thuộc vào tài nguyên và khả năng kết nối hiện có, 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 các tình trạng cây trồng khác nhau. Các lớp phổ biến có thể bao gồm khỏe mạnh, mắc bệnh, bị sâu bệnh hoặc thiếu dinh dưỡng, giúp xác định chính xác các vấn đề cụ thể ảnh hưởng đến từng khu vực trên đồng ruộng.
• 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 tập trung sâu bệnh hoặc nhận biết tình trạng thiếu dinh dưỡng.
• Ra quyết định dựa trên thông tin: Với những thông tin chuyên sâu này, nông dân có thể đưa ra quyết định phù hợp về tưới tiêu, bón phân và kiểm soát sâu bệnh, chỉ sử dụng tài nguyên ở những nơi thực sự cần thiết.

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

Phân loại hình ảnh 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 với người dùng. Các nhà bán lẻ có thể sử dụng 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. Khách hàng có thể tìm 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 trực quan, một số quy trình sẽ diễn ra phía sau trước khi kết quả tìm kiếm xuất hiện.

Trước tiên, có thể dùng phát hiện đối tượng để xác định các vật thể chính trong ảnh, chẳng hạn như nhận diện một món đồ hoặc món nội thất và tách nó khỏi nền. Tiếp theo, có thể dùng phân loại hình ảnh để phân loại chi tiết hơn từng món đồ, nhận diện xem 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 mặt hàng độc đáo hoặc hợp xu hướng khó mô tả chỉ bằng lời. Công nghệ tương tự cũng có thể giúp tinh giản các tác vụ bán lẻ khác, chẳng hạn như quản lý hàng tồn kho, bằng cách tự động nhận diện và phân loại 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 bằng phân loại hình ảnh Ultralytics YOLO11#

Trước đây, việc theo dõi động vật hoang dã là công việc tốn nhiều thời gian, đòi hỏi nhiều người sắp xếp và phân tích thủ công hàng nghìn bức ảnh. Với các model thị giác máy tính như Ultralytics YOLO11, nhà nghiên cứu có thể tự động theo dõi động vật nhanh hơn. Có thể đặt camera 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 ảnh (nếu có). Hệ thống như vậy có thể giúp nhà nghiên cứu nghiên cứu và theo dõi quần thể động vật cũng như mô hình di cư của chúng.

Một cách khác mà AI và các model thị giác máy tính như Ultralytics YOLO11 có thể hỗ trợ lĩnh vực này là tinh giản quy trình phân loại các loài có nguy cơ tuyệt chủng. Bằng cách xác định các loài hoặc nhóm giống tiềm năng mà một con vật có thể thuộc về, những model này có thể cung cấp dữ liệu thiết yếu cho nhà nghiên cứu. Ví dụ, Đại học Tasmania (UTAS) đã phát triển một hệ thống dựa trên phân loại hình ảnh để theo dõi các loài động vật hoang dã ở Tasmania. Dự đoán từ các model sau đó có thể giúp các nhà khoa học và nhà nghiên cứu theo dõi hoạt động cũng như hành vi của động vật, vốn có thể báo hiệu các mối đe dọa như săn trộm hoặc mất môi trường sống.

Hình 5. Ultralytics YOLO11 dự đoán những giống chó tiềm năng mà một con chó có thể thuộc về.

Thử phân loại hình ảnh bằng model Ultralytics YOLO11#

Giờ đây, sau khi đã tìm hiểu phân loại ảnh là gì và khám phá một số ứng dụng của phương pháp này, hãy cùng xem cách bạn có thể thử phân loại ảnh bằng YOLO11. Có hai cách đơn giản để bắt đầu: sử dụng package Python của Ultralytics hoặc thông qua Ultralytics HUB. Chúng ta sẽ hướng dẫn cả hai lựa chọn.

Chạy suy luận bằng Ultralytics YOLO11#

Để bắt đầu với package Ultralytics Python, chỉ cần cài đặt package bằng pip, conda hoặc Docker. Nếu gặp sự cố, hãy xem Hướng dẫn xử lý các sự cố thường gặp để biết các mẹo khắc phục hữu ích.

Sau khi cài đặt gói, bạn có thể dùng đoạn code sau để tải một biến thể của model phân loại hình ảnh Ultralytics YOLO11 và chạy suy luận trên một hình ảnh. Chạy suy luận nghĩa là sử dụng một model đã huấn luyện để đưa ra dự đoán trên dữ liệu mới chưa từng thấy. Bạn có thể thử với hình ảnh bất kỳ mà mình chọn!

Hình 6. Chạy suy luận bằng model Ultralytics YOLO11.

Huấn luyện model phân loại Ultralytics YOLO11 tùy chỉnh#

Bạn cũng có thể sử dụng cùng package Python để huấn luyện model phân loại Ultralytics YOLO11 tùy chỉnh. Huấn luyện tùy chỉnh cho phép bạn tinh chỉnh model YOLO11 theo nhu cầu cụ thể. Ví dụ: nếu đang phát triển ứng dụng phân loại các giống mèo khác nhau, bạn có thể huấn luyện bộ phân loại YOLO11 tùy chỉnh chỉ cho mục đích đó.

Đoạn mã bên dưới minh họa cách tải và huấn luyện model phân loại hình ảnh Ultralytics YOLO11. Đoạn mã cho phép bạn chuyển giao trọng số đã huấn luyện trước, sử dụng kiến thức từ một model hiện có để cải thiện hiệu suất model của riêng bạn. Bạn có thể chỉ định một dataset, chẳng hạn như dataset "fashion-mnist", một tập hợp nổi tiếng gồm các ảnh thang độ xám về mặt hàng quần áo (áo sơ mi, quần, giày, v.v.). Huấn luyện model trên dataset này giúp model 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 như 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 package Ultralytics dễ sử dụng, bạn vẫn cần có một số kiến thức về Python. Nếu muốn một lựa chọn thân thiện hơn với người mới bắt đầu, bạn có thể dùng Ultralytics HUB, một nền tảng được thiết kế để giúp việc huấn luyện và triển khai các model YOLO trở nên đơn giản và dễ tiếp cận. Để bắt đầu, bạn cần tạo tài khoản.

Sau khi đăng nhập, chuyển đến mục ‘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 ảnh lên trong mục ‘Preview’; sau khi ảnh được xử lý, các dự đoán sẽ xuất hiện ở bên trái trang.

Hình 8. Sử dụng Ultralytics HUB để chạy suy luận.

Điểm chính cần ghi nhớ#

YOLO11 cung cấp khả năng phân loại hình ảnh mạnh mẽ, mở ra nhiều cơ hội mới trong các ngành khác nhau. Từ cải thiện hoạt động giám sát cây trồng trong nông nghiệp, 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 package Ultralytics Python hoặc thiết lập không cần viết mã, thân thiện với người dùng trên Ultralytics HUB, người dùng có thể dễ dàng tích hợp YOLO11 vào quy trình làm việc. Khi ngày càng nhiều ngành ứng dụng AI, YOLO11 mang đến một lựa chọn linh hoạt, nhanh chóng cho tác vụ phân loại hình ảnh.

Để tìm hiểu thêm, hãy truy cập repository GitHub và tham gia 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.