Cách sử dụng Ultralytics YOLO11 để phân loại hình ảnh

Giả sử một robot đang nhìn vào hai con mèo, một đen và một trắng, và nó cần phân biệt con nào với con nào. Để làm được điều đó, nó có thể sử dụng image classification, một computer vision task giúp nhận dạng và phân loại các đối tượng hoặc khung cảnh trong một hình ảnh. Trên thực tế, nhờ những tiến bộ gần đây trong artificial intelligence (AI), image classification có thể được áp dụng trong vô số lĩnh vực đa dạng, từ animal monitoring đến sản xuất và nông nghiệp với tính năng crop disease detection.

Một trong những tiến bộ mới nhất trong image classification chính là Ultralytics YOLO11 model. Ra mắt tại Ultralytics' annual hybrid event, YOLO Vision 2024 (YV24), YOLO11 được thiết kế để giải quyết hàng loạt các tác vụ vision AI, bao gồm cả image classification, một cách dễ dàng và chính xác.

Trong bài viết này, chúng ta sẽ khám phá các nguyên 3lý cơ bản của image classification, thảo luận về các ứng dụng thực tế và chỉ cho bạn cách sử dụng YOLO11 cho image classification thông qua Ultralytics Python package. Chúng ta cũng sẽ tìm hiểu cách trải nghiệm các tính năng của YOLO11’s trên Ultralytics HUB chỉ trong vài bước đơn giản. Hãy bắt đầu ngay nào!

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

Image classification là gì?#

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

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

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

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

Các ứng dụng phân loại ảnh Ultralytics YOLO11#

Độ chính xác và performance của Ultralytics YOLO11 model trong tác vụ image classification giúp nó trở nên hữu ích trong rất nhiều ngành công nghiệp. Hãy cùng khám phá một số ứng dụng chính của YOLO11 trong image classification.

Phân loại ảnh Ultralytics YOLO11 trong nông nghiệp#

Image classification có thể giúp tối ưu hóa nhiều quy trình trong ngành agriculture và canh tác. Cụ thể, bằng cách sử dụng các model image classification như YOLO11, nông dân có thể liên tục theo dõi sức khỏe của crops, phát hiện các bệnh nghiêm trọng và nhận diện các trường hợp pest infestations với độ chính xác cao.

Dưới đây là cách thức thực hiện:

• Thu giữ hình ảnh: Các Internet of Things (IoT) devices như cameras and drones có thể được deployed để chụp ảnh thời gian thực về cây trồng từ nhiều góc độ và vị trí khác nhau trên đồng ruộng.
• Processing: Tùy thuộc vào tài nguyên và khả năng kết nối có sẵn, hình ảnh có thể được xử lý tại chỗ thông qua edge computing hoặc tải lên cloud để phân tích sâu hơn.
• Image classification với YOLO11: YOLO11 model có thể phân tích những hình ảnh này để phân loại các crop conditions khác nhau. Các class phổ biến có thể bao gồm khỏe mạnh, bị bệnh, nhiễm sâu bệnh hoặc thiếu dinh dưỡng, giúp xác định chính xác các vấn đề ảnh hưởng đến từng khu vực trên cánh đồng.
• Tạo thông tin chi tiết: Dựa trên các kết quả phân loại, Ultralytics 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, xác định các điểm nóng sâu bệnh hoặc phát hiện sự thiếu hụt chất dinh dưỡng.
• Informed decision-making: Với những thông tin này, nông dân có thể đưa ra các quyết định có mục tiêu về việc tưới tiêu, bón phân và kiểm soát sâu bệnh, áp dụng tài nguyên chỉ ở những nơi thực sự cần thiết nhất.

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

Phân loại ảnh Ultralytics YOLO11 trong bán lẻ#

Image classification có thể cải thiện đáng kể trải nghiệm retail shopping, giúp việc mua sắm trở nên cá nhân hóa và thân thiện hơn với người dùng. Retailers có thể sử dụng các computer vision model custom-trained để nhận diện sản phẩm trong kho của họ và tích hợp tính năng này vào ứng dụng di động hoặc trang web của họ. Khách hàng sau đó có thể tìm kiếm sản phẩm chỉ bằng cách tải lên một bức ảnh, giúp việc mua sắm trở nên nhanh chóng và tiện lợi 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.

Đầu tiên, object detection có thể được sử dụng để chọn ra các mặt hàng chính trong ảnh, chẳng hạn như nhận diện một món quần áo hoặc một món đồ nội thất và tách nó ra khỏi nền. Tiếp theo, image classification có thể được dùng để phân loại sâu hơn từng mặt hàng, nhận biết đó là áo khoác, áo sơ mi, ghế sofa hay bàn.

Với thông tin này, hệ thống có thể truy xuất similar products có sẵn để mua, điều này đặc biệt hữu ích khi tìm kiếm các mặt hàng độc đáo hoặc hợp thời trang mà rất khó mô tả chỉ bằng lời nói. Công nghệ này cũng có thể giúp tối ưu hóa các tác vụ bán lẻ khác, như inventory management, bằng cách tự động nhận diện và phân loại các mặt hàng.

Fig 4. Nền tảng tìm kiếm trực quan dựa trên image classification đang hoạt động.

Giám sát động vật hoang dã với phân loại ảnh Ultralytics YOLO11#

Theo truyền thống, việc theo dõi động vật hoang dã là một công việc tẻ nhạt liên quan đến nhiều người phải thủ công phân loại và phân tích hàng nghìn bức ảnh. Với các mode computer vision như Ultralytics YOLO11, các nhà nghiên cứu có thể tự động theo dõi động vật với tốc độ nhanh hơn. Máy ảnh có thể được đặt trong môi trường sống tự nhiên để chụp ảnh. Mô hình vision AI sau đó có thể được sử dụng để phân tích các bức ảnh này và phân loại động vật bên trong chúng (nếu có). Hệ thống như vậy có thể giúp các nhà nghiên cứu nghiên cứu và theo dõi các quần thể động vật, mẫu di cư của chúng, v.v.

Một cách khác mà các mô hình AI và computer vision như Ultralytics YOLO11 có thể hỗ trợ trong lĩnh vực này là đơn giản hóa quy trình phân loại các loài có nguy cơ tuyệt chủng. Bằng cách xác định các loài tiềm năng hoặc danh mục giống mà một loài động vật có thể thuộc về, các mô hình 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 theo dõi các loài động vật hoang dã Tasmania khác nhau. Các dự đoán từ các mô hình sau đó có thể giúp các nhà khoa học và nhà nghiên cứu theo dõi hoạt động và hành vi của động vật, điều này có thể báo hiệu các mối đe dọa như nạn săn trộm hoặc mất môi trường sống.

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

Thử nghiệm phân loại hình ảnh với mô hình Ultralytics YOLO11#

Giờ đây, khi 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 dùng thử image classification với YOLO11 model mới. Có hai cách dễ dàng để bắt đầu: sử dụng Ultralytics Python package hoặc thông qua Ultralytics HUB. Chúng ta sẽ cùng tìm hiểu cả hai tùy chọn này.

Chạy suy luận bằng Ultralytics YOLO11#

Để bắt đầu với Ultralytics Python package, chỉ cần install it bằng pip, conda hoặc Docker. Nếu bạn gặp bất kỳ vấn đề nào, hãy xem Common Issues Guide của chúng tôi để có các troubleshooting tips hữu ích.

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

Hình 6. Chạy suy luận sử dụng mô hình Ultralytics YOLO11.

Huấn luyện một mô hình phân loại Ultralytics YOLO11 tùy chỉnh#

Bạn cũng có thể sử dụng cùng gói Python đó để train một classification model YOLO11 tùy chỉnh của Ultralytics. Việc training tùy chỉnh giúp bạn có thể fine-tune mô hình YOLO11 cho các nhu cầu cụ thể của mình. Ví dụ, nếu bạn đang phát triển một ứng dụng để phân loại các giống mèo khác nhau, bạn có thể tự train một mô hình YOLO11 dành riêng cho mục đích đó.

Đoạn mã bên dưới minh họa cách tải và huấn luyện một mô hình phân loại hình ảnh Ultralytics YOLO11. Nó cho phép bạn truyền trọng số đã được huấn luyện trước, sử dụng kiến thức từ một mô hình hiện có để nâng cao hiệu suất cho mô hình của riêng bạn. Bạn có thể chỉ định một dataset, chẳng hạn như dataset "fashion-mnist", đây là một tập hợp nổi tiếng gồm các hình ảnh thang độ xám về các mặt hàng quần áo (áo sơ mi, quần, giày dép, v.v.). Việc huấn luyện mô hình trên dataset này giúp nó nhận diện các danh mục quần áo khác nhau. Bạn có thể thay thế "fashion-mnist" bằng bất kỳ dataset nào phù hợp với dự án của mình, chẳng hạn như các giống mèo hoặc các loại thực vật.

Hình 7. Huấn luyện tùy chỉnh mô hình Ultralytics YOLO11 cho bài toán phân loại hình ảnh.

Trải nghiệm YOLO11 trên Ultralytics HUB#

Mặc dù việc sử dụng Ultralytics package rất đơn giản, nhưng nó đòi hỏi một số kiến thức về Python. Nếu bạn đang tìm kiếm 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 train và deploy các YOLO model khác nhau trở nên đơn giản và dễ tiếp cận. Để bắt đầu, bạn sẽ cần phải create an account.

Sau khi đăng nhập, hãy chuyển đến phần 'Models' và chọn mô hình Ultralytics YOLO11 dành cho phân loại hình ảnh. Bạn sẽ thấy một loạt các kích thước mô hình khả dụng: nano, small, medium, large và extra-large. Sau khi chọn một mô hình, bạn có thể tải lên một hình ảnh 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.

Các 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 GitHub repository của chúng tôi và kết nối với community của chúng tôi. Khám phá các ứng dụng AI trong self-driving cars và healthcare trên các trang giải pháp của chúng tôi. 🚀