Cách sử dụng Ultralytics YOLO11 để phân đoạn thực thể
Tìm hiểu cách mô hình Ultralytics YOLO11 mới có thể được sử dụng cho phân đoạn thực thể (instance segmentation) để đạt độ chính xác cao hơn trong các ứng dụng như quản lý chất thải và giám sát ngọn lửa.
Computer vision, một lĩnh vực trong artificial intelligence (AI) giúp máy móc diễn giải và hiểu thông tin trực quan, cho phép thực hiện các tác vụ như phân đoạn thể thực (instance segmentation). Instance segmentation có thể được sử dụng để phân tích một hình ảnh hoặc khung hình video nhằm đánh dấu ranh giới chính xác của từng đối tượng riêng biệt trong hình ảnh, ngay cả khi có nhiều đối tượng cùng loại xuất hiện. Với độ chính xác cao, instance segmentation có rất nhiều ứng dụng đa dạng, từ việc hỗ trợ self-driving cars phát hiện chướng ngại vật on the road cho đến identifying tumors trong medical scans.
Qua nhiều năm, instance segmentation đã phát triển đáng kể. Một sự phát triển gần đây đã được giới thiệu tại sự kiện kết hợp thường niên của Ultralytics, annual hybrid event, YOLO Vision 2024 (YV24), dưới dạng model Ultralytics YOLO11. Model mới hỗ trợ các computer vision tasks tương tự (bao gồm cả instance segmentation) giống như model Ultralytics YOLOv8, do đó những người dùng đã quen thuộc với các phiên bản trước có thể áp dụng model mới một cách mượt mà.
Hình 1. Ví dụ về việc sử dụng mô hình Ultralytics YOLO11 để phân đoạn đối tượng.
Trong bài viết này, chúng ta sẽ khám phá instance segmentation và cách nó khác biệt với các tác vụ computer vision khác như semantic segmentation, cũng như thảo luận về một số ứng dụng của nó. Chúng ta cũng sẽ tìm hiểu cách bạn có thể sử dụng model instance segmentation YOLO11 bằng Ultralytics Python package và nền tảng Ultralytics HUB. Hãy cùng bắt đầu nhé!
Instance segmentation là gì?#
Instance segmentation có thể được sử dụng để nhận diện các đối tượng trong một hình ảnh và viền quanh chúng ở cấp độ pixel. Quá trình này thường bao gồm việc trước tiên detecting objects và vẽ bounding boxes xung quanh chúng. Sau đó, một thuật toán phân đoạn sẽ phân loại từng pixel bên trong bounding box để tạo ra một precise mask cho mỗi đối tượng.
Instance segmentation cũng khác với các tác vụ như semantic segmentation và panoptic segmentation. Semantic segmentation gán nhãn cho từng pixel dựa trên danh mục chung của một đối tượng mà không phân biệt các thể thực riêng lẻ. Ngược lại, Panoptic segmentation kết hợp cả instance segmentation và semantic segmentation bằng cách gán cho mỗi pixel cả ID lớp và ID thể thực, qua đó nhận diện các đối tượng riêng lẻ trong từng danh mục.
Hình 2. Sử dụng YOLO11 để phát hiện và phân đoạn một người và một chú chó.
Các khả năng của instance segmentation có thể được áp dụng trong nhiều tình huống khác nhau đòi hỏi các model khác nhau. Ví dụ, một model lightweight có thể là lựa chọn lý tưởng cho real-time processing trong các ứng dụng di động, trong khi một model phức tạp hơn có thể được sử dụng cho các tác vụ độ chính xác cao như quality control trong sản xuất.
Giống như các model trước, model instance segmentation YOLO11 cũng đi kèm với một số biến thể tùy thuộc vào nhu cầu của bạn. Các biến thể này bao gồm YOLO11n-seg (Nano), YOLO11s-seg (Small), YOLO11m-seg (Medium), YOLO11l-seg (Large), và YOLO11x-seg (Extra Large). Các model này khác nhau về kích thước, tốc độ xử lý, độ chính xác và lượng computational power mà chúng yêu cầu. Dựa trên các yêu cầu cụ thể của mình, bạn có thể chọn model phù hợp nhất cho ứng dụng của mình.
Các ứng dụng phân đoạn đối tượng cho YOLO11#
Khả năng phân đoạn đối tượng tiên tiến của YOLO11 mở ra hàng loạt ứng dụng trong nhiều ngành công nghiệp khác nhau. Hãy cùng xem xét kỹ hơn một số ứng dụng này.
Sử dụng phân đoạn YOLO11 trong ngành dầu khí#
Việc khai thác Oil and gas liên quan đến việc quản lý các biến động áp suất cực kỳ cao. Các kỹ thuật như đốt đuốc khí (gas flaring) giúp đốt cháy khí tự nhiên được tạo ra trong quá trình khai thác dầu. Điều này là cần thiết vì safety reasons. Ví dụ, trong quá trình khai thác dầu thô, sự tăng vọt áp suất đột ngột hoặc đáng kể có thể dẫn đến cháy nổ. Mặc dù ít gặp, các tai nạn công nghiệp trong lĩnh vực sản xuất dầu khí có thể gây ra những đám cháy dữ dội rất khó kìm chế và kiểm soát. Gas flaring giúp người vận hành giảm áp thiết bị một cách an toàn và quản lý các biến động áp suất lớn, khó lường bằng cách đốt bỏ lượng khí dư thừa.
Các hệ thống AI có thể cải thiện quy trình giám sát này, và nguy cơ tai nạn có thể được giảm thiểu bằng cách sử dụng hệ thống giám sát ngọn lửa dựa trên phân đoạn cá thể (instance segmentation). Việc giám sát hoạt động đốt bỏ khí gas cũng rất quan trọng vì lý do môi trường, vì việc đốt bỏ quá mức có thể gây tác động tiêu cực đến môi trường.
Các model instance segmentation của Ultralytics YOLO11 có thể được sử dụng để theo dõi lượng lửa và smoke do quá trình đốt đuốc gây ra. Diện tích pixel của ngọn lửa và smoke được phát hiện và phân đoạn có thể được tính toán. Sử dụng thông tin này, người vận hành có thể thu được thông tin chi tiết thời gian thực về ngọn lửa và khói do hoạt động đốt đuốc gây ra, giúp họ phòng ngừa tai nạn và các tác động tiêu cực đến môi trường.
Hình 3. Ví dụ về giám sát ngọn lửa sử dụng YOLO11 trong sản xuất dầu khí.
Phân đoạn đối tượng với YOLO11 để quản lý rác thải nhựa#
Công nhân tại các cơ sở waste management và recycling có thể sử dụng các hệ thống dựa trên instance segmentation của YOLO11 để nhận diện vật liệu rác thải nhựa. YOLO11 có thể được tích hợp với các hệ thống phân loại robot để nhận diện chính xác các vật liệu rác thải khác nhau, chẳng hạn như bìa cứng và nhựa (để xử lý riêng biệt). Điều này đặc biệt quan trọng khi xét đến việc trong tổng số 7 tỷ tấn plastic waste được tạo ra trên toàn cầu, chỉ có khoảng 10% được tái chế.
Việc tự động hóa nhận diện và sorting of plastic waste giúp giảm đáng kể thời gian cần thiết so với các phương pháp truyền thống, nơi công nhân phân loại các mặt hàng bằng tay. Computer vision models thậm chí có thể phân đoạn nhựa mềm như màng bọc và túi nhựa, những vật liệu đặc biệt khó xử lý vì chúng thường bị rối vào nhau. YOLO11 models cũng có thể được custom-trained để phân đoạn các loại nhựa khác nhau. Chúng ta sẽ tìm hiểu thêm về cách bạn có thể custom-train một model YOLO11 trong các phần tiếp theo.
Hình 4. Nhận diện rác thải nhựa bằng Ultralytics YOLO11.
Phân đoạn YOLO11 trong xe tự lái#
Một trường hợp sử dụng thú vị khác của instance segmentation là trong autonomous cars. YOLO11 cho phép self-driving cars nâng cao sự an toàn cho hành khách và những người khác trên đường bằng cách nhận diện chính xác các đối tượng ở cấp độ pixel. camera system trên xe có thể ghi lại hình ảnh môi trường xung quanh và phân tích chúng bằng YOLO11 cùng instance segmentation. Mỗi đối tượng (người đi bộ, đèn giao thông, các phương tiện khác, v.v.) bên trong hình ảnh được phân đoạn và gán một nhãn. Mức độ chính xác như vậy mang lại cho ô tô tự lái khả năng nhận diện mọi đối tượng xung quanh chúng.
Fig 5. Sử dụng YOLO11 và instance segmentation để nhận diện phương tiện và người đi bộ trên đường.
Trải nghiệm phân đoạn đối tượng với mô hình YOLO11#
Bây giờ chúng ta đã tìm hiểu về phân đoạn đối tượng và thảo luận về một số ứng dụng, hãy xem cách bạn có thể trải nghiệm nó bằng cách sử dụng mô hình Ultralytics YOLO11.
Có hai cách để thực hiện việc này: bạn có thể sử dụng gói Ultralytics Python hoặc Ultralytics HUB. Chúng ta sẽ khám phá cả hai, bắt đầu với gói Python.
Chạy suy luận sử dụng YOLO11#
Chạy một inference liên quan đến việc sử dụng model để phân tích dữ liệu mới chưa từng thấy trước đó. Để chạy inference bằng model instance segmentation YOLO11 thông qua mã nguồn, chúng ta cần cài đặt Ultralytics Python package bằng pip, conda hoặc docker. Trong trường hợp bạn gặp bất kỳ vấn đề nào trong quá trình cài đặt, bạn có thể tham khảo Common Issues Guide của chúng tôi để được hỗ trợ khắc phục sự cố. Khi gói đã được cài đặt, bạn có thể chạy đoạn mã dưới đây để tải model instance segmentation YOLO11 và chạy dự đoán trên một hình ảnh.
Hình 6. Chạy suy luận trên một hình ảnh sử dụng YOLO11n-seg.
Huấn luyện một mô hình YOLO11 tùy chỉnh#
Với cùng cấu hình mã nguồn, bạn cũng có thể train một model YOLO11 tùy chỉnh. Bằng cách fine-tuning một model YOLO11, bạn có thể tạo ra một phiên bản tùy chỉnh của model đáp ứng tốt hơn các yêu cầu specific project của bạn. Ví dụ, các retailers có thể sử dụng một model tùy chỉnh để phân đoạn chính xác các đặc điểm thể chất của khách hàng nhằm recommend clothes vừa vặn. Đoạn mã bên dưới minh họa cách tải và train một model YOLO11 cho tác vụ instance segmentation. Bạn có thể bắt đầu từ một YAML configuration hoặc một model đã được huấn luyện sẵn, chuyển trọng số và train trên một dataset like COCO để đạt được hiệu quả phân đoạn cao.
Sau khi hoàn tất, bạn có thể thực hiện các inference bằng model tùy chỉnh cho các specific applications của mình. Sử dụng export option, bạn cũng có thể export model tùy chỉnh của mình sang một định dạng khác.
Phân đoạn đối tượng YOLO11 trên Ultralytics HUB#
Bây giờ chúng ta đã khám phá việc chạy inference và train tùy chỉnh một model instance segmentation YOLO11 thông qua mã nguồn, hãy cùng xem xét một giải pháp thay thế không cần mã nguồn (no-code): Ultralytics HUB. Ultralytics HUB là một nền tảng AI trực quan giúp đơn giản hóa quá trình huấn luyện và triển khai các model YOLO, bao gồm cả các model instance segmentation YOLO11.
Để chạy suy luận trên hình ảnh, tất cả những gì bạn cần làm là: tạo tài khoản, truy cập phần 'Models' và chọn biến thể mô hình phân đoạn đối tượng YOLO11 mà bạn muốn. Bạn có thể tải lên một hình ảnh và xem kết quả dự đoán trong phần xem trước, như hiển thị bên dưới.
Hình 7. Chạy suy luận trên Ultralytics HUB.
Các điểm chính cần lưu ý#
YOLO11 mang lại khả năng phân đoạn đối tượng đáng tin cậy, mở ra một thế giới đầy tiềm năng trong nhiều ngành công nghiệp. Từ việc tăng cường an toàn trên xe tự lái và giám sát đốt khí dư trong ngành dầu khí đến việc tự động hóa phân loại rác thải tại các cơ sở tái chế, độ chính xác ở cấp độ pixel của YOLO11 khiến nó trở nên lý tưởng cho các tác vụ phân đoạn phức tạp.
Với các tùy chọn huấn luyện tùy chỉnh thông qua gói Ultralytics Python và thiết lập không cần code qua Ultralytics HUB, người dùng có thể tích hợp YOLO11 vào quy trình công việc của họ một cách liền mạch. Dù là cho các ứng dụng công nghiệp, chăm sóc sức khỏe, bán lẻ hay giám sát môi trường, YOLO11 đều mang lại sự linh hoạt và độ chính xác để đáp ứng các nhu cầu phân đoạn đa dạng.
Để khám phá thêm, hãy truy cập GitHub repository của chúng tôi và tham gia cùng community của chúng tôi. Khám phá các ứng dụng AI trong self-driving cars và agriculture trên các trang giải pháp của chúng tôi. 🚀
