Cách sử dụng Ultralytics YOLO11 để phát hiện đối tượng OBB

Sự kiện kết hợp thường niên của Ultralytics, YOLO Vision 2024 (YV24), tập trung thảo luận về những đột phá mới nhất trong AI và computer vision. Đây cũng là nơi chúng tôi ra mắt model mới nhất vào thời điểm đó, Ultralytics YOLO11, model này sau đó đã được thay thế bởi Ultralytics YOLO26. Model hỗ trợ các tác vụ computer vision tương tự Ultralytics YOLOv8, giúp người dùng dễ dàng chuyển sang model mới.

Giả sử bạn đang dùng YOLOv8 để phát hiện đối tượng bằng bounding box định hướng (OBB), nhằm phát hiện đối tượng từ nhiều góc độ khác nhau. Giờ đây, bạn có thể chuyển sang YOLO11 chỉ với một vài thay đổi nhỏ trong code và hưởng lợi từ những cải tiến của YOLO11, từ độ chính xác và hiệu quả cao hơn đến tốc độ xử lý nhanh hơn. Nếu chưa từng sử dụng các model như YOLO11, phát hiện OBB là ví dụ tiêu biểu cho thấy YOLO11 có thể được ứng dụng trong nhiều ngành, cung cấp các giải pháp thiết thực tạo ra tác động rõ rệt.

Trong bài viết này, chúng ta sẽ tìm hiểu phát hiện đối tượng OBB là gì, có thể ứng dụng ở đâu và cách dùng Ultralytics YOLO11 để phát hiện OBB. Chúng tôi cũng sẽ hướng dẫn cách các tính năng mới của YOLO11 cải thiện những quy trình này, cũng như cách chạy suy luận và huấn luyện model tùy chỉnh để khai thác tối đa khả năng phát hiện OBB.

Các tính năng thế hệ mới của Ultralytics YOLO11 bao gồm những tác vụ như phát hiện đối tượng OBB#

Phát hiện đối tượng OBB tiến xa hơn phát hiện đối tượng truyền thống bằng cách phát hiện đối tượng ở nhiều góc độ khác nhau. Khác với bounding box thông thường luôn căn theo các trục của hình ảnh, OBB xoay để khớp với hướng của đối tượng. Phát hiện đối tượng OBB có thể được dùng để phân tích ảnh hàng không hoặc ảnh vệ tinh, trong đó các đối tượng không phải lúc nào cũng nằm thẳng. Trong những ngành như quy hoạch đô thị, năng lượng và giao thông vận tải, khả năng phát hiện chính xác các đối tượng nghiêng như tòa nhà, phương tiện hoặc cơ sở hạ tầng có thể làm nền tảng cho các ứng dụng computer vision mang lại lợi ích thiết thực.

Hình 1. So sánh hộp giới hạn thông thường và hộp giới hạn định hướng.

YOLO11 hỗ trợ phát hiện OBB và được huấn luyện trên dataset DOTA v1.0 để phát hiện các đối tượng như máy bay, tàu thuyền và bồn chứa từ nhiều góc nhìn khác nhau. YOLO11 có nhiều biến thể model đáp ứng các nhu cầu khác nhau, gồm YOLO11n-obb (Nano), YOLO11s-obb (Small), YOLO11m-obb (Medium), YOLO11l-obb (Large) và YOLO11x-obb (Extra Large). Mỗi model có kích thước khác nhau, với mức độ tốc độ, độ chính xác và năng lực tính toán khác nhau. Người dùng có thể chọn model cân bằng phù hợp giữa tốc độ và độ chính xác cho ứng dụng của mình.

Các trường hợp sử dụng Ultralytics YOLO11 mở ra góc nhìn mới cho tác vụ phát hiện#

Khả năng phát hiện đối tượng của Ultralytics YOLO11, đặc biệt là khả năng hỗ trợ hộp giới hạn định hướng, mang lại độ chính xác cao hơn cho nhiều ngành. Tiếp theo, chúng ta sẽ xem một số ví dụ về cách sử dụng YOLO11 và phát hiện OBB trong các tình huống thực tế để giúp quy trình ở nhiều lĩnh vực hiệu quả, chính xác và dễ quản lý hơn.

Quy hoạch đô thị và giám sát cơ sở hạ tầng bằng Ultralytics YOLO11#

Nếu bạn từng ngưỡng mộ thiết kế và bố cục của một thành phố, đó là nhờ công tác chi tiết về quy hoạch đô thị và giám sát cơ sở hạ tầng. Một trong nhiều khía cạnh của hoạt động giám sát cơ sở hạ tầng là xác định và quản lý các công trình quan trọng như bồn chứa, đường ống và khu công nghiệp. Ultralytics YOLO11 có thể giúp nhà quy hoạch đô thị phân tích ảnh hàng không để phát hiện nhanh chóng và chính xác những cấu phần trọng yếu này.

Phát hiện đối tượng bằng bounding box định hướng đặc biệt hữu ích trong trường hợp này vì cho phép phát hiện các đối tượng nhìn từ nhiều góc độ khác nhau, điều thường gặp trong ảnh hàng không. Độ chính xác rất quan trọng để theo dõi các khu công nghiệp, quản lý tác động môi trường và đảm bảo cơ sở hạ tầng được bảo trì đúng cách. OBB giúp quá trình phát hiện đáng tin cậy hơn, hỗ trợ nhà quy hoạch đưa ra quyết định sáng suốt về sự phát triển, độ an toàn và tính bền vững của thành phố. Sử dụng Ultralytics YOLO11 có thể giúp nhà quy hoạch giám sát và quản lý cơ sở hạ tầng để thành phố vận hành trơn tru.

Hình 2. Sử dụng Ultralytics YOLO11 để phát hiện bồn chứa trong cảnh quay trên không.

Kiểm tra pin mặt trời bằng drone, Ultralytics YOLO11 và AI edge#

Khi năng lượng tái tạo và những đổi mới như trang trại điện mặt trời ngày càng phổ biến, việc kiểm tra định kỳ càng trở nên quan trọng. Cần kiểm tra các tấm pin mặt trời để đảm bảo chúng hoạt động hiệu quả. Theo thời gian, các vấn đề như vết nứt, bụi bẩn tích tụ hoặc lệch vị trí có thể làm giảm hiệu suất. Kiểm tra định kỳ giúp phát hiện sớm những vấn đề này để có thể bảo trì và duy trì hoạt động ổn định.

Chẳng hạn, có thể kiểm tra hư hỏng của tấm pin mặt trời bằng drone tích hợp edge AI và Ultralytics YOLO11. Phân tích hình ảnh ngay trên edge giúp quá trình kiểm tra chính xác và hiệu quả hơn. Do chuyển động và góc nhìn của drone, cảnh quay thường ghi lại các tấm pin mặt trời từ nhiều góc độ khác nhau. Trong những trường hợp này, khả năng phát hiện OBB của YOLO11 có thể giúp drone nhận diện chính xác các tấm pin mặt trời.

Ultralytics YOLO11 có thể cung cấp thông tin chuyên sâu phục vụ quản lý đội phương tiện#

Cảng biển và bến cảng tiếp nhận hàng trăm tàu mỗi tuần, và việc quản lý đội tàu lớn như vậy có thể là một thách thức. Độ khó càng tăng khi phân tích tàu thuyền trong ảnh hàng không, vì tàu thường xuất hiện ở nhiều góc độ khác nhau. Đây là lúc khả năng hỗ trợ phát hiện OBB của Ultralytics YOLO11 phát huy tác dụng.

Phát hiện OBB giúp model phát hiện tàu ở nhiều góc độ chính xác hơn so với các bounding box hình chữ nhật tiêu chuẩn. Bằng cách sử dụng Ultralytics YOLO11 với OBB, các công ty vận tải biển có thể dễ dàng xác định vị trí và tình trạng đội tàu, theo dõi những thông tin quan trọng như hoạt động di chuyển của đội tàu và logistics chuỗi cung ứng. Các giải pháp ứng dụng vision như vậy giúp tối ưu hóa lộ trình, giảm chậm trễ và cải thiện toàn diện công tác quản lý đội tàu trên các tuyến hàng hải.

Hình 3. Sử dụng Ultralytics YOLO11 để phát hiện tàu và cảng biển ở góc nghiêng.

Ultralytics YOLO11 dành cho nhà phát triển AI: Phát hiện hộp giới hạn định hướng#

Nếu là nhà phát triển AI muốn sử dụng YOLO11 để phát hiện OBB, bạn có hai lựa chọn đơn giản để bắt đầu. Nếu quen làm việc với code, package Python của Ultralytics là lựa chọn phù hợp. Nếu muốn có giải pháp thân thiện với người dùng, không cần code và hỗ trợ huấn luyện trên cloud, Ultralytics HUB (nay là Ultralytics Platform) chính là nền tảng dành cho bạn. Để biết thêm chi tiết, hãy xem hướng dẫn huấn luyện và triển khai Ultralytics YOLO11 bằng Ultralytics HUB.

Sau khi đã xem các ví dụ về những ứng dụng của khả năng hỗ trợ OBB trong YOLO11, hãy cùng khám phá package Python Ultralytics và tìm hiểu cách chạy suy luận cũng như huấn luyện model tùy chỉnh bằng package này.

Chạy suy luận bằng Ultralytics YOLO11#

Trước tiên, để sử dụng YOLO11 với Python, bạn cần cài đặt package Ultralytics. Tùy theo sở thích, bạn có thể cài đặt bằng pip, conda hoặc Docker. Để xem hướng dẫn từng bước, hãy tham khảo Hướng dẫn cài đặt Ultralytics. Nếu gặp khó khăn trong quá trình cài đặt, Hướng dẫn xử lý các sự cố thường gặp của chúng tôi cung cấp các mẹo khắc phục hữu ích.

Sau khi cài đặt package Ultralytics, bạn có thể dễ dàng làm việc với YOLO11. Chạy inference là quá trình sử dụng model đã huấn luyện để đưa ra dự đoán trên hình ảnh mới, chẳng hạn như phát hiện đối tượng bằng OBB theo thời gian thực. Quá trình này khác với huấn luyện model, vốn là khi bạn dạy model nhận diện đối tượng mới hoặc cải thiện hiệu suất cho các tác vụ cụ thể. Inference được sử dụng khi bạn muốn áp dụng model lên dữ liệu chưa từng thấy.

Ví dụ bên dưới hướng dẫn bạn cách tải model và dùng model để dự đoán bounding box định hướng trên một hình ảnh. Để xem thêm ví dụ chi tiết và mẹo sử dụng nâng cao, hãy tham khảo tài liệu Ultralytics chính thức để biết các phương pháp tối ưu và hướng dẫn bổ sung.

Hình 4. Đoạn code minh họa cách chạy inference bằng Ultralytics YOLO11.

Huấn luyện model Ultralytics YOLO11 tùy chỉnh#

Huấn luyện model Ultralytics YOLO11 cho phép bạn tinh chỉnh hiệu suất model trên các dataset và tác vụ cụ thể, chẳng hạn như phát hiện đối tượng bằng bounding box định hướng. Dù có thể dùng các model được huấn luyện trước như YOLO11 để phát hiện đối tượng nói chung, việc huấn luyện model tùy chỉnh là thiết yếu khi bạn cần model phát hiện các đối tượng đặc thù hoặc tối ưu hiệu suất trên một dataset cụ thể.

Đoạn code bên dưới trình bày các bước huấn luyện model Ultralytics YOLO11 để phát hiện OBB.

Đầu tiên, model được khởi tạo bằng các trọng số YOLO11 dành riêng cho OBB đã huấn luyện trước (yolo11n-obb.pt). Sau đó, một hàm huấn luyện được dùng để huấn luyện model trên dataset tùy chỉnh, với các tham số như file cấu hình dataset, số chu kỳ huấn luyện, kích thước ảnh huấn luyện và phần cứng dùng để chạy huấn luyện (ví dụ: CPU hoặc GPU). Sau khi huấn luyện, hiệu suất của model được đánh giá để kiểm tra các metric như precision, recall và độ chính xác trung bình (mAP).

Với model đã huấn luyện, bạn có thể chạy inference trên hình ảnh mới để phát hiện và trực quan hóa các đối tượng bằng OBB. Ngoài ra, model đã huấn luyện có thể được chuyển đổi sang các định dạng như ONNX để triển khai bằng tính năng export.

Hình 5. Ví dụ huấn luyện Ultralytics YOLO11 để phát hiện đối tượng OBB.

Hướng phát triển tiếp theo của những tiến bộ AI với Ultralytics YOLO11#

Ultralytics YOLO11 mở rộng khả năng phát hiện đối tượng với hỗ trợ bounding box định hướng. Nhờ khả năng phát hiện đối tượng ở nhiều góc độ khác nhau, YOLO11 có thể được ứng dụng trong nhiều ngành nghề. Ví dụ, model đặc biệt phù hợp với các ngành như quy hoạch đô thị, năng lượng và vận tải biển, nơi độ chính xác rất quan trọng cho những tác vụ như kiểm tra tấm pin mặt trời hoặc giám sát đội tàu. Với hiệu suất nhanh hơn và độ chính xác được cải thiện, YOLO11 có thể giúp nhà phát triển AI giải quyết các thách thức trong thực tế.

Khi AI ngày càng được ứng dụng rộng rãi và tích hợp vào đời sống hằng ngày, các model như Ultralytics YOLO11 sẽ định hình tương lai của các giải pháp AI.

Để tìm hiểu tiềm năng của vision AI, hãy tham gia cộng đồng đang phát triển của chúng tôi và khám phá repository GitHub. Tìm hiểu cách vision AI được ứng dụng trong các lĩnh vực từ chăm sóc sức khỏe đến xe tự lái.