Cách sử dụng Ultralytics YOLO11 để phát hiện vật thể OBB
Tìm hiểu cách Ultralytics YOLO11 có thể nâng cao khả năng phát hiện vật thể bằng oriented bounding box (OBB) và những ứng dụng nào phù hợp với tác vụ computer vision này.
sự kiện hybrid thường niên của Ultralytics, YOLO Vision 2024 (YV24), tập trung thảo luận về những đột phá mới nhất trong AI và thị giác máy tính. Đây là dịp hoàn hảo để giới thiệu model mới nhất của chúng tôi, Ultralytics YOLO11. Model này hỗ trợ các tác vụ thị giác máy tính tương tự Ultralytics YOLOv8, giúp người dùng chuyển sang model mới một cách dễ dàng.
Giả sử bạn đang sử dụng YOLOv8 để phát hiện đối tượng bằng các hộp giới hạn định hướng (OBB) từ nhiều góc khác nhau. Giờ đây, bạn có thể chuyển sang YOLO11 chỉ với một vài thay đổi nhỏ trong code và tận dụng những cải tiến của YOLO11, từ độ chính xác, hiệu quả đến tốc độ xử lý được nâng cao. Nếu bạn chưa từng sử dụng các model như YOLO11, phát hiện OBB là một ví dụ điển hình về cách YOLO11 có thể được ứng dụng trong nhiều ngành, mang lại các giải pháp thực tiễn tạo ra tác động rõ rệt.
Trong bài viết này, chúng ta sẽ tìm hiểu phát hiện đối tượng bằng OBB là gì, có thể áp dụng ở đâu và cách sử dụng Ultralytics YOLO11 để phát hiện OBB. Chúng ta cũng sẽ xem xét cách các tính năng mới của YOLO11 có thể cải thiện những quy trình này, cũng như cách chạy inference và huấn luyện các model tùy chỉnh để khai thác tối đa khả năng phát hiện OBB của model.
Các tính năng của Ultralytics YOLO11 thế hệ mới bao gồm những tác vụ như phát hiện đối tượng bằng OBB#
Phát hiện đối tượng bằng OBB đưa phát hiện đối tượng truyền thống tiến thêm một bước bằng cách phát hiện đối tượng ở nhiều góc khác nhau. Không giống các hộp giới hạn thông thường luôn căn chỉnh theo các trục của ảnh, OBB xoay theo hướng của đối tượng. Phát hiện đối tượng bằng OBB có thể được sử dụng để phân tích ảnh trên không hoặc ảnh vệ tinh, trong đó các đối tượng không phải lúc nào cũng nằm thẳng. Trong các 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 tạo nền tảng cho các ứng dụng thị giác máy tính mang lại lợi ích thiết thực.
Hình 1. So sánh các 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 và bồn chứa từ nhiều góc nhìn khác nhau. YOLO11 có nhiều biến thể model phù hợp với các nhu cầu khác nhau, bao 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 khác nhau về tốc độ, độ chính xác và năng lực tính toán. Người dùng có thể chọn model mang lại sự 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 việc phát hiện#
Khả năng phát hiện đối tượng của Ultralytics YOLO11, đặc biệt là hỗ trợ hộp giới hạn định hướng, mang lại độ chính xác cao hơn cho nhiều ngành. Tiếp theo, chúng ta sẽ xem xét một số ví dụ về cách YOLO11 và phát hiện OBB có thể được sử dụng trong các tình huống thực tế để giúp quy trình hiệu quả, chính xác và dễ quản lý hơn trong nhiều lĩnh vực.
Quy hoạch đô thị và giám sát cơ sở hạ tầng với Ultralytics YOLO11#
Nếu bạn từng ngưỡng mộ thiết kế và bố cục của một thành phố, đó là nhờ công việc chi tiết trong quy hoạch đô thị và giám sát cơ sở hạ tầng. Một trong nhiều khía cạnh của việc 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 hỗ trợ các nhà quy hoạch đô thị phân tích ảnh trên không để phát hiện nhanh chóng và chính xác các thành phần quan trọng này.
Phát hiện đối tượng bằng hộp giới hạn định hướng đặc biệt hữu ích trong trường hợp này vì cho phép phát hiện các đối tượng được quan sát từ nhiều góc khác nhau, thường gặp trong ảnh trên không. Độ chính xác đóng vai trò thiết yếu trong việc 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 quy trình phát hiện đáng tin cậy hơn, hỗ trợ các nhà quy hoạch đưa ra quyết định sáng suốt về tăng trưởng đô thị, an toàn và tính bền vững. Sử dụng Ultralytics YOLO11 có thể giúp các nhà quy hoạch giám sát và quản lý cơ sở hạ tầng để thành phố vận hành thuận lợi.
Hình 2. Sử dụng Ultralytics YOLO11 để phát hiện bồn chứa trong video trên không.
Kiểm tra tấm pin năng lượng mặt trời bằng drone, Ultralytics YOLO11 và edge AI#
Khi năng lượng tái tạo và những đổi mới như trang trại năng lượng mặt trời ngày càng phổ biến, việc kiểm tra định kỳ trở nên quan trọng hơn. Cần kiểm tra các tấm pin năng lượng mặt trời để đảm bảo chúng hoạt động hiệu quả. Theo thời gian, những 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 các vấn đề này để thực hiện bảo trì và duy trì hoạt động ổn định.
Ví dụ, có thể kiểm tra hư hỏng trên các tấm pin năng lượng mặt trời bằng drone tích hợp edge AI và Ultralytics YOLO11. Phân tích ảnh ngay tại edge giúp quy trình kiểm tra chính xác và hiệu quả hơn. Do chuyển động và góc nhìn của drone, video giám sát thường có thể ghi lại các tấm pin năng lượng mặt trời từ nhiều góc khác nhau. Trong những trường hợp này, khả năng phát hiện OBB của YOLO11 có thể giúp drone xác định chính xác các tấm pin năng lượng mặt trời.
Ultralytics YOLO11 có thể cung cấp thông tin chuyên sâu cho hoạt động quản lý đội tàu#
Các cảng biển và bến cảng tiếp nhận hàng trăm tàu mỗi tuần, và việc quản lý một đội tàu lớn như vậy có thể là thách thức. Khó khăn càng tăng khi phân tích tàu trong ảnh trên không, vì tàu thường xuất hiện ở nhiều góc khác nhau. Đây là lúc khả năng hỗ trợ phát hiện OBB của Ultralytics YOLO11 phát huy hiệu quả.
Phát hiện OBB cho phép model phát hiện tàu ở nhiều góc khác nhau chính xác hơn so với các hộp 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, đồng thời 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 thị giác này giúp tối ưu hóa tuyến đường, giảm chậm trễ và cải thiện hoạt động quản lý đội tàu trên các tuyến hàng hải.
Hình 3. Sử dụng Ultralytics YOLO11 để phát hiện tàu và bến cảng ở góc nghiêng.
Ultralytics YOLO11 dành cho nhà phát triển AI: Phát hiện hộp giới hạn định hướng#
Nếu bạn là nhà phát triển AI muốn sử dụng YOLO11 để phát hiện OBB, có hai lựa chọn đơn giản để bắt đầu. Nếu bạn thành thạo code, package Ultralytics Python là một lựa chọn tuyệt vời. Nếu bạn ưu tiên giải pháp thân thiện với người dùng, không cần code và có khả năng huấn luyện trên cloud, Ultralytics HUB là nền tảng nội bộ được thiết kế cho mục đích này. Để biết thêm chi tiết, bạn có thể xem hướng dẫn về huấn luyện và triển khai Ultralytics YOLO11 bằng Ultralytics HUB.
Sau khi đã xem các ví dụ về nơi có thể áp dụng khả năng hỗ trợ OBB của YOLO11, hãy cùng khám phá package Ultralytics Python và tìm hiểu cách bạn có thể chạy inference và huấn luyện các model tùy chỉnh bằng package này.
Chạy inference bằng Ultralytics YOLO11#
Trước tiên, để sử dụng YOLO11 với Python, bạn cần cài đặt package Ultralytics. Tùy theo nhu cầu, 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 vấn đề trong quá trình cài đặt, Hướng dẫn xử lý các vấn đề thường gặp của chúng tôi cung cấp các mẹo hữu ích để khắc phục sự cố.
Sau khi cài đặt package Ultralytics, làm việc với YOLO11 trở nên vô cùng đơn giản. Chạy inference là quá trình sử dụng model đã huấn luyện để đưa ra dự đoán trên các ảnh mới, chẳng hạn như phát hiện đối tượng bằng OBB trong thời gian thực. Quá trình này khác với huấn luyện model, tức là khi bạn dạy model nhận diện các đối tượng mới hoặc cải thiện hiệu năng trên những tác vụ cụ thể. Inference được sử dụng khi bạn muốn áp dụng model lên dữ liệu chưa từng thấy.
Ví dụ dưới đây hướng dẫn bạn cách tải một model và sử dụng model đó để dự đoán các hộp giới hạn định hướng trên một ảnh. Để xem thêm các ví dụ chi tiết và mẹo sử dụng nâng cao, hãy tham khảo tài liệu Ultralytics chính thức để biết các best practice và hướng dẫn bổ sung.
Hình 4. Đoạn code minh họa việc chạy inference bằng Ultralytics YOLO11.
Training model Ultralytics YOLO11 tùy chỉnh#
Huấn luyện model Ultralytics YOLO11 cho phép bạn fine-tune hiệu năng của model trên các dataset và tác vụ cụ thể, chẳng hạn như phát hiện đối tượng bằng hộp giới hạn định hướng. Mặc dù các model được huấn luyện trước như YOLO11 có thể được sử dụng cho phát hiện đối tượng nói chung, huấn luyện model tùy chỉnh là điều cần thiết khi bạn muốn model phát hiện các đối tượng đặc thù hoặc tối ưu hiệu năng trên một dataset cụ thể.
Trong đoạn code dưới đây, chúng ta thực hiện các bước để huấn luyện một model Ultralytics YOLO11 cho việc phát hiện OBB.
Trước tiên, model được khởi tạo bằng các weight YOLO11 dành riêng cho OBB đã được huấn luyện trước (yolo11n-obb.pt). Sau đó, một hàm huấn luyện được sử dụng để huấn luyện model trên dataset tùy chỉnh, với các parameter như file cấu hình dataset, số chu kỳ huấn luyện, kích thước ảnh huấn luyện và hardware dùng để chạy quá trình huấn luyện (ví dụ: CPU hoặc GPU). Sau khi huấn luyện, hiệu năng của model được đánh giá để kiểm tra các metric như độ chính xác và loss.
Với model đã huấn luyện, bạn có thể chạy inference trên các 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 format như ONNX để triển khai bằng tính năng export.
Hình 5. Ví dụ huấn luyện Ultralytics YOLO11 để phát hiện đối tượng bằng OBB.
Định hướng phát triển cho những tiến bộ AI của Ultralytics YOLO11#
Ultralytics YOLO11 đưa hoạt động phát hiện đối tượng lên một tầm cao mới nhờ hỗ trợ hộp giới hạn định hướng. Với khả năng phát hiện đối tượng ở nhiều góc khác nhau, YOLO11 có thể được sử dụng cho nhiều ứng dụng trong các ngành khác nhau. Ví dụ, model đặc biệt phù hợp với những ngành như quy hoạch đô thị, năng lượng và vận tải biển, nơi độ chính xác đóng vai trò quan trọng trong các tác vụ như kiểm tra tấm pin năng lượng mặt trời hoặc giám sát đội tàu. Với hiệu năng nhanh hơn và độ chính xác được cải thiện, YOLO11 có thể giúp các nhà phát triển AI giải quyết những thách thức trong thực tế.
Khi AI ngày càng được áp dụng và tích hợp rộng rãi 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 AI thị giác, hãy tham gia cộng đồng đang phát triển của chúng tôi và khám phá repository GitHub. Chúng tôi thúc đẩy đổi mới bằng cách tái định hình các lĩnh vực từ chăm sóc sức khỏe đến xe tự lái.
