Cách sử dụng Ultralytics YOLO11 để phát hiện đối tượng OBB

Sự kiện hybrid thường niên của Ultralytics, YOLO Vision 2024 (YV24), tập trung thảo luận về các bước đột phá mới nhất trong lĩnh vực AI và thị giác máy tính. Đây là dịp hoàn hảo để giới thiệu mô hình mới nhất của chúng tôi, Ultralytics YOLO11. Mô hình hỗ trợ các tác vụ thị giác máy tính tương tự như Ultralytics YOLOv8, giúp người dùng chuyển đổi sang mô hình mới một cách dễ dàng.

Giả sử bạn đang sử dụng YOLOv8 cho phát hiện đối tượng hộp bao có định hướng (OBB) để phát hiện các đối tượng từ nhiều góc độ khác nhau. Giờ đây, bạn có thể chuyển sang YOLO11 với một vài thay đổi nhỏ trong mã nguồn của mình và tận hưởng lợi ích từ các cải tiến của YOLO11 từ độ chính xác và hiệu suất tăng lên cho đến tốc độ xử lý. Trong trường hợp bạn chưa sử dụng các mô hình như YOLO11, phát hiện OBB là một ví dụ tuyệt vời về cách YOLO11 có thể được ứng dụng trên nhiều ngành công nghiệp, mang lại các giải pháp thực tế tạo ra tác động thực sự.

Trong bài viết này, chúng ta sẽ tìm hiểu phát hiện đối tượng OBB là gì, các ứng dụng của nó và cách sử dụng Ultralytics YOLO11 để phát hiện OBB. Chúng ta cũng sẽ đi qua cách các tính năng mới của YOLO11 có thể cải thiện các quy trình này và cách chạy suy luận cũng như huấn luyện các model tùy chỉnh để tận dụng tối đa khả năng phát hiện OBB của nó.

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

Phát hiện đối tượng OBB đưa phát hiện đối tượng truyền thống tiến xa hơn một bước bằng cách phát hiện các đối tượng ở các góc độ khác nhau. Không giống như các hộp bao thông thường giữ nguyên vị trí song song với các trục của hình ảnh, các OBB xoay để khớp với hướng của đối tượng. Phát hiện đối tượng OBB có thể được sử dụng để phân tích hình ảnh trên không hoặc hình ảnh vệ tinh nơi các đối tượng không phải lúc nào cũng thẳng đứng. Trong các ngành công nghiệp như quy hoạch đô thị, năng lượng và giao thông vận tải, khả năng phát hiện chính xác các đối tượng có góc 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 hữu hình.

Hình 1. So sánh các hộp bao thông thường và các hộp bao có định hướng.

YOLO11 hỗ trợ phát hiện OBB và đã được huấn luyện trên tập dữ liệu DOTA v1.0 để phát hiện các đối tượng như máy bay, tàu thủy và bể chứa từ các góc nhìn khác nhau. YOLO11 có nhiều phiên bản mô hình khác nhau để 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 mô hình cung cấp một kích thước khác nhau, với các mức độ tốc độ, độ chính xác và sức mạnh tính toán khác nhau. Người dùng có thể chọn mô hình mang lại sự cân bằng phù hợp giữa tốc độ và độ chính xác cho ứng dụng của họ.

Các trường hợp sử dụng của Ultralytics YOLO11 mang đến một góc nhìn mới cho việc phát hiện#

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

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

Nếu bạn từng trầm trồ trước thiết kế và bố cục của một thành phố, đó là nhờ công sức chi tiết của quy hoạch đô thị và giám sát cơ sở hạ tầng. Một trong nhiều khía cạnh của giám sát cơ sở hạ tầng là xác định và quản lý các cấu trúc quan trọng như bể chứa, đường ống và các khu công nghiệp. Ultralytics YOLO11 có thể giúp các nhà quy hoạch đô thị phân tích hình ảnh trên không để phát hiện các thành phần quan trọng này một cách nhanh chóng và chính xác.

Phát hiện đối tượng bằng hộp bao có định hướng (OBB) đặc biệt hữu ích ở đây vì nó cho phép phát hiện các đối tượng được quan sát từ nhiều góc độ khác nhau (thường là trường hợp với hình ảnh trên không). Độ chính xác là tối 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 trở nên đáng tin cậy hơn, giúp các nhà quy hoạch đưa ra quyết định sáng suốt về sự phát triển, an toàn và sự bền vững của thành phố. Việc sử dụng Ultralytics YOLO11 có thể giúp các nhà quy hoạch giám sát và quản lý cơ sở hạ tầng giúp các thành phố vận hành trơn tru.

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

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

Khi năng lượng tái tạo và các đổi mới như trang trại năng lượng mặt trời trở nên phổ biến hơn, việc kiểm tra thường xuyên càng trở nên quan trọng hơn. Các tấm pin mặt trời cần được kiểm tra để đảm bảo chúng hoạt động hiệu quả. Theo thời gian, các vấn đề như vết nứt, bụi bẩn tích tụ hoặc lệch tâm có thể làm giảm hiệu suất của chúng. Việc kiểm tra định kỳ giúp phát hiện sớm các vấn đề này, từ đó có thể tiến hành bảo trì để giữ cho chúng hoạt động trơn tru.

Ví dụ, các tấm pin mặt trời có thể được kiểm tra hư hỏng bằng cách sử dụng drone tích hợp AI biên và Ultralytics YOLO11. Việc phân tích hình ảnh ở biên mang lại độ chính xác và hiệu quả cao hơn cho quá trình kiểm tra. Do chuyển động và góc nhìn của drone, đoạn phim giám sát có thể thường xuyên chụp lại các tấm pin mặt trời từ nhiều góc độ khác nhau. Trong các trường hợp này, tính 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 chi tiết cho việc quản lý đội xe#

Các cảng biển xử lý hàng trăm tàu thuyền mỗi tuần và việc quản lý một đội tàu lớn như vậy có thể gặp nhiều thách thức. Một yếu tố khó khăn bổ sung liên quan đến việc phân tích tàu thuyền trong hình ảnh trên không; các con tàu thường xuất hiện ở các 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 mô hình phát hiện tàu thuyền ở các góc độ 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 của họ hơn, theo dõi các chi tiết quan trọng như chuyển động của đội tàu và hậu cần chuỗi cung ứng. Các giải pháp hỗ trợ thị giác này giúp tối ưu hóa các tuyến đường, giảm thiểu sự chậm trễ và cải thiện việc quản lý tổng thể đội tàu trên các tuyến đường hàng hải.

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

Ultralytics YOLO11 dành cho các nhà phát triển AI: Phát hiện các hộp bao có định hướng#

Nếu bạn là một nhà phát triển AI đang tìm kiếm cách sử dụng YOLO11 để phát hiện OBB, có hai tùy chọn dễ dàng để bắt đầu. Nếu bạn thoải mái làm việc với mã nguồn, gói Python Ultralytics là một lựa chọn tuyệt vời. Nếu bạn thích một giải pháp thân thiện với người dùng, không cần mã (no-code) với khả năng huấn luyện trên đám mây, Ultralytics HUB là một nền tảng nội bộ được thiết kế riêng cho việc đó. Để biết thêm chi tiết, bạn có thể xem hướng dẫn của chúng tôi về huấn luyện và triển khai Ultralytics YOLO11 bằng cách sử dụng Ultralytics HUB.

Bây giờ chúng ta đã thấy các ví dụ về nơi có thể áp dụng hỗ trợ OBB của YOLO11, hãy khám phá gói Python Ultralytics và xem cách bạn có thể chạy suy luận và huấn luyện các mô hình tùy chỉnh bằng cách sử dụng nó.

Chạy suy luận bằng Ultralytics YOLO11#

Đầu tiên, để sử dụng YOLO11 với Python, bạn sẽ cần cài đặt gói Ultralytics. Tùy thuộc vào sở thích của bạn, bạn có thể chọn cài đặt nó bằng pip, conda hoặc Docker. Để có hướng dẫn từng bước, bạn có thể tham khảo Hướng dẫn Cài đặt Ultralytics của chúng tôi. Nếu bạn gặp bất kỳ thách thức nào trong quá trình cài đặt, Hướng dẫn Các Vấn đề Thường gặp của chúng tôi cung cấp các mẹo khắc phục sự cố hữu ích.

Sau khi bạn đã cài đặt gói Ultralytics, việc làm việc với YOLO11 vô cùng đơn giản. Chạy suy luận đề cập đến quá trình sử dụng một mô hình đã được huấn luyện để đưa ra dự đoán trên các hình ảnh mới - như phát hiện các đối tượng với OBB trong thời gian thực. Nó khác với huấn luyện mô hình, là quá trình bạn dạy mô hình nhận dạng các đối tượng mới hoặc cải thiện hiệu suất của nó trên các tác vụ cụ thể. Suy luận được sử dụng khi bạn muốn áp dụng mô hình vào dữ liệu chưa từng thấy.

Ví dụ dưới đây hướng dẫn bạn cách tải một mô hình và sử dụng nó để dự đoán các hộp bao có định hướng trên một hình ảnh. Để có các ví dụ chi tiết hơn và các mẹo sử dụng nâng cao, hãy nhớ xem tài liệu chính thức của Ultralytics để biết các phương pháp hay nhất và các hướng dẫn thêm.

Hình 4. Một đoạn mã nguồn minh họa việc chạy suy luận bằng cách sử dụng Ultralytics YOLO11.

Huấn luyện một model Ultralytics YOLO11 tùy chỉnh#

Huấn luyện một model Ultralytics YOLO11 đồng nghĩa với việc bạn có thể tinh chỉnh hiệu suất của nó trên các dataset và task cụ thể, chẳng hạn như phát hiện đối tượng hộp giới hạn định hướng. Mặc dù các model đã được huấn luyện sẵn như YOLO11 có thể được sử dụng cho phát hiện đối tượng nói chung, huấn luyện một model tùy chỉnh là điều cần thiết khi bạn cần model phát hiện các đối tượng độc đáo hoặc tối ưu hóa hiệu suất trên một dataset cụ thể.

Trong đoạn mã nguồn bên dưới, chúng tôi trình bày các bước để huấn luyện một mô hình Ultralytics YOLO11 cho việc phát hiện OBB.

Đầu tiên, mô hình được khởi tạo bằng trọng số cụ thể cho OBB của YOLO11 đã được huấn luyện trước (yolo11n-obb.pt). Sau đó, một hàm huấn luyện được sử dụng để huấn luyện mô hình trên một tập dữ liệu tùy chỉnh, với các tham số như tệp cấu hình tập dữ liệu, số chu kỳ huấn luyện, kích thước hình ảnh huấn luyện và phần cứng để chạy huấn luyện (ví dụ: CPU hoặc GPU). Sau khi huấn luyện, hiệu suất của mô hình được xác thực để kiểm tra các chỉ số như độ chính xác và độ mất mát (loss).

Sử dụng mô hình đã được huấn luyện, bạn có thể chạy suy luận trên các hình ảnh mới để phát hiện đối tượng bằng OBB và trực quan hóa chúng. Ngoài ra, mô hình đã được huấn luyện có thể được chuyển đổi sang các định dạng như ONNX để triển khai bằng cách sử dụng tính năng xuất.

Hình 5. Một ví dụ về việc huấn luyện Ultralytics YOLO11 cho phát hiện đối tượng OBB.

Con đường phía trước cho những tiến bộ AI của Ultralytics YOLO11#

Ultralytics YOLO11 nâng việc phát hiện đối tượng lên một tầm cao mới với khả năng hỗ trợ các hộp bao định hướng. Bằng cách có thể phát hiện các đối tượng ở các góc độ khác nhau, YOLO11 có thể được sử dụng cho nhiều ứng dụng khác nhau trong các ngành công nghiệp. Ví dụ, nó hoàn toàn phù hợp với các ngành như quy hoạch đô thị, năng lượng và vận tải biển, nơi độ chính xác là rất quan trọng cho các 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 các nhà phát triển AI giải quyết các thách thức thực tế.

Khi AI ngày càng được áp dụng rộng rãi và tích hợp vào cuộc sống hàng ngày của chúng ta, các mô hình như Ultralytics YOLO11 sẽ định hình tương lai của các giải pháp AI.

Để tìm hiểu về tiềm năng của AI thị giác, hãy tham gia cộng đồng đang phát triển của chúng tôi và khám phá kho lưu trữ GitHub của chúng tôi. Chúng tôi đang thúc đẩy sự đổi mới bằng cách tái định hình các lĩnh vực như chăm sóc sức khỏe đến xe tự lái.