Cách sử dụng Ultralytics YOLO11 để phát hiện đối tượng

Computer vision là một lĩnh vực của trí tuệ nhân tạo (AI) giúp máy móc diễn giải và hiểu thông tin trực quan để hỗ trợ các tác vụ thiết yếu như object detection. Khác với image classification, object detection không chỉ nhận diện các vật thể có trong hình ảnh mà còn xác định chính xác vị trí của chúng. Điều này làm cho nó trở thành một công cụ quan trọng cho các ứng dụng thị giác AI như ô tô tự lái, hệ thống an ninh thời gian thực và tự động hóa kho hàng.

Theo thời gian, công nghệ object detection đã trở nên tiên tiến hơn và dễ sử dụng hơn. Một bước tiến lớn đã được công bố tại sự kiện hybrid thường niên của Ultralytics, YOLO Vision 2024 (YV24), với việc ra mắt Ultralytics YOLO11 model. YOLO11 cải thiện độ chính xác và hiệu suất đồng thời hỗ trợ các tác vụ tương tự như YOLOv8, giúp người dùng các mô hình trước đó chuyển đổi một cách liền mạch.

Hình 1. Ví dụ về việc sử dụng mô hình Ultralytics YOLO11 để phát hiện đối tượng.

Trong bài viết này, chúng ta sẽ phân tích object detection là gì, điểm khác biệt của nó so với các tác vụ computer vision khác và khám phá các ứng dụng thực tế của nó. Chúng ta cũng sẽ hướng dẫn bạn cách sử dụng mô hình YOLO11 với Ultralytics Python package và Ultralytics HUB platform. Hãy bắt đầu nào!

Phát hiện đối tượng là gì?#

Object detection là một tác vụ cốt lõi trong computer vision, thực hiện nhiều việc hơn là chỉ nhận diện các vật thể trong một hình ảnh. Khác với image classification, vốn chỉ xác định xem một vật thể cụ thể có xuất hiện hay không, object detection nhận diện nhiều vật thể và xác định chính xác vị trí của chúng bằng cách sử dụng bounding boxes.

Ví dụ, nó có thể nhận diện và định vị khuôn mặt trong một bức ảnh chụp nhóm, xe hơi trên một con đường đông đúc, hoặc sản phẩm trên kệ hàng trong cửa hàng. Việc kết hợp nhận diện và định vị vật thể làm cho nó cực kỳ hữu ích cho các ứng dụng như surveillance, giám sát đám đông và quản lý hàng tồn kho tự động.

Hình 2. Sử dụng Ultralytics YOLO11 để phát hiện khuôn mặt.

Điểm làm cho object detection khác biệt với các tác vụ khác như phân đoạn ngữ nghĩa hoặc instance segmentation chính là trọng tâm và hiệu suất của nó.

Phân đoạn ngữ nghĩa gắn nhãn mọi điểm ảnh (pixel) trong một hình ảnh nhưng không phân biệt giữa các vật thể riêng lẻ cùng loại (ví dụ: tất cả các khuôn mặt trong một bức ảnh sẽ được nhóm lại thành "mặt"). Instance segmentation tiến xa hơn bằng cách tách biệt từng vật thể và phác thảo hình dạng chính xác của chúng, kể cả đối với các vật thể cùng một class.

Tuy nhiên, object detection cung cấp một cách tiếp cận tinh gọn hơn bằng cách nhận diện và phân loại các vật thể đồng thời đánh dấu vị trí của chúng. Điều này làm cho nó trở nên lý tưởng cho các tác vụ thời gian thực như phát hiện khuôn mặt trong đoạn phim an ninh hoặc nhận diện chướng ngại vật cho autonomous vehicles.

Các ứng dụng của Ultralytics YOLO11 và phát hiện đối tượng#

Các tính năng phát hiện đối tượng nâng cao của Ultralytics YOLO11 giúp công nghệ này trở nên hữu ích trong nhiều ngành công nghiệp. Hãy cùng xem xét một số ví dụ.

Sử dụng Ultralytics YOLO11 cho phân tích bán lẻ#

Ultralytics YOLO11 và công nghệ phát hiện đối tượng đang định hình lại phân tích bán lẻ bằng cách làm cho việc quản lý hàng tồn kho và giám sát kệ hàng trở nên hiệu quả và chính xác hơn. Khả năng phát hiện đối tượng nhanh chóng và đáng tin cậy của model giúp nhà bán lẻ theo dõi mức tồn kho, sắp xếp kệ hàng và giảm thiểu sai sót trong việc kiểm đếm hàng tồn kho.

Ví dụ, YOLO11 có thể phát hiện các mặt hàng cụ thể như kính râm trên kệ hàng trong cửa hàng. Nhưng tại sao một nhà bán lẻ lại muốn giám sát một kệ hàng? Việc giữ cho các kệ hàng luôn được bổ sung đầy đủ và ngăn nắp là điều quan trọng để đảm bảo khách hàng có thể tìm thấy những gì họ cần, điều này tác động trực tiếp đến doanh số. Bằng cách giám sát các kệ hàng trong thời gian thực, các nhà bán lẻ có thể nhanh chóng phát hiện khi nào các mặt hàng sắp hết, đặt nhầm chỗ hoặc quá tải, giúp họ duy trì một khu trưng bày ngăn nắp và thu hút, từ đó cải thiện trải nghiệm mua sắm.

Hình 3. Ví dụ về việc sử dụng Ultralytics YOLO11 để phát hiện sản phẩm trên kệ.

Ultralytics YOLO11 trong các ứng dụng thành phố thông minh#

Một thành phố nhộn nhịp phụ thuộc vào luồng giao thông trơn tru và đường phố an toàn để vận hành hiệu quả, và Ultralytics YOLO11 có thể giúp biến điều này thành hiện thực. Trên thực tế, nhiều ứng dụng thành phố thông minh có thể được tích hợp với YOLO11.

Một trường hợp thú vị liên quan đến việc sử dụng tính năng phát hiện đối tượng để nhận diện biển số xe trên các phương tiện đang di chuyển. Nhờ đó, Ultralytics YOLO11 có thể hỗ trợ thu phí nhanh hơn, quản lý giao thông tốt hơn và thực thi quy định nhanh chóng hơn.

Hình 4. Sử dụng tính năng phát hiện đối tượng và Ultralytics YOLO11 để phát hiện biển số xe.

Thông tin chi tiết từ các hệ thống thị giác AI giám sát đường sá có thể cảnh báo các cơ quan chức năng về các hành vi vi phạm giao thông hoặc tình trạng tắc nghẽn trước khi chúng leo thang thành các vấn đề lớn hơn. YOLO11 cũng có thể phát hiện người đi bộ và người đi xe đạp, làm cho đường phố an toàn và hiệu quả hơn cho tất cả mọi người.

Trên thực tế, khả năng xử lý dữ liệu trực quan của Ultralytics YOLO11 biến nó thành một công cụ mạnh mẽ để cải thiện cơ sở hạ tầng đô thị. Chẳng hạn, nó có thể giúp tối ưu hóa thờigian đèn tín hiệu giao thông bằng cách phân tích chuyển động của phương tiện và người đi bộ. Nó cũng có thể nâng cao an toàn trong các khu vực trường học bằng cách phát hiện trẻ em và cảnh báo người lái xe giảm tốc độ. Với YOLO11, các thành phố có thể chủ động thực hiện các biện pháp để giải quyết thách thức và tạo ra một môi trường hiệu quả hơn cho mọi người.

Phát hiện video thời gian thực với Ultralytics YOLO11: Tăng khả năng tiếp cận#

Phát hiện đối tượng thời gian thực đề cập đến khả năng của hệ thống trong việc nhận diện và phân loại các đối tượng trong luồng video trực tiếp ngay khi chúng xuất hiện. Ultralytics YOLO11 được thiết kế để đạt hiệu suất thời gian thực vượt trội và xuất sắc trong việc hỗ trợ khả năng này. Các ứng dụng của nó vượt ra ngoài việc đơn giản hóa quy trình - nó còn có thể giúp tạo ra một thế giới hòa nhập hơn và có thể tiếp cận tốt hơn.

Ví dụ, YOLO11 có thể hỗ trợ những người khiếm thị bằng cách nhận diện các vật thể trong thời gian thực. Dựa trên các phát hiện đó, các mô tả bằng âm thanh có thể được cung cấp, giúp người dùng điều hướng môi trường xung quanh với sự độc lập cao hơn.

Hãy tưởng tượng một người khiếm thị đi mua sắm tạp hóa. Việc chọn đúng các mặt hàng có thể gặp khó khăn, nhưng Ultralytics YOLO11 có thể hỗ trợ. Khi họ đặt các mặt hàng vào giỏ hàng, một hệ thống tích hợp với YOLO11 có thể được sử dụng để nhận diện từng mặt hàng - như chuối, quả bơ hoặc hộp sữa - và cung cấp mô tả âm thanh theo thời gian thực. Điều này cho phép họ xác nhận các lựa chọn của mình và đảm bảo họ đã có mọi thứ họ cần. Bằng cách nhận diện các vật dụng hàng ngày, YOLO11 có thể giúp việc mua sắm trở nên đơn giản hơn.

Hình 5. Phát hiện đối tượng có thể giúp làm cho thế giới trở nên dễ tiếp cận hơn cho người khiếm thị.

Hướng dẫn từng bước về phát hiện đối tượng với Ultralytics YOLO11#

Giờ đây, chúng ta đã đề cập đến những kiến thức cơ bản về phát hiện đối tượng và các ứng dụng đa dạng của nó, hãy cùng tìm hiểu cách bạn có thể bắt đầu với mô hình Ultralytics YOLO11 cho các tác vụ như phát hiện đối tượng.

Có hai cách đơn giản để sử dụng YOLO11: thông qua gói Python của Ultralytics hoặc Ultralytics HUB. Hãy cùng khám phá cả hai phương pháp, bắt đầu với gói Python.

Chạy suy luận bằng Ultralytics YOLO11#

Inferencing là khi một AI model phân tích dữ liệu mới, chưa từng thấy để đưa ra các predictions, phân loại thông tin hoặc cung cấp thông tin chi tiết dựa trên những gì nó đã học được trong quá trình training. Đối với object detection, điều đó có nghĩa là nhận diện và định vị các vật thể cụ thể trong một hình ảnh hoặc video, vẽ bounding boxes xung quanh chúng và gắn nhãn chúng dựa trên quá trình training của mô hình.

Để thực hiện inferencing bằng mô hình object detection YOLO11, trước tiên bạn cần install the Ultralytics Python package thông qua pip, conda hoặc Docker. Nếu bạn gặp bất kỳ vấn đề cài đặt nào, hãy xem troubleshooting guide để biết các mẹo và thủ thuật giúp bạn giải quyết chúng. Sau khi cài đặt xong, bạn có thể sử dụng đoạn mã sau để tải mô hình object detection YOLO11 và đưa ra dự đoán trên một hình ảnh.

Hình 6. Chạy suy luận trên hình ảnh bằng YOLO11n.

Huấn luyện một model Ultralytics YOLO11 tùy chỉnh#

Ultralytics YOLO11 cũng hỗ trợ custom training để phù hợp hơn với các use case cụ thể của bạn. Bằng cách fine-tuning model, bạn có thể tùy chỉnh nó để phát hiện các object liên quan đến project của mình. Chẳng hạn, khi using computer vision in healthcare, một model YOLO11 được custom-train có thể được sử dụng để phát hiện các điểm bất thường cụ thể trong hình ảnh y tế, chẳng hạn như khối u trong ảnh chụp MRI hoặc vết nứt trong ảnh X-quang, giúp các bác sĩ đưa ra chẩn đoán nhanh hơn và chính xác hơn.

Đoạn mã bên dưới minh họa cách tải và huấn luyện một model Ultralytics YOLO11 cho tác vụ phát hiện đối tượng. Bạn có thể bắt đầu từ một tệp cấu hình YAML hoặc một model được huấn luyện trước, chuyển trọng số và huấn luyện trên các tập dữ liệu như COCO để có các tính năng phát hiện đối tượng tinh chỉnh hơn.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.yaml")  # build a new model from YAML
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)
model = YOLO("yolo11n.yaml").load("yolo11n.pt")  # build from YAML and transfer weights

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Sau khi huấn luyện một mô hình, bạn cũng có thể xuất mô hình đã huấn luyện sang các định dạng khác nhau để triển khai trong các môi trường khác nhau.

Phát hiện đối tượng YOLO11 trên Ultralytics HUB#

Đối với những ai đang tìm kiếm một giải pháp thay thế không cần mã (no-code), Ultralytics HUB cung cấp một nền tảng thị giác AI dễ sử dụng để training và triển khai các mô hình YOLO, bao gồm cả YOLO11.

Để chạy phát hiện đối tượng trên hình ảnh, bạn chỉ cần tạo một tài khoản, điều hướng đến phần ‘Models’ và chọn biến thể model phát hiện đối tượng Ultralytics YOLO11. Tải lên hình ảnh của bạn và nền tảng sẽ hiển thị các đối tượng được phát hiện trong phần xem trước.

Hình 7. Chạy suy luận trên Ultralytics HUB.

Bằng cách kết hợp tính linh hoạt của gói Python với sự dễ sử dụng của HUB, Ultralytics YOLO11 giúp các nhà phát triển và doanh nghiệp dễ dàng tận dụng sức mạnh của công nghệ phát hiện đối tượng tiên tiến.

Các điểm chính cần lưu ý#

Ultralytics YOLO11 thiết lập một tiêu chuẩn mới trong object detection, kết hợp độ chính xác cao với tính linh hoạt để đáp ứng nhu cầu của các ngành công nghiệp khác nhau. Từ việc nâng cao phân tích bán lẻ đến quản lý cơ sở hạ tầng thành phố thông minh, YOLO11 được xây dựng để mang lại hiệu suất đáng tin cậy, thời gian thực trên vô số ứng dụng.

Với các tùy chọn huấn luyện tùy chỉnh và giao diện dễ sử dụng thông qua Ultralytics HUB, việc tích hợp YOLO11 vào quy trình làm việc của bạn chưa bao giờ đơn giản hơn thế. Cho dù bạn là một nhà phát triển đang khám phá thị giác máy tính hay một doanh nghiệp đang muốn đổi mới với AI, YOLO11 cung cấp các công cụ bạn cần để thành công.

Để tìm hiểu thêm, hãy xem GitHub repository của chúng tôi và tham gia cùng cộng đồng của chúng tôi. Khám phá các ứng dụng AI trong self-driving cars và computer vision for agriculture trên các trang giải pháp của chúng tôi. 🚀