Cách sử dụng Ultralytics YOLO11 để phát hiện đối tượng

Thị giác máy tính là một lĩnh vực của trí tuệ nhân tạo (AI), giúp máy móc diễn giải và hiểu thông tin trực quan để thực hiện các tác vụ thiết yếu như phát hiện đối tượng. Khác với phân loại ảnh, phát hiện đối tượng không chỉ xác định những đối tượng nào có trong ảnh mà còn xác định chính xác vị trí của chúng. Điều này khiến phát hiện đối tượng trở thành công cụ quan trọng cho các ứng dụng AI thị giác như xe tự lái, hệ thống an ninh thời gian thực và tự động hóa kho hàng.

Theo thời gian, công nghệ phát hiện đối tượng ngày càng tiên tiến và dễ sử dụng hơn. Một bước tiến lớn được công bố tại sự kiện kết hợp thường niên của Ultralytics, YOLO Vision 2024 (YV24), với sự ra mắt của model Ultralytics YOLO11. YOLO11 cải thiện độ chính xác và hiệu năng, đồng thời hỗ trợ các tác vụ tương tự YOLOv8, giúp người dùng các model trước dễ dàng chuyển đổi. (YOLO11 sau đó được thay thế bởi Ultralytics YOLO26.)

Hình 1. Ví dụ sử dụng model Ultralytics YOLO11 để phát hiện đối tượng.

Trong bài viết này, chúng ta sẽ phân tích phát hiện đối tượng là gì, khác với các tác vụ thị giác máy tính khác như thế nào và tìm hiểu các ứng dụng thực tế. Chúng ta cũng sẽ hướng dẫn bạn cách sử dụng model YOLO11 với gói Python Ultralytics và Ultralytics HUB (nay là Ultralytics Platform). Bắt đầu nhé!

Phát hiện đối tượng là gì?#

Phát hiện đối tượng là một tác vụ cốt lõi trong thị giác máy tính, vượt xa việc chỉ nhận diện đối tượng trong ảnh. Không giống phân loại hình ảnh, vốn chỉ xác định một đối tượng cụ thể có xuất hiện hay không, phát hiện đối tượng nhận diện nhiều đối tượng và xác định chính xác vị trí của chúng bằng bounding box.

Ví dụ, model có thể nhận diện và định vị khuôn mặt trong ảnh chụp nhóm, ô tô trên đường phố đông đúc hoặc sản phẩm trên kệ hàng. Việc kết hợp nhận diện đối tượng và định vị khiến phương pháp này đặc biệt hữu ích cho các ứng dụng như giám sát, theo dõi đám đông và quản lý hàng tồn kho tự động.

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

Điểm khác biệt giữa phát hiện đối tượng và các tác vụ khác như phân đoạn ngữ nghĩa hoặc phân đoạn thực thể nằm ở trọng tâm và hiệu quả của phương pháp này.

Phân đoạn ngữ nghĩa gán nhãn cho từng pixel trong ảnh nhưng không phân biệt các đối tượng riêng lẻ cùng loại (ví dụ: tất cả khuôn mặt trong ảnh sẽ được nhóm thành "khuôn mặt"). Phân đoạn đối tượng tiến xa hơn bằng cách tách riêng từng đối tượng và phác thảo hình dạng chính xác của chúng, kể cả với các đối tượng cùng lớp.

Trong khi đó, phát hiện đối tượng mang đến cách tiếp cận tinh gọn hơn bằng cách nhận diện, phân loại đối tượng và đánh dấu vị trí của chúng. Điều này khiến phương pháp trở nên lý tưởng cho các tác vụ thời gian thực như phát hiện khuôn mặt trong cảnh quay an ninh hoặc nhận diện chướng ngại vật cho xe tự hành.

Ứng dụng của Ultralytics YOLO11 và tính năng phát hiện đối tượng#

Các tính năng phát hiện đối tượng tiên tiến của Ultralytics YOLO11 giúp model hữu ích trong nhiều ngành công nghiệp. Hãy cùng xem một số ví dụ.

Sử dụng Ultralytics YOLO11 cho phân tích bán lẻ#

Ultralytics YOLO11 và tính năng phát hiện đối tượng đang định hình lại hoạt động phân tích bán lẻ, giúp quản lý hàng tồn kho và giám sát kệ hàng hiệu quả, chính xác hơn. Khả năng phát hiện đối tượng nhanh chóng và đáng tin cậy của model giúp nhà bán lẻ theo dõi lượng hàng, sắp xếp kệ và giảm sai sót khi kiểm kê.

Ví dụ, YOLO11 có thể phát hiện các mặt hàng cụ thể như kính râm trên kệ hàng. Nhưng vì sao nhà bán lẻ muốn giám sát kệ hàng? Việc giữ cho kệ hàng luôn đủ hàng và ngăn nắp rất quan trọng để khách hàng tìm được món đồ cần mua, qua đó tác động trực tiếp đến doanh số. Bằng cách giám sát kệ hàng theo thời gian thực, nhà bán lẻ có thể nhanh chóng phát hiện khi hàng sắp hết, bị đặt sai vị trí hoặc xếp quá dày, từ đó duy trì cách trưng bày ngăn nắp và hấp dẫn, nâng cao trải nghiệm mua sắm.

Hình 3. Ví dụ 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 cần luồng giao thông thông suốt và đường phố an toàn để vận hành hiệu quả, và Ultralytics YOLO11 có thể giúp hiện thực hóa điều đó. Trên thực tế, nhiều ứng dụng thành phố thông minh có thể được tích hợp với YOLO11.

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

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

Thông tin chuyên sâu từ các hệ thống AI thị giác giám sát đường sá có thể cảnh báo cơ quan chức năng về vi phạm giao thông hoặc ùn tắc trước khi tình hình trở nên nghiêm trọng hơn. YOLO11 cũng có thể phát hiện người đi bộ và người đi xe đạp, giúp đường phố an toàn và hiệu quả hơn cho tất cả mọi người.

Trên thực tế, khả năng xử lý dữ liệu hình ảnh của Ultralytics YOLO11 khiến model trở thành công cụ mạnh mẽ để cải thiện cơ sở hạ tầng đô thị. Chẳng hạn, model có thể giúp tối ưu hóa thời gian đèn giao thông bằng cách phân tích chuyển động của phương tiện và người đi bộ. Model cũng có thể tăng cường an toàn trong khu vực trường học bằng cách phát hiện trẻ em và cảnh báo tài xế giảm tốc độ. Với YOLO11, các thành phố có thể chủ động giải quyết thách thức và tạo ra môi trường hiệu quả hơn cho mọi người.

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

Phát hiện đối tượng thời gian thực là khả năng nhận diện và phân loại đối tượng trong luồng video trực tiếp khi chúng xuất hiện. Ultralytics YOLO11 được thiết kế để hoạt động theo thời gian thực và hỗ trợ tốt khả năng này. Các ứng dụng của model không chỉ giới hạn ở việc tinh giản quy trình mà còn có thể giúp xây dựng một thế giới hòa nhập và dễ tiếp cận hơn.

Chẳng hạn, YOLO11 có thể hỗ trợ người khiếm thị bằng cách nhận diện đối tượng theo thời gian thực. Dựa trên kết quả phát hiện, hệ thống có thể cung cấp mô tả bằng âm thanh, giúp người dùng tự chủ hơn khi di chuyển trong môi trường xung quanh.

Hãy hình dung một người khiếm thị đi mua thực phẩm. Việc chọn đúng mặt hàng có thể khó khăn, nhưng Ultralytics YOLO11 có thể hỗ trợ. Khi người đó đặt sản phẩm vào giỏ, hệ thống tích hợp YOLO11 có thể nhận diện từng món như chuối, quả bơ hoặc hộp sữa, đồng thời cung cấp mô tả bằng âm thanh theo thời gian thực. Nhờ đó, họ có thể xác nhận lựa chọn và đảm bảo đã mua đủ những thứ cần thiết. Bằng cách nhận diện các mặt hàng thường ngày, YOLO11 có thể giúp việc mua sắm trở nên đơn giản hơn.

Hình 5. Phát hiện đối tượng có thể giúp thế giới dễ tiếp cận hơn với người khiếm thị.

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

Sau khi tìm hiểu những kiến thức cơ bản về phát hiện đối tượng và các ứng dụng đa dạng của phương pháp này, hãy cùng xem cách bắt đầu sử dụng model Ultralytics YOLO11 cho các tác vụ như phát hiện đối tượng.

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

Chạy suy luận bằng Ultralytics YOLO11#

Suy luận là quá trình model AI phân tích dữ liệu mới chưa từng thấy để đưa ra dự đoán, phân loại thông tin hoặc cung cấp thông tin chuyên sâu dựa trên những gì model đã học trong quá trình huấn luyện. Với tác vụ phát hiện đối tượng, điều đó có nghĩa là xác định và định vị các đối tượng cụ thể trong ảnh hoặc video, vẽ bounding box quanh chúng và gán nhãn dựa trên dữ liệu huấn luyện của model.

Để chạy suy luận bằng model phát hiện đối tượng YOLO11, trước tiên bạn cần cài đặt gói Python Ultralytics thông qua pip, conda hoặc Docker. Nếu gặp sự cố khi cài đặt, hãy xem hướng dẫn khắc phục sự cố để tìm mẹo giúp giải quyết vấn đề. Sau khi cài đặt, bạn có thể dùng đoạn code sau để tải model phát hiện đối tượng YOLO11n và đưa ra dự đoán trên ảnh.

Hình 6. Chạy suy luận trên ảnh bằng YOLO11n.

Huấn luyện model Ultralytics YOLO11 tùy chỉnh#

Ultralytics YOLO11 cũng hỗ trợ huấn luyện tùy chỉnh để phù hợp hơn với các trường hợp sử dụng cụ thể của bạn. Bằng cách tinh chỉnh model, bạn có thể điều chỉnh model để phát hiện các đối tượng liên quan đến dự án. Chẳng hạn, khi ứng dụng thị giác máy tính trong chăm sóc sức khỏe, có thể dùng model YOLO11 được huấn luyện tùy chỉnh để phát hiện các bất thường cụ thể trong ảnh y khoa, chẳng hạn như khối u trong ảnh MRI hoặc vết nứt trên ảnh X-quang, giúp bác sĩ chẩn đoán nhanh và chính xác hơn.

Đoạn code dưới đây minh họa cách tải và huấn luyện model Ultralytics YOLO11 để phát hiện đối tượng. Bạn có thể bắt đầu từ tệp cấu hình YAML hoặc model đã huấn luyện trước, chuyển trọng số và huấn luyện trên các bộ dữ liệu như COCO để nâng cao khả năng phát hiện đối tượng.

from ultralytics import YOLO

# Tải model
model = YOLO("yolo11n.yaml")  # tạo model mới từ YAML
model = YOLO("yolo11n.pt")  # tải model đã huấn luyện trước (được khuyến nghị khi huấn luyện)
model = YOLO("yolo11n.yaml").load("yolo11n.pt")  # tạo từ YAML và chuyển trọng số

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

Sau khi huấn luyện model, bạn cũng có thể export model sang nhiều định dạng để triển khai trong các môi trường khác nhau.

Phát hiện đối tượng YOLO11 trên Ultralytics HUB#

Nếu muốn có giải pháp thay thế không cần code, Ultralytics HUB cung cấp nền tảng AI thị giác dễ sử dụng để huấn luyện và triển khai các model YOLO, bao gồm YOLO11.

Để phát hiện đối tượng trong ảnh, chỉ cần tạo tài khoản, chuyển đến mục ‘Models’ và chọn biến thể model phát hiện đối tượng Ultralytics YOLO11. Tải ảnh lên, 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 tiện lợi của HUB, Ultralytics YOLO11 giúp developer và doanh nghiệp dễ dàng ứng dụng công nghệ phát hiện đối tượng tiên tiến.

Điểm chính cần ghi nhớ#

Ultralytics YOLO11 kết hợp độ chính xác cao với tính linh hoạt để đáp ứng nhu cầu của nhiều ngành. Từ nâng cao khả năng phân tích bán lẻ đến quản lý hạ tầng thành phố thông minh, YOLO11 được xây dựng để mang lại hiệu năng đáng tin cậy theo thời gian thực trong nhiều 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 rất đơn giản. Dù bạn là developer đang khám phá thị giác máy tính hay doanh nghiệp muốn đổi mới bằng AI, YOLO11 cung cấp các công cụ cần thiết để bắt đầu.

Để tìm hiểu thêm, hãy xem repository GitHub của chúng tôi và tham gia cộng đồng. Khám phá các ứng dụng AI trong xe tự lái và thị giác máy tính trong nông nghiệp trên các trang giải pháp của chúng tôi.