Cách sử dụng Ultralytics YOLO11 cho object detection
Khám phá cách model Ultralytics YOLO11 mới có thể được sử dụng cho object detection để đạt độ chính xác cao hơn trong nhiều ứng dụng thuộc nhiều ngành.
Thị giác máy tính là một lĩnh vực của trí tuệ nhân tạo (AI), giúp máy móc diễn giải và hiểu thông tin hình ảnh để thực hiện các tác vụ thiết yếu như phát hiện đối tượng. Khác với phân loại hình ảnh, phát hiện đối tượng không chỉ xác định những đối tượng nào xuất hiện trong ảnh mà còn chỉ ra chính xác vị trí của chúng. Điều này khiến công nghệ này 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 đã 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 đó chuyển đổi liền mạch.
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, điểm khác biệt giữa nó và các tác vụ thị giác máy tính khác, đồng thời khám phá các ứng dụng thực tế. Chúng ta cũng sẽ hướng dẫn bạn cách sử dụng model YOLO11 với package Python của Ultralytics và nền tảng Ultralytics HUB. Hãy bắt đầu!
Phát hiện đối tượng là gì?#
Phát hiện đối tượng là một tác vụ cốt lõi trong thị giác máy tính, không chỉ đơn thuần xác định các đối tượng trong ảnh. Khác với 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 chỉ ra chính xác vị trí của chúng bằng các bounding box.
Ví dụ, công nghệ này có thể xác định 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 và định vị đối tượng khiến công nghệ 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 của phát hiện đối tượng so với các tác vụ khác như phân đoạn ngữ nghĩa hoặc phân đoạn instance nằm ở trọng tâm và hiệu quả của nó.
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 một bức ảnh sẽ được nhóm thành "face"). Phân đoạn instance tiến thêm một bước bằng cách tách riêng từng đối tượng và phác thảo hình dạng chính xác của đối tượng, ngay cả khi chúng thuộc cùng một class.
Tuy nhiên, phát hiện đối tượng cung cấp một phương pháp tinh gọn hơn bằng cách xác định và phân loại các đối tượng, đồng thời đánh dấu vị trí của chúng. Điều này khiến nó trở nên lý tưởng cho các tác vụ thời gian thực như phát hiện khuôn mặt trong video an ninh hoặc xác định chướng ngại vật cho phương tiện tự hành.
Các ứng dụng của Ultralytics YOLO11 và phát hiện đối tượng#
Các tính năng phát hiện đối tượng nâng cao của Ultralytics YOLO11 khiến model này hữu ích trong nhiều ngành. Hãy cùng xem 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 hoạt động phân tích bán lẻ bằng cách 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 các nhà bán lẻ theo dõi mức tồn kho, sắp xếp kệ hàng 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 tại sao nhà bán lẻ lại muốn giám sát kệ hàng? Việc đảm bảo kệ luôn đầy đủ và ngăn nắp rất quan trọng để khách hàng có thể tìm thấy thứ họ cần, 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 mặt hàng sắp hết, bị đặt sai vị trí hoặc xếp quá chật, giúp duy trì quầy kệ ngăn nắp, hấp dẫn và cải thiện trải nghiệm mua sắm.
Hình 3. Ví dụ sử dụng Ultralytics YOLO11 để phát hiện sản phẩm trên kệ hàng.
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 góp phần hiện thực hóa điều này. 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 phát hiện đối tượng để xác định 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 phát hiện đối tượng và Ultralytics YOLO11 để phát hiện biển số xe.
Thông tin chuyên sâu từ các hệ thống AI thị giác giám sát đường phố có thể cảnh báo cơ quan chức năng về vi phạm giao thông hoặc ùn tắc trước khi chúng trở thành vấn đề 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 mọi người.
Trên thực tế, khả năng xử lý dữ liệu hình ảnh của Ultralytics YOLO11 khiến model này trở thành công cụ mạnh mẽ để cải thiện hạ tầng đô thị. Chẳng hạn, model có thể giúp tối ưu thời lượng đèn giao thông bằng cách phân tích chuyển động của phương tiện và người đi bộ. Model cũng có thể tăng cường an toàn tại các 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 thời gian thực với Ultralytics YOLO11: Tăng khả năng tiếp cận#
Phát hiện đối tượng thời gian thực là khả năng của một hệ thống trong việc xác định và phân loại các đối tượng trên luồng video trực tiếp ngay khi chúng xuất hiện. Ultralytics YOLO11 được thiết kế để mang lại hiệu năng thời gian thực vượt trội và hỗ trợ tốt khả năng này. Các ứng dụng của model không chỉ dừng ở việc tinh gọn quy trình - model còn có thể góp phần tạo ra một thế giới hòa nhập và dễ tiếp cận hơn.
Chẳng hạn, YOLO11 có thể hỗ trợ người khiếm thị bằng cách xác định các 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 định hướng môi trường xung quanh độc lập hơn.
Hãy hình dung một người khiếm thị đang mua thực phẩm. Việc chọn đúng mặt hàng có thể rất khó khăn, nhưng Ultralytics YOLO11 có thể hỗ trợ. Khi họ đặt các mặt hàng vào giỏ, một hệ thống tích hợp YOLO11 có thể xác định từng món - như chuối, bơ hoặc hộp sữa - và cung cấp mô tả bằng âm thanh theo thời gian thực. Điều này giúp họ xác nhận lựa chọn và đảm bảo đã mua đủ mọi 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 trở nên dễ tiếp cận hơn với người khiếm thị.
Hướng dẫn từng bước về phát hiện đối tượng với Ultralytics YOLO11#
Sau khi đã tìm hiểu những kiến thức cơ bản về phát hiện đối tượng và các ứng dụng đa dạng của nó, hãy cùng tìm hiểu 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 package Python của Ultralytics hoặc Ultralytics HUB. Hãy cùng khám phá cả hai phương pháp, bắt đầu với package Python.
Chạy inference bằng Ultralytics YOLO11#
Inference 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 training. Đối với phát hiện đối tượng, điều này có nghĩa là xác định và định vị các đối tượng cụ thể trong ảnh hoặc video, vẽ bounding box xung quanh chúng và gán nhãn dựa trên quá trình training của model.
Để chạy inference bằng model phát hiện đối tượng YOLO11, trước tiên bạn cần cài đặt package Python của Ultralytics thông qua pip, conda hoặc Docker. Nếu gặp bất kỳ vấn đề nào khi cài đặt, hãy xem hướng dẫn khắc phục sự cố để tìm các mẹo giúp giải quyết vấn đề. Sau khi cài đặt, bạn có thể sử dụng đoạn code sau để tải model phát hiện đối tượng YOLO11 và thực hiện dự đoán trên một ảnh.
Hình 6. Chạy inference trên ảnh bằng YOLO11n.
Training model Ultralytics YOLO11 tùy chỉnh#
Ultralytics YOLO11 cũng hỗ trợ training tùy chỉnh để phù hợp hơn với các trường hợp sử dụng cụ thể. Bằng cách fine-tune model, bạn có thể điều chỉnh model để phát hiện các đối tượng liên quan đến dự án. Chẳng hạn, khi sử dụng thị giác máy tính trong lĩnh vực y tế, một model YOLO11 được training tùy chỉnh có thể được dùng để phát hiện các bất thường cụ thể trong ảnh y khoa, chẳng hạn như khối u trên ảnh MRI hoặc chỗ gãy trên ảnh X-quang, giúp bác sĩ chẩn đoán nhanh và chính xác hơn.
Đoạn code dưới đây minh họa cách tải và training một model Ultralytics YOLO11 để phát hiện đối tượng. Bạn có thể bắt đầu từ file cấu hình YAML hoặc một model đã được pre-train, chuyển weights và training trên các dataset như COCO để có khả năng phát hiện đối tượng tinh vi 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 training model, bạn cũng có thể export model đã training sang nhiều format khác nhau để triển khai trong các môi trường khác nhau.
Phát hiện đối tượng YOLO11 trên Ultralytics HUB#
Đối với những người đang tìm kiếm một giải pháp thay thế không cần code, Ultralytics HUB cung cấp một nền tảng AI thị giác dễ sử dụng để training và triển khai các model YOLO, bao gồm YOLO11.
Để chạy phát hiện đối tượng trên ảnh, chỉ cần tạo tài khoản, chuyển đến mục ‘Models’ và chọn biến thể model phát hiện đối tượng Ultralytics YOLO11. Tải ảnh lên, và nền tảng sẽ hiển thị các đối tượng được phát hiện trong phần xem trước.
Hình 7. Chạy inference trên Ultralytics HUB.
Bằng cách kết hợp tính linh hoạt của package Python với sự tiện lợi của HUB, Ultralytics YOLO11 giúp các nhà phát triển và doanh nghiệp dễ dàng khai thác sức mạnh của công nghệ phát hiện đối tượng tiên tiến.
Những điểm chính#
Ultralytics YOLO11 thiết lập một tiêu chuẩn mới trong lĩnh vực phát hiện đối tượng, kết hợp độ chính xác cao với tính linh hoạt để đáp ứng nhu cầu của nhiều ngành. Từ việc nâng cao hoạt động phân tích bán lẻ đến quản lý hạ tầng thành phố thông minh, YOLO11 được xây dựng để mang lại hiệu năng thời gian thực đáng tin cậy trong vô số ứng dụng.
Với các tùy chọn training tùy chỉnh và giao diện dễ sử dụng thông qua Ultralytics HUB, việc tích hợp YOLO11 vào workflow của bạn chưa bao giờ đơn giản hơn. Dù bạn là nhà phát triển đang khám phá thị giác máy tính hay doanh nghiệp muốn đổi mới với AI, YOLO11 cung cấp những công cụ cần thiết để bạn thành công.
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 cho nông nghiệp trên các trang giải pháp của chúng tôi. 🚀
