SharkEye sử dụng Ultralytics YOLOv8 để phát hiện đối tượng

Việc theo dõi động vật trong môi trường sống tự nhiên của chúng, cho dù là gia súc đang gặm cỏ trên trang trại hay cá mập di chuyển gần bờ biển, luôn đóng vai trò quan trọng đối với sự an toàn và phúc lợi của chúng. Tuy nhiên, quan sát thủ công không phải là việc dễ dàng. Công việc này thường đòi hỏi nhiều giờ kiên nhẫn và sự tập trung cao độ, vì người quan sát phải theo dõi sát sao bất kỳ thay đổi nào về hành vi hoặc chuyển động. Ngay cả khi đó, người ta vẫn rất dễ bỏ lỡ những dấu hiệu tinh vi nhưng quan trọng.

Nhờ có trí tuệ nhân tạo (AI) can thiệp, quá trình này đang trở nên nhanh chóng, thông minh hơn và hiệu quả hơn rất nhiều, giảm bớt áp lực cho người quan sát con người đồng thời cải thiện độ chính xác. Cụ thể, computer vision có thể được sử dụng để theo dõi động vật, phát hiện mối nguy hiểm và đưa ra quyết định trong thời gian thực. Các tác vụ trước đây mất hàng giờ nay có thể hoàn thành chỉ trong vài phút, mở ra những cách mới để hiểu về hành vi của động vật.

Tại sự kiện YOLO Vision 2024 (YV24), một sự kiện kết hợp trực tuyến và trực tiếp thường niên do Ultralytics tổ chức, các chuyên gia và nhà đổi mới đã tụ họp để khám phá cách AI đang giải quyết các thách thức hàng ngày. Một số chủ đề được trưng bày bao gồm các tiến bộ trong phát hiện đối tượng thời gian thực và animal monitoring, thể hiện cách AI đang nâng cao độ an toàn và hiệu quả trên nhiều lĩnh vực khác nhau.

Một trong những điểm nhấn của sự kiện là bài phát biểu của Jim Griffin, Người sáng lập AI Master Group, nơi ông trình bày cách vision AI đang làm cho các bãi biển trở nên an toàn hơn bằng cách phát hiện cá mập trước khi chúng tiến quá gần bờ. Ông giải thích cách họ đã sử dụng Ultralytics YOLOv8, một model computer vision tiên tiến, để nhận diện chính xác cá mập trong thời gian thực, ngay cả trong các điều kiện khó khăn như sóng cuồn cuộn, ánh sáng chói và các vật cản dưới nước.

Trong bài viết này, chúng ta sẽ xem xét kỹ hơn về SharkEye project và chia sẻ những thông tin thú vị từ bài nói chuyện của Jim.

Tìm hiểu về SharkEye: Một ứng dụng computer vision#

Jim bắt đầu bài phát biểu của mình bằng cách giới thiệu Padaro Beach, một điểm đến nổi tiếng dành cho môn lướt sóng ở California, nơi người lướt sóng và cá mập thường chia sẻ cùng một vùng nước. Nhấn mạnh vào thách thức thực tế của việc phát hiện cá mập, ông chia sẻ: “Tất nhiên, rất dễ để phát hiện cá mập nếu nó cắn bạn, vì vậy điều chúng tôi muốn làm là nhận diện cá mập từ trước.”

Hình 1. Jim trên sân khấu tại YOLO Vision 2024.

SharkEye được tạo ra để giải quyết vấn đề này, với sự hỗ trợ từ Đại học California, Santa Barbara. Jim đã mô tả cách các drone trang bị AI cameras độ phân giải cao được sử dụng để bay cách mặt nước khoảng 200 feet, quét đại dương theo thời gian thực.

Nếu phát hiện cá mập, tin nhắn SMS cảnh báo sẽ được gửi tới khoảng 80 người, bao gồm nhân viên cứu hộ, chủ cửa hàng lướt sóng và bất kỳ ai đã đăng ký nhận thông báo. Jim chỉ ra rằng những thông báo tức thì này cho phép phản ứng nhanh chóng, giữ an toàn hơn cho người đi biển khi có cá mập gần bờ.

Jim cũng đề cập rằng SharkEye có bảng điều khiển trực tiếp (dashboard) nơi người dùng có thể xem số liệu thống kê về việc phát hiện cá mập. Ví dụ, trong hơn 12 tuần, hệ thống đã xác định được hai con cá mập lớn và 15 con nhỏ hơn, trung bình hơn một con cá mập mỗi tuần.

Sau đó, ông giới thiệu Neil Nathan, nhà khoa học dẫn đầu các nỗ lực phía sau SharkEye. Mặc dù có nền tảng về nghiên cứu môi trường thay vì khoa học máy tính, Nathan đã dẫn dắt dự án thành công. Jim nhấn mạnh cách các công cụ AI hiện đại, giống như những công cụ được sử dụng trong SharkEye, được thiết kế để dễ tiếp cận, cho phép các cá nhân từ nền tảng phi kỹ thuật phát triển các giải pháp có tác động mạnh mẽ.

Sử dụng Ultralytics YOLOv8 để phát hiện cá mập#

Đi sâu hơn vào chi tiết, Jim đã giải thích về những gì có bên trong SharkEye và cách giải pháp phát hiện cá mập không chỉ đơn thuần là một tác vụ object detection đơn giản. Hệ thống phải đối mặt với các điều kiện động và khó lường như rong biển trôi nổi có thể dễ dàng bị nhầm lẫn với cá mập. Không giống như việc phát hiện một vật thể cố định, việc nhận diện cá mập đòi hỏi độ chính xác và khả năng thích ứng cao, biến Ultralytics YOLOv8 thành một lựa chọn lý tưởng.

Một ưu điểm khác của Ultralytics YOLOv8 là có thể được deployed on a drone mà không cần phụ thuộc vào máy chủ đám mây. Jim giải thích cách tiếp cận này giúp SharkEye gửi cảnh báo tức thì - một phần thiết yếu để đảm bảo phản ứng kịp thời trong điều kiện đại dương khó lường.

Phát hiện đối tượng chỉ với sáu dòng code#

Sau khi nêu bật cách SharkEye hoạt động và nỗ lực hợp tác đằng sau nó, Jim đã thực hiện một buổi trình diễn trực tiếp.

Jim Griffin bắt đầu bản demo trực tiếp của mình bằng cách hướng dẫn khán giả qua một ví dụ quen thuộc - đoạn code "hello world" cho Ultralytics YOLO models. Chỉ với sáu dòng code Python, ông đã minh họa cách một model Ultralytics YOLOv8 được huấn luyện trước có thể phát hiện một chiếc xe buýt trong ảnh một cách dễ dàng.

Hình 2. Một buổi trình diễn của Jim tại YOLO Vision 2024.

Bản demo của ông sử dụng model Ultralytics YOLOv8 Nano, một phiên bản tối ưu trọng lượng dành cho các thiết bị công suất thấp như drone. Cùng model đó đã được sử dụng trong SharkEye để phát hiện cá mập theo thời gian thực.

Để cung cấp thêm bối cảnh, Jim đề cập rằng model trong bản demo đang được huấn luyện trên COCO128, một tập dữ liệu con nhỏ hơn của COCO dataset. phổ biến. COCO dataset chứa hơn 20.000 hình ảnh trên 80 danh mục đối tượng khác nhau. Mặc dù COCO128 hoạt động tốt cho các bản demo nhanh, ông chỉ ra rằng SharkEye cần một giải pháp mạnh mẽ hơn - một tập dữ liệu phát hiện cá mập dành riêng cho ứng dụng có thể xử lý các độ phức tạp của các kịch bản thực tế.

Huấn luyện tùy chỉnh Ultralytics YOLOv8 cho SharkEye#

Theo Jim, phần khó nhất của dự án SharkEye không phải là huấn luyện model AI mà là thu thập dữ liệu phù hợp. Ông nhận xét: “Công việc chính của dự án này không phải là AI. Công việc chính là bay những chiếc drone đó trong suốt năm năm, lọc hình ảnh từ những video đó và gắn nhãn chúng một cách phù hợp.”

Ông mô tả cách nhóm thu thập 15.000 hình ảnh tại Padaro Beach. Mỗi hình ảnh phải được gắn nhãn thủ công để phân biệt giữa cá mập, rong biển và các đối tượng khác trong nước. Mặc dù quy trình diễn ra chậm chạp và đòi hỏi cao, nó đã đặt nền móng cho mọi thứ theo sau.

Hình 3. Sử dụng drone để chụp ảnh cá mập cho việc phát hiện đối tượng thời gian thực.

Khi tập dữ liệu đã sẵn sàng, Ultralytics YOLOv8 đã được custom-trained trên đó. Jim cho biết, "Quá trình huấn luyện thực tế không phải là phần khó - nó chỉ mất 20 giờ trên T4 GPUs [Graphics processing units]." Ông cũng bổ sung rằng thời gian có thể giảm xuống chỉ còn năm giờ với phần cứng mạnh mẽ hơn, chẳng hạn như A100 GPUs.

Đánh giá SharkEye: Độ chính xác (precision) quan trọng hơn độ bao phủ (recall)#

Sau đó, Jim thảo luận về cách hiệu suất của SharkEye được đánh giá. Ông minh họa rằng thước đo chính là độ chính xác - khả năng hệ thống nhận diện chính xác cá mập thực tế. Với việc SharkEye đạt được độ chính xác ấn tượng 92%, model đã chứng minh hiệu quả cao trong việc xác định chính xác cá mập giữa môi trường đại dương phức tạp.

Đi sâu hơn vào tầm quan trọng của độ chính xác, Jim làm rõ lý do tại sao độ chính xác lại quan trọng hơn độ bao phủ trong trường hợp này. "Hầu hết thời gian, mọi người quan tâm đến recall, đặc biệt là trong các lĩnh vực như y tế, nơi việc bỏ sót một trường hợp dương tính có thể rất nghiêm trọng. Nhưng trong trường hợp này, chúng tôi không biết có bao nhiêu con cá mập ngoài kia, vì vậy điều chúng tôi quan tâm là độ chính xác," ông giải thích. SharkEye đảm bảo rằng các cảnh báo giả được giảm thiểu bằng cách tập trung vào độ chính xác, giúp nhân viên cứu hộ và những lực lượng ứng phó khác hành động nhanh chóng dễ dàng hơn.

Hình 4. Jim giới thiệu SharkEye tại YOLO Vision 2024.

Ông kết thúc bài phát biểu bằng cách so sánh AI với hiệu suất của con người, lưu ý rằng độ chính xác 92% của SharkEye vượt xa độ chính xác 60% của các chuyên gia là con người. Ông nhấn mạnh khoảng cách này, nói rằng: “Đó là vì chúng ta là con người. Dù bạn hay tôi có là chuyên gia đến đâu, nếu phải ngồi trước màn hình cả ngày để tìm cá mập, cuối cùng chúng ta cũng sẽ mất tập trung.” Không giống như con người, các model AI không bị mệt mỏi hay mất tập trung, biến nó thành một giải pháp đáng tin cậy cho các tác vụ đòi hỏi sự giám sát liên tục.

Ultralytics YOLO11: YOLO mới nhất#

Một câu nói thú vị từ bài nói chuyện của Jim Griffin, "Sáu dòng code có thể cứu mạng bạn một ngày nào đó," thể hiện hoàn hảo mức độ tiên tiến nhưng dễ tiếp cận mà AI đã đạt được. Các Ultralytics YOLO models đã được tạo ra với điều này trong tâm trí, giúp công nghệ computer vision tiên tiến tiếp cận được với các nhà phát triển và doanh nghiệp có quy mô bất kỳ. Ultralytics YOLO11 xây dựng dựa trên điều này với khả năng suy luận nhanh hơn và độ chính xác cao hơn.

Dưới đây là cái nhìn nhanh về những điểm khác biệt của Ultralytics YOLO11:

• Kiến trúc được thiết kế lại: Kiến trúc backbone và neck nâng cao của nó cho phép trích xuất đặc trưng tốt hơn và cải thiện độ chính xác.
• Dễ sử dụng: Có thể truy cập thông qua lập trình Python hoặc các công cụ không cần code như Ultralytics HUB.
• Tính linh hoạt giữa các tác vụ: Ultralytics YOLO11 hỗ trợ các computer vision tasks như phát hiện đối tượng, phân đoạn thực thể, phân loại hình ảnh, theo dõi, ước ốm tư thế và hộp giới hạn xoay (OBB).
• Cải thiện độ chính xác: Ultralytics YOLO11 đạt độ chính xác trung bình (mAP) cao hơn 22% so với YOLOv8m trên tập dữ liệu COCO, mang lại các phát hiện chính xác hơn.

Những tính năng này giúp Ultralytics YOLO11 trở thành lựa chọn tuyệt vời cho việc theo dõi hành vi động vật trong các môi trường động, dù là trong nông trại hay ngoài tự nhiên.

Các điểm chính cần lưu ý#

Những tiến bộ trong AI thị giác đang giúp việc giải quyết các thách thức trong thế giới thực trở nên dễ dàng hơn bằng cách cung cấp các công cụ thực tế cho nhiều lĩnh vực khác nhau. Chẳng hạn, các model thị giác máy tính như Ultralytics YOLO11 có thể được sử dụng để giám sát và theo dõi động vật theo thời gian thực, ngay cả trong các điều kiện khắc nghiệt.

Bài phát biểu chính của Jim Griffin tại YV24 minh họa cách Ultralytics YOLOv8 có thể được sử dụng để giải quyết các vấn đề phức tạp với lượng mã nguồn tối thiểu. Dự án SharkEye, kết hợp máy drone với AI để phát hiện cá mập theo thời gian thực, đã cho thấy công nghệ có thể cải thiện sự an toàn ở bãi biển như thế nào.

Đây là một nghiên cứu tình huống hấp dẫn về cách AI dễ tiếp cận trao quyền cho mọi người từ các nền tảng khác nhau tạo ra các giải pháp hiệu quả. Khi AI tiếp tục phát triển, nó đang thay đổi các ngành công nghiệp và giúp các cá nhân khai thác tiềm năng của nó để biến thế giới thành một nơi an toàn hơn, thông minh hơn và hiệu quả hơn.

Hãy trở thành một phần của our community và khám phá our GitHub repository để tìm hiểu sâu hơn về AI. Từ computer vision in agriculture đến AI in self-driving cars, hãy xem cách các công nghệ này đang thúc đẩy sự đổi mới. Hãy kiểm tra our licensing options để bắt đầu các dự án AI của bạn ngay hôm nay!