Quá trình phát triển của phát hiện đối tượng và các model YOLO của Ultralytics

Thị giác máy tính là một phân ngành của trí tuệ nhân tạo (AI), tập trung vào việc dạy máy móc nhìn và hiểu hình ảnh, video tương tự cách con người cảm nhận thế giới thực. Trong khi nhận diện đối tượng hoặc nhận diện hành động là điều tự nhiên đối với con người, máy móc cần đến các kỹ thuật thị giác máy tính chuyên biệt cho những tác vụ này. Chẳng hạn, một tác vụ quan trọng trong thị giác máy tính là phát hiện đối tượng, bao gồm việc nhận diện và xác định vị trí đối tượng trong hình ảnh hoặc video.

Từ những năm 1960, các nhà nghiên cứu đã tìm cách cải thiện khả năng phát hiện đối tượng của máy tính. Các phương pháp ban đầu, như đối sánh mẫu, sử dụng một mẫu được xác định trước và trượt mẫu đó trên ảnh để tìm các kết quả khớp. Dù mang tính đổi mới, các phương pháp này gặp khó khăn khi kích thước, hướng và điều kiện chiếu sáng của đối tượng thay đổi. Ngày nay, chúng ta có các model tiên tiến như Ultralytics YOLO11, có thể phát hiện chính xác ấn tượng cả những đối tượng nhỏ và bị che khuất một phần, còn gọi là đối tượng bị che khuất.

Khi thị giác máy tính tiếp tục phát triển, việc nhìn lại quá trình hình thành của các công nghệ này là rất quan trọng. Trong bài viết này, chúng ta sẽ khám phá quá trình phát triển của phát hiện đối tượng và tìm hiểu sự chuyển đổi của các model YOLO (Bạn Chỉ Cần Nhìn Một Lần). Bắt đầu thôi!

Nguồn gốc của thị giác máy tính#

Trước khi tìm hiểu sâu về phát hiện đối tượng, hãy cùng xem thị giác máy tính bắt đầu như thế nào. Nguồn gốc của thị giác máy tính bắt đầu từ cuối những năm 1950 và đầu những năm 1960, khi các nhà khoa học nghiên cứu cách bộ não xử lý thông tin thị giác. Trong các thí nghiệm với mèo, các nhà nghiên cứu David Hubel và Torsten Wiesel phát hiện bộ não phản ứng với các mẫu đơn giản như cạnh và đường thẳng. Phát hiện này đặt nền móng cho ý tưởng về trích xuất đặc trưng - khái niệm cho rằng hệ thống thị giác phát hiện và nhận diện các đặc trưng cơ bản trong ảnh, chẳng hạn như cạnh, trước khi xử lý các mẫu phức tạp hơn.

Hình 1. Nghiên cứu phản ứng của não mèo với các vạch sáng đã góp phần phát triển phương pháp trích xuất đặc trưng trong thị giác máy tính.

Cũng trong khoảng thời gian đó, công nghệ mới xuất hiện, cho phép chuyển hình ảnh vật lý sang định dạng số và khơi dậy sự quan tâm đến cách máy móc xử lý thông tin thị giác. Năm 1966, Dự án Summer Vision của Viện Công nghệ Massachusetts (MIT) đã thúc đẩy lĩnh vực này tiến xa hơn. Dù dự án không hoàn toàn thành công, mục tiêu của dự án là tạo ra một hệ thống có thể tách tiền cảnh khỏi hậu cảnh trong hình ảnh. Với nhiều người trong cộng đồng AI thị giác, dự án này đánh dấu thời điểm chính thức bắt đầu của thị giác máy tính với tư cách là một lĩnh vực khoa học.

Tìm hiểu lịch sử phát hiện đối tượng#

Khi thị giác máy tính phát triển vào cuối những năm 1990 và đầu những năm 2000, các phương pháp phát hiện đối tượng chuyển từ kỹ thuật cơ bản như đối sánh mẫu sang các phương pháp tiên tiến hơn. Một phương pháp phổ biến là Haar Cascade, được sử dụng rộng rãi cho các tác vụ như phát hiện khuôn mặt. Phương pháp này quét ảnh bằng cửa sổ trượt, kiểm tra các đặc trưng cụ thể như cạnh hoặc kết cấu trong từng vùng ảnh, rồi kết hợp các đặc trưng đó để phát hiện đối tượng như khuôn mặt. Haar Cascade nhanh hơn đáng kể so với các phương pháp trước đó.

Hình 2. Sử dụng Haar Cascade để phát hiện khuôn mặt.

Bên cạnh đó, các phương pháp như Histogram of Oriented Gradients (HOG) và Support Vector Machines (SVMs) cũng được giới thiệu. HOG sử dụng kỹ thuật cửa sổ trượt để phân tích sự thay đổi của ánh sáng và bóng đổ trong các vùng nhỏ của ảnh, qua đó giúp nhận diện đối tượng dựa trên hình dạng. Sau đó, SVM phân loại các đặc trưng này để xác định danh tính của đối tượng. Các phương pháp này cải thiện độ chính xác nhưng vẫn gặp khó khăn trong môi trường thực tế và chậm hơn so với các kỹ thuật hiện nay.

Nhu cầu phát hiện đối tượng thời gian thực#

Trong thập niên 2010, sự phát triển của deep learning và Mạng nơ-ron tích chập (CNN) đã tạo ra bước chuyển lớn trong phát hiện đối tượng. CNN giúp máy tính tự động học các đặc trưng quan trọng từ lượng lớn dữ liệu, nhờ đó độ chính xác phát hiện được cải thiện đáng kể.

Các model ban đầu như R-CNN (Mạng nơ-ron tích chập dựa trên vùng) cải thiện đáng kể độ chính xác, giúp nhận diện đối tượng chính xác hơn so với các phương pháp cũ.

Tuy nhiên, các model này chậm vì xử lý ảnh qua nhiều giai đoạn, khiến chúng không phù hợp với các ứng dụng thời gian thực trong những lĩnh vực như xe tự lái hoặc giám sát video.

Để tăng tốc xử lý, các model hiệu quả hơn đã được phát triển. Những model như Fast R-CNN và Faster R-CNN cải thiện cách lựa chọn vùng quan tâm và giảm số bước cần thiết để phát hiện. Dù nhờ đó phát hiện đối tượng nhanh hơn, tốc độ vẫn chưa đủ đáp ứng nhiều ứng dụng thực tế cần kết quả tức thì. Nhu cầu ngày càng tăng về phát hiện thời gian thực đã thúc đẩy việc phát triển các giải pháp nhanh và hiệu quả hơn, có thể cân bằng tốc độ với độ chính xác.

Hình 3. So sánh tốc độ của R-CNN, Fast R-CNN và Faster R-CNN.

Các model YOLO (You Only Look Once): Cột mốc quan trọng#

YOLO là một model phát hiện đối tượng đã định hình lại thị giác máy tính bằng cách cho phép phát hiện nhiều đối tượng trong ảnh và video theo thời gian thực, khiến nó khác biệt đáng kể so với các phương pháp phát hiện trước đó. Thay vì phân tích từng đối tượng được phát hiện riêng lẻ, kiến trúc YOLO xem phát hiện đối tượng là một tác vụ duy nhất, dự đoán đồng thời vị trí và lớp của các đối tượng bằng CNN.

Model hoạt động bằng cách chia ảnh thành một lưới, trong đó mỗi phần chịu trách nhiệm phát hiện đối tượng trong khu vực tương ứng. Model đưa ra nhiều dự đoán cho từng vùng và lọc bỏ các kết quả có độ tin cậy thấp hơn, chỉ giữ lại những kết quả chính xác.

Hình 4. Tổng quan về cách YOLO hoạt động.

Việc đưa YOLO vào các ứng dụng thị giác máy tính giúp phát hiện đối tượng nhanh và hiệu quả hơn nhiều so với các model trước đó. Nhờ tốc độ và độ chính xác cao, YOLO nhanh chóng trở thành lựa chọn phổ biến cho các giải pháp thời gian thực trong những ngành như sản xuất, chăm sóc sức khỏe và robot.

Một điểm quan trọng khác là vì YOLO là mã nguồn mở, các nhà phát triển và nhà nghiên cứu có thể liên tục cải tiến model, từ đó tạo ra những phiên bản tiên tiến hơn.

Hành trình từ YOLO đến Ultralytics YOLO11#

Các model YOLO liên tục được cải thiện theo thời gian, kế thừa những tiến bộ của từng phiên bản. Cùng với hiệu năng tốt hơn, những cải tiến này giúp người dùng có nhiều mức độ kinh nghiệm kỹ thuật khác nhau dễ sử dụng model hơn.

Chẳng hạn, khi Ultralytics YOLOv5 ra mắt, việc triển khai model trở nên đơn giản hơn với PyTorch, giúp nhiều người dùng tiếp cận AI tiên tiến hơn. Model kết hợp độ chính xác với tính dễ sử dụng, giúp nhiều người triển khai phát hiện đối tượng mà không cần phải là chuyên gia lập trình.

Hình 5. Quá trình phát triển của các model YOLO.

Ultralytics YOLOv8 tiếp tục thúc đẩy tiến bộ này bằng cách bổ sung hỗ trợ cho các tác vụ như phân đoạn instance và tăng tính linh hoạt của model. YOLO trở nên dễ ứng dụng hơn cho cả các ứng dụng cơ bản lẫn phức tạp, phù hợp với nhiều tình huống khác nhau.

Với model mới nhất, Ultralytics YOLO11, các tối ưu hóa tiếp tục được thực hiện. Bằng cách giảm số lượng tham số đồng thời cải thiện độ chính xác, model hiện hiệu quả hơn cho các tác vụ thời gian thực. Dù là nhà phát triển giàu kinh nghiệm hay mới làm quen với AI, bạn đều có thể dễ dàng tiếp cận phương pháp phát hiện đối tượng tiên tiến mà YOLO11 cung cấp.

Tìm hiểu Ultralytics YOLO11: Tính năng mới và cải tiến#

YOLO11, ra mắt tại sự kiện kết hợp thường niên của Ultralytics, YOLO Vision 2024 (YV24), hỗ trợ các tác vụ thị giác máy tính giống như YOLOv8, chẳng hạn như phát hiện đối tượng, phân đoạn instance, phân loại ảnh và ước tính tư thế. Vì vậy, người dùng có thể dễ dàng chuyển sang model mới mà không cần điều chỉnh quy trình làm việc. Ngoài ra, kiến trúc được nâng cấp của YOLO11 giúp dự đoán chính xác hơn nữa. Trên thực tế, YOLO11m đạt mAP cao hơn trên bộ dữ liệu COCO với số tham số ít hơn 22% so với YOLOv8m.

YOLO11 cũng được xây dựng để hoạt động hiệu quả trên nhiều nền tảng, từ smartphone và các thiết bị biên khác đến hệ thống cloud mạnh hơn. Tính linh hoạt này đảm bảo hiệu năng ổn định trên nhiều cấu hình phần cứng khác nhau cho các ứng dụng thời gian thực. Hơn nữa, YOLO11 nhanh và hiệu quả hơn, giúp giảm chi phí tính toán và rút ngắn thời gian suy luận. Dù sử dụng gói Python Ultralytics hay Ultralytics HUB không cần viết mã, bạn đều có thể dễ dàng tích hợp YOLO11 vào quy trình làm việc hiện có.

Tương lai của model YOLO và phát hiện đối tượng#

Tác động của công nghệ phát hiện đối tượng tiên tiến đối với các ứng dụng thời gian thực và AI biên đã được ghi nhận trong nhiều ngành. Khi các lĩnh vực như dầu khí, chăm sóc sức khỏe và bán lẻ ngày càng phụ thuộc vào AI, nhu cầu phát hiện đối tượng nhanh và chính xác tiếp tục tăng. Ultralytics YOLO11 hướng đến đáp ứng nhu cầu này bằng cách cho phép phát hiện hiệu năng cao ngay cả trên thiết bị có năng lực tính toán hạn chế.

Khi AI biên phát triển, các model phát hiện đối tượng như Ultralytics YOLO11 có thể sẽ càng thiết yếu hơn đối với việc ra quyết định thời gian thực trong những môi trường đòi hỏi tốc độ và độ chính xác cao. Với những cải tiến liên tục về thiết kế và khả năng thích ứng, tương lai của phát hiện đối tượng hứa hẹn mang đến nhiều đổi mới hơn trong đa dạng ứng dụng.

Điểm chính cần ghi nhớ#

Phát hiện đối tượng đã trải qua chặng đường dài, phát triển từ các phương pháp đơn giản đến những kỹ thuật deep learning tiên tiến hiện nay. Các model YOLO giữ vai trò trung tâm trong tiến trình này, mang lại khả năng phát hiện thời gian thực nhanh và chính xác hơn trên nhiều ngành. Ultralytics YOLO11 kế thừa nền tảng đó, cải thiện hiệu quả, giảm chi phí tính toán và nâng cao độ chính xác, trở thành lựa chọn đáng tin cậy cho nhiều ứng dụng thời gian thực. Với những tiến bộ liên tục trong AI và thị giác máy tính, tương lai của phát hiện đối tượng rất triển vọng, và vẫn còn nhiều dư địa để cải thiện tốc độ, độ chính xác và khả năng thích ứng.

Quan tâm đến AI? Hãy kết nối với cộng đồng của chúng tôi để tiếp tục học hỏi! Truy cập kho GitHub để khám phá cách chúng tôi ứng dụng AI tạo ra các giải pháp đổi mới trong những ngành như sản xuất và chăm sóc sức khỏe. 🚀