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

Thị giác máy tính là một nhánh 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. Con người có thể nhận diện vật thể hoặc xác định hành động một cách tự nhiên, nhưng để máy móc thực hiện những tác vụ này cần có các kỹ thuật thị giác máy tính chuyên biệt. Ví dụ, một tác vụ quan trọng của thị giác máy tính là phát hiện đối tượng, bao gồm việc xác định và định vị các đối tượng trong hình ảnh hoặc video.

Từ những năm 1960, các nhà nghiên cứu đã nỗ lực cải thiện khả năng phát hiện đối tượng của máy tính. Những phương pháp ban đầu như so khớp mẫu sử dụng một mẫu được xác định trước, trượt qua hình ảnh để tìm các điểm khớp. Dù mang tính đổi mới, những phương pháp này gặp khó khăn khi kích thước, hướng hoặc điều kiện ánh sáng của đối tượng thay đổi. Ngày nay, 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.

Khi thị giác máy tính tiếp tục phát triển, việc nhìn lại quá trình phát triển của các công nghệ này là điều quan trọng. Trong bài viết này, chúng ta sẽ tìm hiểu quá trình phát triển của phát hiện đối tượng và điểm qua sự chuyển đổi của các model YOLO (You Only Look Once).

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 bắt đầu nghiên cứu cách bộ não xử lý thông tin thị giác. Qua các thí nghiệm trên mèo, các nhà nghiên cứu David Hubel và Torsten Wiesel phát hiện ra rằng bộ não phản ứng với những mẫu đơn giản như cạnh và đường thẳng. Phát hiện này đặt nền tảng cho ý tưởng về trích xuất đặc trưng — khái niệm cho rằng hệ thống thị giác phát hiện và nhận dạng các đặc trưng cơ bản trong hình 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 Thị giác Mùa hè 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 khởi đầu 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 những kỹ thuật cơ bản như so khớp mẫu sang các phương pháp tiên tiến hơn. Haar Cascade là một phương pháp phổ biến, được sử dụng rộng rãi cho các tác vụ như phát hiện khuôn mặt. Phương pháp này quét hình 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 những đối tượng như khuôn mặt. Haar Cascade nhanh hơn nhiều 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 hình ảnh, qua đó giúp nhận diện đối tượng dựa trên hình dạng. Sau đó, SVM phân loại các đặc trưng này để xác định đối tượng. Những 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 ngày nay.

Nhu cầu phát hiện đối tượng thời gian thực#

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

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

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

Để tăng tốc độ xử lý, các model hiệu quả hơn đã được phát triển. Những model như Fast R-CNN và Faster R-CNN cải tiến cách chọn vùng quan tâm và giảm số bước cần thiết để phát hiện đối tượng. Dù vậy, tốc độ phát hiện vẫn chưa đủ nhanh cho nhiều ứng dụng thực tế cần kết quả tức thì. Nhu cầu ngày càng tăng về khả năng phát hiện thời gian thực đã thúc đẩy phát triển các giải pháp nhanh và hiệu quả hơn, có thể cân bằng tốc độ lẫn 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 model phát hiện đối tượng đã định hình lại lĩnh vực thị giác máy tính bằng cách cho phép phát hiện nhiều đối tượng trong hình ảnh và video theo thời gian thực, tạo nên khác biệt so với các phương pháp phát hiện trước đó. Thay vì phân tích riêng từng đối tượng được phát hiện, kiến trúc YOLO xem phát hiện đối tượng là một tác vụ duy nhất, sử dụng CNN để dự đoán đồng thời vị trí và lớp của các đối tượng.

Model hoạt động bằng cách chia hình ảnh thành một lưới, trong đó mỗi ô chịu trách nhiệm phát hiện đối tượng trong vùng tương ứng. Model đưa ra nhiều dự đoán cho từng ô rồi lọc bỏ những kết quả có độ tin cậy thấp, chỉ giữ lại các kết quả có độ tin cậy cao nhất.

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 đây. Nhờ tốc độ và độ chính xác, 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.

Ví dụ, khi Ultralytics YOLOv5 được giới thiệu, PyTorch giúp việc triển khai model trở nên đơn giản hơn, cho phép nhiều người dùng tiếp cận và làm việc với AI tiên tiến. 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 Ultralytics YOLO11 (sau này được thay thế bởi Ultralytics YOLO26), model tiếp tục được tối ưu hóa. Việc giảm số lượng tham số đồng thời cải thiện độ chính xác giúp model hiệu quả hơn cho các tác vụ thời gian thực. Dù là developer 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 của YOLO11.

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

YOLO11 ra mắt tại sự kiện kết hợp trực tiếp và trực tuyến thường niên của Ultralytics, YOLO Vision 2024 (YV24), hỗ trợ các tác vụ thị giác máy tính tương tự YOLOv8, chẳng hạn như phát hiện đối tượng, phân đoạn instance, phân loại hình 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 độ chính xác trung bình trung bình (mAP) cao hơn trên tập dữ liệu COCO với số tham số ít hơn YOLOv8m 22%.

YOLO11 cũng được thiết kế để chạy hiệu quả trên nhiều nền tảng, từ điện thoại thông minh và các thiết bị edge 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 inference. Dù sử dụng gói Python của Ultralytics hay Ultralytics HUB không cần viết mã (hiện là Ultralytics Platform), 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 bắt đầu được cảm 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 cung cấp khả năng 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. Nhờ những cải tiến liên tục về thiết kế và khả năng thích ứng, tương lai của công nghệ phát hiện đối tượng hứa hẹn mang đến thêm nhiều đổi mới cho 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.

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