Quá trình phát triển của phát hiện vật thể 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 nhận thức thế giới thực. Trong khi nhận dạng đối tượng hoặc xác định hành động là việc tự nhiên đối với con người, những tác vụ này đòi hỏi các kỹ thuật thị giác máy tính chuyên biệt khi áp dụng cho máy móc. Chẳng hạn, một tác vụ quan trọng trong thị giác máy tính là nhận diện 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. Các phương pháp ban đầu, chẳng hạn so khớp mẫu, thực hiện bằng cách trượt một template được định nghĩa trước trên ảnh để tìm các kết quả khớp. Dù mang tính đột phá, những phương pháp này gặp khó khăn trước các thay đổi về kích thước và hướng của đối tượng cũng như điều kiện chiếu sáng. Ngày nay, chúng ta có các model tiên tiến như Ultralytics YOLO11, có thể phát hiện cả những đối tượng nhỏ và bị che khuất một phần, được gọi là đối tượng bị che khuất, với độ chính xác ấn tượng.

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 nhận diện đối tượng và tìm hiểu sự chuyển đổi của các model YOLO (Bạn chỉ nhìn một lần). Hãy bắt đầu!

Nguồn gốc của thị giác máy tính#

Trước khi tìm hiểu về nhận diện 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 não bộ xử lý thông tin thị giác. Trong các thí nghiệm với mèo, các nhà nghiên cứu David Hubel và Torsten Wiesel phát hiện rằng não phản ứng với những pattern 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 các hệ thống thị giác phát hiện và nhận dạng những đặc trưng cơ bản trong hình ảnh, chẳng hạn cạnh, trước khi chuyển sang các pattern phức tạp hơn.

Hình 1. Việc tìm hiểu cách não mèo phản ứng với các dải sáng đã góp phần phát triển phương pháp trích xuất đặc trưng trong thị giác máy tính.

Cũng trong khoảng thời gian đó, một công nghệ mới xuất hiện, có thể chuyển hình ảnh vật lý sang định dạng số, 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 nó là tạo ra một hệ thống có thể tách tiền cảnh khỏi hậu cảnh trong hình ảnh. Đối với nhiều người trong cộng đồng AI thị giác, dự án này đánh dấu sự khởi đầu chính thức của thị giác máy tính với tư cách một lĩnh vực khoa học.

Tìm hiểu lịch sử của nhận diện đối tượng#

Khi thị giác máy tính phát triển vào cuối những năm 1990 và đầu những năm 2000, các phương pháp nhận diện đối tượng chuyển từ những kỹ thuật cơ bản như so khớp 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 hình ảnh bằng cửa sổ trượt, kiểm tra các đặc trưng cụ thể như cạnh hoặc texture trong từng vùng ảnh, sau đó kết hợp các đặc trưng này để phát hiện 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 hỗ trợ xác định đối tượng dựa trên hình dạng. Sau đó, SVMs phân loại các đặc trưng này để xác định danh tính của 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 hiện nay.

Nhu cầu nhận diện đối tượng theo thời gian thực#

Trong những năm 2010, sự phát triển của deep learning và Mạng nơ-ron tích chập (CNNs) đã tạo ra bước chuyển lớn trong nhận diện đối tượng. CNNs giúp máy tính có thể tự động học các đặc trưng quan trọng từ lượng lớn dữ liệu, nhờ đó việc phát hiện trở nên chính xác hơn nhiều.

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

Tuy nhiên, các model này chậm vì xử lý hình 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.

Với trọng tâm là tăng tốc độ, các model hiệu quả hơn đã được phát triển. Những model như Fast R-CNN và Faster R-CNN đã cải thiện cách lựa chọn các vùng quan tâm và giảm số bước cần thiết để phát hiện. Dù giúp nhận diện đối tượng nhanh hơn, các model này vẫn chưa đủ nhanh cho nhiều ứng dụng thực tế cần kết quả tức thì. Nhu cầu ngày càng tăng đối với khả năng phát hiện theo thời gian thực đã thúc đẩy sự phát triển của các giải pháp nhanh và hiệu quả hơn, có thể cân bằng giữa tốc độ và độ chính xác.

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

Các model YOLO (Bạn chỉ nhìn một lần): Một cột mốc quan trọng#

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

Model này hoạt động bằng cách chia hình ảnh thành một grid, trong đó mỗi phần chịu trách nhiệm phát hiện đối tượng trong khu vực tương ứng. Model đưa ra nhiều dự đoán cho từng phần và lọc bỏ các kết quả có độ tin cậy thấp, 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 đã giúp nhận diện đối tượng nhanh và hiệu quả hơn nhiều so với các model trước đó. 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 robotics.

Một điểm quan trọng khác là vì YOLO là mã nguồn mở, các developer và nhà nghiên cứu có thể liên tục cải thiện model, dẫn đến những phiên bản tiên tiến hơn.

Hành trình từ YOLO đến Ultralytics YOLO11#

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

Ví dụ, khi Ultralytics YOLOv5 được giới thiệu, việc triển khai model trở nên đơn giản hơn với PyTorch, cho phép nhiều người dùng hơn làm việc với AI tiên tiến. Model kết hợp độ chính xác và tính dễ sử dụng, giúp nhiều người có thể triển khai nhận diện đối tượng mà không cần là chuyên gia coding.

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

Ultralytics YOLOv8 tiếp tục tiến trình này bằng cách bổ sung hỗ trợ cho các tác vụ như phân đoạn instance và làm cho các model linh hoạt hơn. Việc sử dụng YOLO cho cả các ứng dụng cơ bản lẫn phức tạp trở nên dễ dàng hơn, giúp model hữu ích trong nhiều kịch bản.

Với model mới nhất, Ultralytics YOLO11, nhiều tối ưu hóa hơn đã được thực hiện. Bằng cách giảm số lượng parameter trong khi cải thiện độ chính xác, model hiện hiệu quả hơn cho các tác vụ thời gian thực. Dù bạn là một developer giàu kinh nghiệm hay mới làm quen với AI, YOLO11 đều cung cấp một phương pháp tiên tiến để nhận diện đối tượng mà vẫn dễ tiếp cận.

Tìm hiểu Ultralytics YOLO11: Các tính năng và cải tiến mới#

YOLO11 được ra mắt tại sự kiện hybrid thường niên của Ultralytics, YOLO Vision 2024 (YV24), và hỗ trợ các tác vụ thị giác máy tính giống YOLOv8, như nhận diện đối tượng, phân đoạn instance, phân loại hình ảnh và ước tính pose. Vì vậy, người dùng có thể dễ dàng chuyển sang model mới này mà không cần điều chỉnh workflow. Ngoài ra, kiến trúc được nâng cấp của YOLO11 giúp các dự đoán chính xác hơn nữa. Trên thực tế, YOLO11m đạt mean average precision (mAP) cao hơn trên dataset COCO với ít hơn 22% parameter so với YOLOv8m.

YOLO11 cũng được xây dựng để chạy hiệu quả trên nhiều nền tảng, từ smartphone và các edge device khác đến những hệ thống cloud mạnh hơn. Tính linh hoạt này đảm bảo hiệu năng ổn định trên các cấu hình phần cứng khác nhau cho các ứng dụng thời gian thực. Ngoài ra, YOLO11 nhanh và hiệu quả hơn, giúp giảm chi phí tính toán và rút ngắn thời gian inference. Dù bạn sử dụng package Ultralytics Python hay Ultralytics HUB không cần code, việc tích hợp YOLO11 vào các workflow hiện có đều rất dễ dàng.

Tương lai của các model YOLO và nhận diện đối tượng#

Tác động của nhận diện đối tượng tiên tiến đến các ứng dụng thời gian thực và edge AI đã 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 về khả năng nhận diện đối tượng nhanh và chính xác tiếp tục tăng. Ultralytics YOLO11 hướng đến việc đáp ứng nhu cầu này bằng cách cho phép phát hiện hiệu năng cao ngay cả trên các thiết bị có năng lực tính toán hạn chế.

Khi edge AI phát triển, nhiều khả năng các model nhận diện đối tượng như Ultralytics YOLO11 sẽ trở nên thiết yếu hơn nữa đối với việc ra quyết định theo thời gian thực trong những môi trường mà tốc độ và độ chính xác đóng vai trò quan trọng. Với những cải tiến liên tục về thiết kế và khả năng thích ứng, tương lai của nhận diện đối tượng có vẻ sẽ mang đến thêm nhiều đổi mới trong đa dạng ứng dụng.

Những điểm chính#

Nhận diện đối tượng đã trải qua một chặng đường dài, phát triển từ những phương pháp đơn giản thành các kỹ thuật deep learning tiên tiến mà chúng ta thấy ngày nay. Các model YOLO đã đóng vai trò trung tâm trong tiến trình này, mang lại khả năng phát hiện theo thời gian thực nhanh và chính xác hơn trong nhiều ngành khác nhau. 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 nhận diện đối tượng rất triển vọng, vẫn còn nhiều tiềm năng cải thiện hơn nữa về tốc độ, độ chính xác và khả năng thích ứng.

Bạn tò mò về AI? Hãy kết nối với cộng đồng của chúng tôi để tiếp tục học hỏi! Truy cập repository GitHub của chúng tôi để khám phá cách chúng tôi sử dụng AI nhằm tạo ra các giải pháp đổi mới trong những ngành như sản xuất và y tế. 🚀