Sự phát triển của phát hiện đối tượng và các mô hình YOLO của Ultralytics

Computer vision là một lĩnh vực con của trí tuệ nhân tạo (AI) tập trung vào việc dạy máy tính cách nhìn và hiểu hình ảnh, video, tương tự như cách con người nhận thức thế giới thực. Mặc dù việc recognizing objects hoặc identifying actions là bản năng thứ hai của con người, nhưng các tác vụ này đòi hỏi các computer vision techniques cụ thể và chuyên biệt khi áp dụng cho máy móc. Ví dụ, một tác vụ quan trọng trong thị giác máy tính là object detection, bao gồm việc nhận dạng và định vị các đối tượng trong hình ảnh hoặc video.

Kể từ những năm 1960, các nhà nghiên cứu đã nỗ lực cải thiện cách máy tính có thể detect objects. Các phương pháp sớm, như template matching, liên quan đến việc trượt một mẫu xác định trước trên hình ảnh để tìm kết quả khớp. Mặc dù mang tính đổi mới, các phương pháp này vẫn gặp khó khăn với các thay đổi về object size, orientation và ánh sáng. Ngày nay, chúng ta có các advanced models như Ultralytics YOLO11 có khả năng phát hiện ngay cả các đối tượng nhỏ và bị che khuất một phần, được gọi là đối tượng bị che khuất, với độ chính xác ấn tượng.

Khi computer vision tiếp tục phát triển, điều quan trọng là nhìn lại cách các công nghệ này đã tiến hóa. Trong bài viết này, chúng ta sẽ khám phá sự tiến hóa của object detection và làm rõ sự chuyển đổi của các YOLO (You Only Look Once) models. Hãy cùng bắt đầu nhé!

Nguồn gốc của computer vision#

Trước khi đi sâu vào object detection, hãy cùng nhìn lại cách computer vision khởi nguồn. Origins of computer vision bắt nguồn từ cuối những năm 1950 và đầu những năm 1960 khi các nhà khoa học bắt đầu khám phá cách não bộ xử lý thông tin thị giác. Trong các thí nghiệm với cats, các researchers David Hubel và Torsten Wiesel đã phát hiện ra rằng não bộ phản ứng với các mẫu đơn giản như các cạnh và đường thẳng. Điều này đã hình thành nền tảng cho ý tưởng đằngหลัง feature extraction - khái niệm cho rằng các hệ thống thị giác phát hiện và nhận diện các đặc trưng cơ bản trong hình ảnh, chẳng hạn như các cạnh, trước khi chuyển sang các mẫu phức tạp hơn.

Fig 1. Tìm hiểu cách não mèo phản ứng với các thanh ánh sáng đã giúp phát triển việc trích xuất đặc trưng trong thị giác máy tính.

Cùng khoảng thời gian đó, công nghệ mới ra đời có thể biến hình ảnh vật lý thành định dạng kỹ thuật số, làm dấy lên sự quan tâm về cách máy móc có thể xử lý thông tin thị giác. Vào năm 1966, Dự án Mùa hè về Thị giác của Viện Công nghệ Massachusetts (MIT) đã đẩy mọi thứ tiến xa hơn. Mặc dù dự án không thành công hoàn toàn, nó nhằm mục đích tạo ra một hệ thống có thể tách biệt tiền cảnh khỏi hậu cảnh trong các images. Đối với nhiều người trong vision AI community, dự án này đánh dấu mốc khởi đầu chính thức của computer vision như một lĩnh vực khoa học.

Tìm hiểu lịch sử của object detection#

Khi computer vision tiến bộ vào cuối những năm 1990 và đầu những năm 2000, các phương pháp object detection đã chuyển dịch từ các kỹ thuật cơ bản như khớp mẫu sang các cách tiếp cận tiên tiến hơn. Một phương pháp phổ biến là Haar Cascade, trở nên được sử dụng rộng rãi cho các tác vụ như face detection. Nó hoạt động bằng cách quét hình ảnh bằng cửa sổ trượt, kiểm tra các đặc trưng cụ thể như cạnh hoặc kết cấu trong từng phần của hình ảnh, sau đó kết hợp các đặc trưng này để detect objects như khuôn mặt. Haar Cascade nhanh hơn nhiều so với các phương pháp trước đó.

Fig 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 tối trong các phần nhỏ của hình ảnh, giúp identify objects dựa trên hình dạng của chúng. Các SVM sau đó classified các đặc trưng này để xác định danh tính của đối tượng. Các phương pháp này đã improved accuracy nhưng vẫn gặp khó khăn trong môi trường thực tế và chậm hơn so với các kỹ thuật ngày nay.

Nhu cầu về object detection thời gian thực#

Trong những năm 2010, sự trỗi dậy của deep learning và Convolutional Neural Networks (CNNs) đã mang lại bước ngoặt lớn trong object detection. CNN giúp máy tính tự động học hỏi các đặc trưng quan trọng từ lượng lớn data, giúp việc phát hiện trở nên chính xác hơn rất nhiều.

Các mô hình đầu tiên như R-CNN (Region-based Convolutional Neural Networks) là một cải tiến lớn về precision, giúp nhận diện đối tượng more accurately hơn so với các phương pháp cũ.

Tuy nhiên, các mô hình này hoạt động chậm vì chúng xử lý hình ảnh qua nhiều giai đoạn, khiến chúng không thực tế đối với các ứng dụng thời gian thực trong các lĩnh vực như self-driving cars hoặc video surveillance.

Với trọng tâm là tăng tốc độ, các mô hình hiệu quả hơn đã được phát triển. Các mô hình như Fast R-CNN và Faster R-CNN đã hỗ trợ bằng cách tinh chỉnh cách chọn các vùng quan tâm và cắt giảm số bước cần thiết cho việc phát hiện. Mặc dù điều này giúp phát hiện đối tượng nhanh hơn, nó vẫn chưa đủ nhanh cho nhiều real-world applications đòi hỏi 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 hơn và hiệu quả hơn, có thể cân bằng cả tốc độ và độ chính xác.

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

YOLO (You Only Look Once) models: Một cột mốc quan trọng#

YOLO là một mô hình object detection đã định nghĩa lại thị giác máy tính bằng cách cho phép phát hiện thời gian thực multiple objects trong hình ảnh và video, khiến nó trở nên khá độc đáo so với các phương pháp phát hiện trước đây. Thay vì phân tích từng đối tượng được phát hiện riêng lẻ, YOLO’s architecture coi việc phát hiện đối tượng là một tác vụ duy nhất, dự đoán đồng thời vị trí và lớp của đối tượng trong một lần duy nhất sử dụng CNN.

Mô hình hoạt động bằng cách chia một hình ảnh thành một lưới, với mỗi phần chịu trách nhiệm phát hiện đối tượng trong khu vực tương ứng của nó. Nó đưa ra nhiều predictions cho từng phần và filters out các kết quả có độ tin cậy thấp hơn, chỉ giữ lại những kết quả chính xác.

Fig 4. Tổng Quan Về Cách YOLO Hoạt Động.

Sự ra mắt của YOLO trong computer vision applications đã làm cho việc phát hiện đối tượng nhanh hơn và hiệu quả hơn rất nhiều so với các mô hình 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 các ngành như sản xuất, y tế và robot.

Một điểm quan trọng khác cần lưu ý là vì YOLO là mã nguồn mở, các nhà phát triển và nghiên cứu có thể liên tục cải tiến nó, dẫn đến các phiên bản thậm chí còn tiên tiến hơn.

Con đường từ YOLO đến Ultralytics YOLO11#

Các YOLO models đã cải thiện ổn định theo thời gian, dựa trên những tiến bộ của từng phiên bản. Cùng với hiệu suất tốt hơn, những cải tiến này đã giúp các model dễ sử dụng hơn cho những người có trình độ kỹ thuật khác nhau.

Ví dụ, khi Ultralytics YOLOv5 được giới thiệu, deploying models trở nên đơn giản hơn với PyTorch, cho phép nhiều đối tượng người dùng hơn làm việc với AI tiên tiến. Nó mang lại sự kết hợp giữa độ chính xác và tính dễ sử dụng, giúp nhiều người có khả năng triển khai tính năng phát hiện đối tượng mà không cần phải là chuyên gia lập trình.

Fig 5. Sự tiến hóa của các YOLO models.

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

Với mô hình mới nhất, Ultralytics YOLO11, các tối ưu hóa hơn nữa đã được thực hiện. Bằng cách giảm số lượng parameters đồng thời cải thiện độ chính xác, nó hiện tại hiệu quả hơn cho các tác vụ thời gian thực. Dù bạn là lập trình viên giàu kinh nghiệm hay mới làm quen với AI, YOLO11 mang đến một cách tiếp cận tiên tiến đối với việc phát hiện đối tượng mà rất dễ tiếp cận.

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

YOLO11, ra mắt tại sự kiện hybrid hàng năm của Ultralytics, YOLO Vision 2024 (YV24), hỗ trợ các computer vision tasks giống như YOLOv8, như phát hiện đối tượng, phân đoạn thực thể, phân loại hình ảnh và pose estimation. Do đó, người dùng có thể dễ dàng chuyển sang mô hình mới này mà không cần điều chỉnh quy trình làm việc của họ. Ngoài ra, kiến trúc nâng cấp của YOLO11 giúp các dự đoán thậm chí còn chính xác hơn. Trên thực tế, YOLO11m đạt được độ chính xác trung bình cao hơn (mAP) trên COCO dataset với ít hơn 22% tham số so với YOLOv8m.

YOLO11 cũng được xây dựng để chạy hiệu quả trên range of platforms, từ điện thoại thông minh và các thiết bị biên khác cho đến các hệ thống đám mây mạnh mẽ hơn. Tính linh hoạt này đảm bảo hiệu suất mượt mà trên các hardware setups khác nhau cho các ứng dụng thời gian thực. Hơn thế nữa, YOLO11 nhanh hơn và hiệu quả hơn, cắt giảm chi phí tính toán và tăng tốc thời gian suy luận. Cho dù bạn đang sử dụng Ultralytics Python package hay no-code Ultralytics HUB, việc tích hợp YOLO11 vào các quy trình làm việc hiện có của bạn trở nên vô cùng dễ dàng.

Tương lai của các YOLO models và object detection#

Tác động của công nghệ phát hiện đối tượng nâng cao đối với các ứng dụng thời gian thực và edge AI đang rõ nét trên nhiều ngành công nghiệp. Khi các lĩnh vực như dầu khí, y tế và retail ngày càng phụ thuộc vào AI, nhu cầu về phát hiện đối tượng nhanh chóng và chính xác tiếp tục tăng cao. Ultralytics YOLO11 nhằm đáp ứng nhu cầu này bằng cách cho phép phát hiện hiệu suất cao ngay cả trên các thiết bị có năng lực tính toán hạn chế.

Khi edge AI phát triển, các model phát hiện đối tượng như Ultralytics YOLO11 có khả năng sẽ trở nên thiết yếu hơn nữa cho việc ra quyết định thời gian thực trong các môi trường đòi hỏi khắt khe về tốc độ và độ chính xác. Với 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 lại nhiều đổi mới hơn nữa trên đa dạng các ứng dụng.

Các điểm chính cần lưu ý#

Công nghệ phát hiện đối tượng đã trải qua một chặng đường dài phát triển, tiến hóa từ các phương pháp đơn giản đến các kỹ thuật deep-learning tiên tiến như hiện nay. Các model YOLO đóng vai trò cốt lõi trong tiến trình này, mang lại khả năng phát hiện thời gian thực nhanh hơn và chính xác hơn trên nhiều ngành công nghiệp khác nhau. Ultralytics YOLO11 kế thừa di sản này, nâng cao hiệu suất, giảm thiểu chi phí tính toán và cải thiện độ chính xác, biến nó thành lựa chọn đáng tin cậy cho nhiều ứng dụng thời gian thực. Với những tiến bộ không ngừng trong lĩnh vực AI và computer vision, tương lai của công nghệ phát hiện đối tượng rất tươi sáng, với dư địa cho các cải tiến xa hơn về tốc độ, độ chính xác và khả năng thích ứng.

Bạn tò mò về AI? Hãy giữ kết nối với cộng đồng của chúng tôi để tiếp tục học hỏi! Hãy xem kho lưu trữ GitHub của chúng tôi để khám phá cách chúng tôi đang sử dụng AI nhằm tạo ra các giải pháp đổi mới trong các ngành công nghiệp như sản xuất và y tế. 🚀