Ultralytics YOLO26 và các model Ultralytics YOLO khác trong bài toán ước lượng tư thế

Khi quan sát tư thế của một người, bạn dễ dàng nhận ra họ đang khom lưng, nghiêng người về phía trước hay đứng thẳng. Con người có thể nhanh chóng hiểu được mối liên hệ giữa các bộ phận khác nhau của cơ thể.

Đây là một phần tự nhiên trong cách chúng ta diễn giải chuyển động và ngôn ngữ cơ thể hằng ngày. Tuy nhiên, máy móc không tự động có được kiểu hiểu biết trực quan này. Để dạy hệ thống nhận diện chuyển động và cấu trúc, cần có các kỹ thuật học sâu tiên tiến và computer vision, cho phép hệ thống diễn giải hình ảnh một cách có ý nghĩa.

Cụ thể, ước lượng tư thế là một kỹ thuật vision AI giúp model computer vision xây dựng khả năng hiểu tương tự. Thay vì chỉ phát hiện một đối tượng trong ảnh, model dự đoán các keypoint biểu thị những mốc cấu trúc quan trọng.

Các keypoint này có thể tương ứng với khớp cơ thể, chi động vật, bộ phận máy móc hoặc thậm chí những điểm cố định như góc sân thi đấu. Bằng cách nhận diện và theo dõi các điểm này, hệ thống có thể hiểu vị trí, sự căn chỉnh và chuyển động theo cách có cấu trúc và đo lường được.

Khi được ứng dụng vào ngày càng nhiều tình huống thực tế, các model ước lượng tư thế cần xử lý keypoint phi con người, cảnh phức tạp và dataset tùy chỉnh hiệu quả hơn. Ví dụ, các model tiên tiến như Ultralytics YOLO26 hỗ trợ các tác vụ computer vision như ước lượng tư thế, đồng thời kế thừa các model ước lượng tư thế YOLO trước đó với những cải tiến về kiến trúc và huấn luyện nhằm tăng tính linh hoạt cũng như hiệu suất tổng thể.

Hình 1. Ví dụ về ước lượng tư thế bằng YOLO (Nguồn)

Trong bài viết này, chúng ta sẽ so sánh YOLO26-pose với các model ước lượng tư thế Ultralytics YOLO trước đây, đồng thời tìm hiểu cách model cải thiện tính linh hoạt, tốc độ hội tụ và hiệu suất trong các cảnh phức tạp. Bắt đầu nhé!

Ước tính tư thế là gì?#

Trước khi tìm hiểu sâu hơn về việc so sánh các model ước lượng tư thế Ultralytics YOLO, hãy cùng xem xét kỹ hơn ý nghĩa thực sự của ước lượng tư thế trong bối cảnh computer vision.

Ước lượng tư thế là kỹ thuật dùng để phát hiện và theo dõi các keypoint cụ thể trong ảnh hoặc khung hình video. Các keypoint này có thể biểu thị những mốc cấu trúc quan trọng, chẳng hạn như khớp trên cơ thể người, chi của động vật, bộ phận máy móc hoặc các điểm tham chiếu cố định trong một cảnh.

Hình 2. Ước lượng tư thế của công nhân bằng phương pháp ước lượng tư thế người (Nguồn)

Bằng cách xác định tọa độ của các điểm này, model có thể hiểu một đối tượng đang ở vị trí nào và chuyển động ra sao theo thời gian. Khác với phân loại ảnh, vốn gán một nhãn duy nhất cho toàn bộ ảnh, hoặc các model phát hiện đối tượng, vốn tập trung vẽ bounding box quanh các đối tượng, ước lượng tư thế cung cấp thông tin không gian chi tiết hơn về cấu trúc và chuyển động.

Tổng quan về Ultralytics YOLO26-pose#

YOLO26-pose có nhiều biến thể hoặc kích thước model, bao gồm các tùy chọn gọn nhẹ như YOLO26n-pose và các model lớn hơn như YOLO26m-pose, YOLO26l-pose và YOLO26x-pose. Nhờ đó, các nhóm có thể chọn điểm cân bằng phù hợp giữa tốc độ và độ chính xác tùy theo phần cứng cũng như yêu cầu hiệu suất.

Ultralytics cũng cung cấp các model ước lượng tư thế được huấn luyện trước trên những dataset tổng quát, quy mô lớn như dataset COCO, cụ thể là các annotation COCO-Pose (keypoint COCO) dùng cho ước lượng tư thế người, nhờ vậy bạn không cần bắt đầu từ đầu. Trong hầu hết trường hợp, các nhóm tinh chỉnh những model này trên dataset riêng để thích ứng với keypoint, bố cục hoặc môi trường cụ thể.

Thông thường, quy trình này bao gồm việc chuẩn bị các file annotation tùy chỉnh, xác định tọa độ keypoint và nhãn lớp theo một định dạng có cấu trúc. Các annotation này ánh xạ keypoint tới tọa độ pixel cụ thể trong từng ảnh, giúp model học các mối quan hệ không gian chính xác trong quá trình huấn luyện.

Sử dụng model được huấn luyện trước giúp rút ngắn thời gian huấn luyện, giảm yêu cầu về dữ liệu và đưa dự án vào production hiệu quả hơn.

Các ứng dụng thực tế của ước lượng tư thế người#

Dưới đây là một số trường hợp sử dụng thực tế cho thấy ước lượng tư thế đóng vai trò quan trọng:

• Y tế và phục hồi chức năng: Bác sĩ lâm sàng có thể sử dụng model ước lượng tư thế để đánh giá tư thế, theo dõi tiến trình hồi phục và phân tích kiểu chuyển động trong quá trình vật lý trị liệu.
• Hệ thống tự hành: Drone và camera thông minh có thể dùng thông tin tư thế để hiểu rõ hơn hướng đặt và chuyển động của đối tượng trong các cảnh thay đổi liên tục.
• An toàn nơi làm việc: Các tổ chức có thể theo dõi tư thế cơ thể và các chuyển động lặp đi lặp lại nhằm giúp xác định nguy cơ mất an toàn tiềm ẩn.
• Thể hình và huấn luyện cá nhân: Ứng dụng thể hình sử dụng ước lượng tư thế để theo dõi kỹ thuật tập luyện, đếm số lần lặp và cung cấp phản hồi theo thời gian thực về tư thế cũng như chuyển động trong các bài hướng dẫn thể dục.

Hình 3. Ước lượng tư thế có thể giúp theo dõi các điểm chính trên cơ thể trong khi vận động thể thao. (Nguồn)

Khám phá khả năng hỗ trợ ước lượng tư thế của Ultralytics YOLO26#

Ultralytics YOLO26 kế thừa các model Ultralytics YOLO trước đó với những cập nhật giúp việc huấn luyện và triển khai trở nên thiết thực hơn.

Giống các phiên bản trước, model hỗ trợ ước lượng tư thế trong một framework thống nhất. Khác biệt chính là Ultralytics YOLO26 được thiết kế để linh hoạt và ổn định hơn trong phạm vi rộng hơn các trường hợp sử dụng thực tế.

Hình 4. Đánh giá hiệu suất YOLO26 (Nguồn)

Các model ước lượng tư thế Ultralytics YOLO trước đây phần lớn chịu ảnh hưởng từ dataset tư thế của con người, nghĩa là một số thành phần của các phương pháp cũ được tối ưu dựa trên cấu trúc khớp người. YOLO26 loại bỏ những giả định đặc thù về con người này.

Nhờ đó, model phù hợp hơn với các keypoint phi con người, chẳng hạn như phát hiện góc sân tennis hoặc những mốc cấu trúc tùy chỉnh khác. Điều này rất đáng chú ý vì các model Ultralytics YOLO26-pose được huấn luyện trước, dùng trực tiếp mà không cần cấu hình thêm, được huấn luyện trên các dataset như COCO-pose và dự đoán keypoint người được xác định trong annotation của dataset.

Tuy nhiên, khi muốn phát hiện các loại mốc khác nhau như bộ phận máy móc, dấu mốc trên sân thể thao hoặc điểm trên cơ sở hạ tầng, các nhóm thường cần tinh chỉnh model trên một dataset tùy chỉnh có gán nhãn những keypoint cụ thể đó.

Vì Ultralytics YOLO26 không bị ràng buộc bởi các giả định về cấu trúc khớp người, model có thể thích ứng hiệu quả hơn trong quá trình tinh chỉnh. Tính linh hoạt này giúp model học các bố cục keypoint tùy chỉnh đáng tin cậy hơn, từ đó cải thiện các metric đánh giá khi xác thực trên dataset có cấu hình keypoint riêng biệt.

Ultralytics YOLO26-pose cũng được thiết kế để cải thiện khả năng định vị keypoint khi một phần đối tượng bị che khuất hoặc xuất hiện ở kích thước rất nhỏ. Trong các cảnh thực tế có đối tượng ở xa, cảnh quay từ drone hoặc tình huống liên quan đến vật thể nhỏ, model có thể dự đoán keypoint chính xác hơn so với các model ước lượng tư thế trước đây.

Một cập nhật quan trọng khác là công thức loss được cải tiến và sử dụng trong quá trình huấn luyện. Hàm loss xác định cách model sửa lỗi trong quá trình học.

Đối với Ultralytics YOLO26-pose, quy trình này hiệu quả hơn, giúp model học nhanh hơn và đạt độ chính xác cao chỉ sau ít epoch hơn; một epoch là một lượt duyệt toàn bộ tập dữ liệu huấn luyện.

Nhìn chung, YOLO26-pose kế thừa các model pose Ultralytics YOLO trước đây, với những cải tiến rõ rệt hơn về hỗ trợ keypoint phi nhân thể và hội tụ trong huấn luyện, đồng thời vẫn duy trì workflow quen thuộc.

So sánh YOLO26-pose với Ultralytics YOLOv5#

Phiên bản đầu tiên của các model Ultralytics YOLO, Ultralytics YOLOv5, chủ yếu được xây dựng cho tác vụ phát hiện đối tượng. Dù YOLOv5 sau đó được mở rộng để hỗ trợ phân đoạn instance, model này không có head ước tính pose chuyên biệt, tích hợp sẵn trong framework Ultralytics chính thức.

Các nhóm cần phát hiện keypoint thường phải dùng những bản triển khai riêng hoặc tự sửa đổi. Ultralytics YOLO26 tích hợp sẵn tác vụ ước tính pose, với một head kiến trúc chuyên biệt được thiết kế riêng để dự đoán keypoint.

Nhờ đó, các model Ultralytics YOLO26-pose có thể được huấn luyện, đánh giá và triển khai trong cùng workflow hợp nhất với phát hiện và phân đoạn. Với các dự án tập trung vào phát hiện keypoint có cấu trúc, YOLO26 cung cấp khả năng hỗ trợ pose nguyên bản và kiến trúc dành riêng cho tác vụ mà YOLOv5 không có sẵn.

Những khác biệt chính: YOLO26-pose và Ultralytics YOLOv8-pose#

Ultralytics YOLOv8 đã đưa khả năng ước tính pose nguyên bản vào framework Ultralytics hợp nhất, giúp việc huấn luyện và triển khai model keypoint theo workflow tương tự phát hiện và phân đoạn trở nên dễ dàng. Model sử dụng pipeline hậu xử lý truyền thống với non-maximum suppression (NMS), cùng các công thức loss thế hệ trước cho hồi quy bounding box và huấn luyện.

Ultralytics YOLO26 kế thừa nền tảng này với các cập nhật về kiến trúc và huấn luyện, tác động trực tiếp đến tác vụ ước tính pose. Một điểm khác biệt lớn là thiết kế end-to-end. YOLO26 loại bỏ nhu cầu dùng NMS bên ngoài trong quá trình inference, giúp đơn giản hóa việc triển khai và cải thiện tính ổn định của độ trễ, đặc biệt trên CPU và thiết bị edge.

Một cải tiến quan trọng khác nằm ở phương pháp huấn luyện. Ultralytics YOLO26 giới thiệu optimizer MuSGD cùng các chiến lược loss được cập nhật. Với tác vụ pose, model tích hợp Residual Log-Likelihood Estimation, giúp mô hình hóa độ bất định của keypoint tốt hơn. Những thay đổi này kết hợp lại có thể giúp hội tụ nhanh hơn và dự đoán keypoint ổn định hơn, nhất là trong các cảnh phức tạp hoặc bị che khuất một phần.

Tóm lại, Ultralytics YOLOv8-pose đã tạo nên một baseline mạnh mẽ và linh hoạt. YOLO26-pose cải tiến baseline đó với hiệu quả huấn luyện cao hơn, khả năng xử lý vật thể bị che khuất tốt hơn và tính linh hoạt cao hơn cho các ứng dụng pose phi nhân thể trong thực tế.

YOLO26-pose và Ultralytics YOLO11-pose: Những cải tiến là gì?#

Ultralytics YOLO11 kế thừa Ultralytics YOLOv8 bằng cách tinh chỉnh backbone và các lớp trích xuất đặc trưng. Model giảm FLOPs, sử dụng tham số hiệu quả hơn và đạt mAP cao hơn mà vẫn duy trì hiệu năng thời gian thực mạnh mẽ. Với tác vụ pose, điều này đồng nghĩa với độ chính xác keypoint cao hơn trong một kiến trúc gọn nhẹ hơn.

YOLO26-pose tiếp tục tiến trình đó với thay đổi kiến trúc căn bản hơn. Nói ngắn gọn, YOLO11 cải thiện hiệu quả và độ chính xác của YOLOv8, còn YOLO26 phát triển trên nền tảng đó với các cập nhật về kiến trúc và huấn luyện, hướng đến hội tụ nhanh hơn, inference ổn định hơn và độ chính xác pose cao hơn trong các tình huống phức tạp.

Vì sao nên bắt đầu sử dụng model Ultralytics YOLO26 để ước tính pose?#

Khi tìm hiểu sự khác biệt giữa các model Ultralytics YOLO, có thể bạn đang cân nhắc liệu có nên chuyển sang YOLO26-pose hay không.

Câu trả lời ngắn gọn là việc nâng cấp rất dễ dàng. Nếu bạn đang dùng Ultralytics YOLOv8-pose hoặc Ultralytics YOLO11-pose, việc chuyển sang YOLO26-pose thường chỉ cần đổi phiên bản model, không phải xây dựng lại pipeline.

Bạn có thể hưởng lợi từ khả năng hỗ trợ keypoint phi nhân thể tốt hơn, hội tụ nhanh hơn trong quá trình huấn luyện và xử lý các điểm bị che khuất hiệu quả hơn, đồng thời vẫn sử dụng cùng framework Ultralytics. Với hầu hết dự án pose mới và hiện có, chuyển sang YOLO26-pose là cách đơn giản để có được những cải tiến này với ít trở ngại nhất.

Ngoài ra, YOLO26-pose được hỗ trợ đầy đủ trong gói Python Ultralytics, được xây dựng trên PyTorch và giúp đơn giản hóa việc huấn luyện, đánh giá và triển khai. Có thể export model sang các định dạng như ONNX, TensorRT, OpenVINO, CoreML và TFLite, giúp triển khai trên GPU, CPU và thiết bị edge dễ dàng hơn mà không cần thay đổi workflow tổng thể.

Điểm chính cần ghi nhớ#

Ultralytics YOLO26-pose giúp việc ước tính pose linh hoạt và đáng tin cậy hơn, đặc biệt khi làm việc với keypoint phi nhân thể hoặc các cảnh phức tạp. Model huấn luyện nhanh hơn, xử lý hiện tượng che khuất tốt hơn và cho kết quả nhất quán hơn trên nhiều tập dữ liệu. Với các nhóm đang sử dụng model pose Ultralytics YOLO, YOLO26 mang lại những cải tiến rõ rệt mà không làm thay đổi workflow hiện có.

Bạn muốn tìm hiểu thêm về AI? Hãy xem cộng đồng và kho lưu trữ GitHub của chúng tôi. Khám phá các trang giải pháp để tìm hiểu về AI trong robot học và thị giác máy tính trong nông nghiệp. Tìm hiểu các lựa chọn cấp phép của chúng tôi và bắt đầu xây dựng với thị giác máy tính ngay hôm nay!