Sử dụng Ultralytics YOLO11 để chạy suy luận hàng loạt

Nếu bạn đã từng thấy một chiếc xe tự lái hoạt động, bạn đã chứng kiến suy luận AI theo thời gian thực. Một chiếc xe tự lái thường sử dụng camera, cảm biến và AI để xử lý môi trường xung quanh và đưa ra quyết định gần như ngay lập tức. Tuy nhiên, khi không cần phản hồi nhanh, suy luận theo thời gian thực có thể tốn nhiều tài nguyên.

Một lựa chọn tốt hơn trong những trường hợp này là suy luận theo lô. Thay vì xử lý dữ liệu liên tục theo thời gian thực, suy luận theo lô có thể xử lý các tập dữ liệu lớn theo các khoảng thời gian đã định. Cách tiếp cận này giúp tiết kiệm tài nguyên, giảm tiêu thụ điện năng và cắt giảm chi phí cơ sở hạ tầng.

Ví dụ: trong các ứng dụng thị giác máy tính, các mô hình như Ultralytics YOLO11 có thể được sử dụng cho các tác vụ theo thời gian thực như phát hiện đối tượng và phân vùng thể hiện. Tuy nhiên, việc xử lý khối lượng lớn dữ liệu trực quan theo thời gian thực có thể đòi hỏi khắt khe. 

‍

Với suy luận theo lô, YOLO11 có thể được chạy trên dữ liệu trực quan theo lô, giảm áp lực lên hệ thống và cải thiện hiệu quả mà không làm giảm hiệu suất. Điều này giúp triển khai các giải pháp Vision AI ở quy mô lớn dễ dàng hơn mà không làm quá tải phần cứng hoặc tăng chi phí.

Trong bài viết này, chúng ta sẽ khám phá suy luận theo lô, những lợi ích của nó và cách suy luận theo lô bằng YOLO11 có thể được áp dụng trong các ứng dụng thị giác máy tính. Hãy bắt đầu nào!

Tổng quan về suy luận theo lô trong thị giác máy tính

Bạn có thể coi suy luận theo lô như việc giải quyết một nhiệm vụ lớn cùng một lúc thay vì xử lý từng phần khi nó đến. Thay vì liên tục xử lý dữ liệu theo thời gian thực, suy luận theo lô cho phép bạn xử lý các nhóm dữ liệu lớn theo các khoảng thời gian đã định. Cách tiếp cận này hiệu quả hơn nhiều khi không cần phản hồi ngay lập tức, giúp tiết kiệm tài nguyên máy tính, giảm sử dụng năng lượng và cắt giảm chi phí.

Khi nói đến thị giác máy tính, có một số ứng dụng mà độ trễ thấp là rất quan trọng. Độ trễ thấp đề cập đến độ trễ tối thiểu giữa việc nhận đầu vào (chẳng hạn như hình ảnh hoặc khung hình video) và phản hồi của hệ thống. Ví dụ: trong giám sát an ninh theo thời gian thực, ngay cả những chậm trễ nhỏ cũng có thể dẫn đến rủi ro về an toàn.

Tuy nhiên, trong nhiều tình huống thị giác máy tính khác, độ trễ thấp không quá quan trọng. Đây là nơi suy luận theo lô tỏa sáng - khi hệ thống không cần phản ứng ngay lập tức. Suy luận theo lô hoạt động bằng cách cung cấp dữ liệu trực quan cho một mô hình thị giác máy tính theo nhóm hoặc lô, cho phép hệ thống xử lý các tập dữ liệu lớn cùng một lúc thay vì liên tục theo thời gian thực.

Tìm hiểu cách thức hoạt động của suy luận theo lô

Dưới đây là cái nhìn cận cảnh hơn về các bước liên quan đến suy luận theo lô:

• Thu thập dữ liệu: Dữ liệu trực quan được thu thập trong một khoảng thời gian. Điều này có thể bao gồm cảnh quay an ninh, hình ảnh sản phẩm hoặc dữ liệu khách hàng, tùy thuộc vào ứng dụng.

• Chuẩn bị lô: Dữ liệu thu thập được sau đó được nhóm thành các lô. Trong bước này, dữ liệu được định dạng theo yêu cầu của mô hình. Ví dụ: hình ảnh có thể được thay đổi kích thước, chuẩn hóa hoặc chuyển đổi sang định dạng thích hợp để mô hình xử lý.

• Dự đoán: Sau khi dữ liệu được chuẩn bị, toàn bộ lô được đưa vào mô hình (chẳng hạn như YOLO11), mô hình này xử lý toàn bộ lô cùng một lúc. Điều này cho phép mô hình đưa ra dự đoán cho tất cả dữ liệu trong lô đồng thời, giúp quá trình hiệu quả hơn so với việc xử lý từng điểm dữ liệu riêng lẻ.

Khi nào nên sử dụng suy luận theo lô?

Bây giờ chúng ta đã đề cập đến suy luận theo lô là gì và nó khác với suy luận theo thời gian thực như thế nào, hãy xem xét kỹ hơn khi nào nên sử dụng nó.

Suy luận theo lô rất lý tưởng để phân tích dữ liệu lịch sử. Giả sử bạn có cảnh quay giám sát từ một ga tàu điện ngầm trong tháng qua và bạn đang cố gắng xác định các mẫu cụ thể, chẳng hạn như số lượng người ra vào vào các thời điểm khác nhau trong ngày. 

Thay vì xử lý từng khung hình theo thời gian thực, suy luận theo lô cho phép bạn xử lý toàn bộ cảnh quay trong tháng theo lô, xác định các sự kiện hoặc xu hướng chính mà không cần kết quả ngay lập tức. Bằng cách này, bạn có thể phân tích khối lượng lớn dữ liệu hiệu quả hơn và hiểu rõ hơn về các mẫu dài hạn mà không làm quá tải hệ thống hoặc yêu cầu giám sát liên tục.

Suy luận theo lô cũng là một giải pháp tối ưu khi tài nguyên hệ thống bị hạn chế. Bằng cách chạy suy luận trong thời gian thấp điểm (ví dụ như qua đêm), bạn có thể tiết kiệm chi phí điện toán và đảm bảo hệ thống không bị quá tải trong thời gian cao điểm. Điều này làm cho nó trở thành một phương pháp hiệu quả và tiết kiệm chi phí cho các doanh nghiệp hoặc dự án cần xử lý bộ dữ liệu lớn nhưng không yêu cầu phân tích theo thời gian thực.

Suy luận theo lô sử dụng Ultralytics YOLO11

Gói Ultralytics Python hỗ trợ suy luận theo lô cho các mô hình như YOLO11. Với YOLO11, bạn có thể dễ dàng chạy suy luận theo lô bằng cách chỉ định đối số 'batch', đối số này xác định số lượng hình ảnh hoặc khung hình video được xử lý cùng một lúc. 

Trong quá trình suy luận theo lô, dự đoán được tạo đồng thời cho tất cả các hình ảnh trong lô. Theo mặc định, kích thước lô được đặt thành 1, nhưng bạn có thể điều chỉnh nó thành bất kỳ số nào bạn thích. 

Ví dụ: nếu kích thước lô được đặt thành 5, YOLO11 sẽ xử lý năm hình ảnh hoặc khung hình video cùng một lúc và tạo dự đoán cho cả năm cùng một lúc. Kích thước lô lớn hơn thường dẫn đến thời gian suy luận nhanh hơn, vì xử lý nhiều hình ảnh trong một lô hiệu quả hơn so với xử lý chúng riêng lẻ.

Các ứng dụng thị giác máy tính được kích hoạt bởi suy luận theo lô

Tiếp theo, hãy khám phá một số trường hợp sử dụng thị giác máy tính thực tế cho suy luận theo lô.

Nâng cao khả năng chẩn đoán và nghiên cứu trong lĩnh vực chăm sóc sức khỏe

Trong nghiên cứu y học, việc làm việc với số lượng lớn dữ liệu trực quan là rất phổ biến. Ở đây, suy luận theo lô có thể giúp các nhà khoa học phân tích dữ liệu dễ dàng hơn trong các lĩnh vực như hóa học, sinh học và di truyền học. Thay vì phân tích từng cái một, dữ liệu được xử lý theo lô, giúp tiết kiệm thời gian và công sức.

Ví dụ: tại các cơ sở y tế, suy luận theo lô có thể đặc biệt hữu ích để phân tích các tập hợp lớn các hình ảnh y tế như MRI hoặc CT. Các bệnh viện có thể thu thập các bản quét này trong suốt cả ngày và xử lý chúng theo lô qua đêm. 

Cách tiếp cận này cho phép các bệnh viện sử dụng tốt hơn phần cứng và nhân viên của họ, giảm chi phí vận hành và đảm bảo rằng tất cả các bản quét đều được xem xét một cách nhất quán và đồng đều. Nó cũng có lợi cho các dự án nghiên cứu lớn và các nghiên cứu dài hạn, nơi cần xử lý lượng lớn dữ liệu.

‍

Cải thiện xe tự hành bằng cách sử dụng mô phỏng

Xe tự lái sử dụng các công nghệ AI như thị giác máy tính để xử lý thế giới xung quanh chúng. Với sự trợ giúp của các mô hình tiên tiến như YOLO11, các hệ thống trên xe có thể nhận ra các phương tiện khác, vạch kẻ đường, biển báo giao thông và người đi bộ trên đường. Mặc dù suy luận theo thời gian thực là rất quan trọng trên đường, nhưng công nghệ tự lái cũng dựa rất nhiều vào suy luận theo lô ở hậu trường. 

‍

Sau khi một chiếc xe hoàn thành một chuyến đi, dữ liệu mà nó thu thập, chẳng hạn như hàng giờ cảnh quay camera, số đọc cảm biến và quét LIDAR, có thể được xử lý sau theo các lô lớn. Điều này giúp các kỹ sư có thể cập nhật các mô hình AI của xe, tăng cường an toàn hệ thống và cải thiện khả năng xử lý các điều kiện lái xe khác nhau.

Suy luận theo lô cũng được sử dụng trong mô phỏng lái xe tự động để kiểm tra xem xe tự lái sẽ phản ứng như thế nào trong các tình huống khác nhau, chẳng hạn như điều hướng các giao lộ đông đúc hoặc phản ứng với các chuyển động khó lường của người đi bộ. Cách tiếp cận này giúp tiết kiệm thời gian, giảm chi phí và tránh được những rủi ro liên quan đến việc thử nghiệm mọi tình huống trong cuộc sống thực.

Phân tích dữ liệu bán lẻ được thúc đẩy bởi suy luận theo lô

Tương tự, đối với các cửa hàng bán lẻ, suy luận theo lô với các mô hình thị giác máy tính như YOLO11 có thể nâng cao đáng kể hiệu quả hoạt động. Ví dụ: hệ thống camera trong cửa hàng có thể chụp hàng nghìn hình ảnh trong suốt cả ngày, sau đó có thể được xử lý theo lô qua đêm. 

Điều này cho phép các cửa hàng phân tích những gì đang xảy ra trong cửa hàng, chẳng hạn như hành vi của khách hàng, mô hình lưu lượng truy cập và tương tác sản phẩm, mà không cần xử lý theo thời gian thực, điều này có thể gây khó khăn cho các cửa hàng nhỏ hơn. 

Một ví dụ thú vị khác là sử dụng suy luận theo lô để tạo bản đồ nhiệt, trực quan hóa các khu vực có hoạt động của khách hàng cao và thấp trong cửa hàng. Bằng cách phân tích các bản đồ nhiệt này, các nhà bán lẻ có thể xác định khu vực nào thu hút nhiều người qua lại nhất và những phần nào của cửa hàng có thể cần được chú ý nhiều hơn hoặc tối ưu hóa vị trí sản phẩm. Dữ liệu này có thể giúp các nhà bán lẻ đưa ra quyết định tốt hơn về bố cục cửa hàng, vị trí sản phẩm và thậm chí cả các chiến lược quảng cáo để cải thiện trải nghiệm và doanh số bán hàng của khách hàng.

‍

Ưu và nhược điểm của suy luận theo lô

Dưới đây là một số lợi ích chính mà suy luận theo lô có thể mang lại cho các ngành công nghiệp khác nhau:

• Dễ dàng tích hợp: Suy luận theo lô có thể dễ dàng tích hợp vào các quy trình làm việc hiện có, đặc biệt đối với các ngành như bán lẻ, an ninh hoặc chăm sóc sức khỏe, nơi cần xử lý số lượng lớn dữ liệu hàng loạt.
  ‍
• Quản lý dữ liệu dễ dàng hơn: Khi làm việc với lượng lớn dữ liệu, suy luận hàng loạt có thể giúp đơn giản hóa việc quản lý dữ liệu vì dữ liệu được nhóm thành các phần nhỏ, dễ quản lý. Điều này giúp bạn dễ dàng theo dõi, xem xét và sắp xếp dữ liệu theo thời gian.
  ‍
• Giảm tải cho mạng: Khi dữ liệu được xử lý theo lô, lượng dữ liệu được truyền tại bất kỳ thời điểm nào có thể được giảm thiểu, giảm áp lực lên tài nguyên mạng trong các hệ thống dựa trên đám mây hoặc môi trường điện toán phân tán.

Mặc dù có nhiều ưu điểm khi sử dụng suy luận hàng loạt, nhưng cũng có một số hạn chế cần xem xét. Dưới đây là một vài yếu tố cần lưu ý:

• Yêu cầu về lưu trữ: Lưu trữ các tập dữ liệu lớn để xử lý hàng loạt có thể làm tăng đáng kể chi phí lưu trữ, đặc biệt với hình ảnh, video có độ phân giải cao hoặc khối lượng dữ liệu lớn.
  ‍
• Khả năng tồn đọng: Nếu dữ liệu tích lũy nhanh chóng hoặc các lô lớn không được xử lý kịp thời, có thể xảy ra tình trạng tồn đọng. Điều này có thể dẫn đến chậm trễ trong việc cung cấp thông tin chi tiết và xử lý dữ liệu mới một cách kịp thời.
  ‍
• Đột biến tài nguyên: Các lô lớn, đặc biệt là những lô liên quan đến hình ảnh có độ phân giải cao, có thể gây ra đột biến trong việc sử dụng bộ nhớ hoặc tính toán. Nếu không được quản lý đúng cách, những đột biến này có thể gây quá tải cho hệ thống, dẫn đến chậm trễ hoặc sự cố.

Những điều cần nhớ

Suy luận hàng loạt là một cách hiệu quả để xử lý khối lượng lớn dữ liệu trực quan mà không yêu cầu kết quả ngay lập tức. Thay vì phân tích từng hình ảnh theo thời gian thực, nó xử lý chúng theo lô vào những thời điểm đã lên lịch, chẳng hạn như qua đêm. 

Phương pháp này tiết kiệm chi phí, giảm tải tính toán và vẫn cung cấp kết quả chính xác. Từ việc giúp các cửa hàng quản lý hàng tồn kho đến hỗ trợ bác sĩ phân tích ảnh chụp y tế và nâng cao công nghệ xe tự lái, suy luận hàng loạt giúp thị giác máy tính trở nên dễ tiếp cận, giá cả phải chăng và thiết thực hơn cho các ứng dụng thực tế.

Bạn đã sẵn sàng đi sâu vào AI chưa? Khám phá kho lưu trữ GitHub của chúng tôi, kết nối với cộng đồng của chúng tôi và xem các tùy chọn cấp phép của chúng tôi để bắt đầu hành trình thị giác máy tính của bạn. Tìm hiểu thêm về những đổi mới như AI trong sản xuất và thị giác máy tính trong ngành logistics trên các trang giải pháp của chúng tôi.