Phân đoạn đối tượng là gì? Hướng dẫn nhanh

Các ứng dụng thị giác máy tính ngày càng phổ biến trong đời sống hằng ngày, từ camera giao thông giám sát tình trạng đường sá đến hệ thống tự thanh toán tại cửa hàng. Bằng cách giúp máy móc hiểu dữ liệu hình ảnh theo cách tương tự con người, AI thị giác đang tạo tác động trong nhiều ngành.

Nhiều ứng dụng trong số này dựa vào phát hiện đối tượng, một tác vụ thị giác máy tính xác định vị trí các đối tượng chính trong ảnh bằng cách vẽ khung giới hạn xung quanh chúng. Cách tiếp cận này thường hoạt động hiệu quả, nhưng một số giải pháp phân tích ảnh cần độ chính xác cao hơn nữa.

Ví dụ, chẩn đoán hình ảnh y tế không chỉ cần phát hiện khối u mà còn phải xác định chính xác hình dạng của khối u. Tương tự, trong lĩnh vực robot, máy móc cần nhận biết đường viền chính xác của một vật thể để gắp đúng cách. Để giải quyết những thách thức này, phân đoạn instance cung cấp giải pháp chính xác hơn.

Phân đoạn instance là tác vụ thị giác máy tính được thiết kế cho các trường hợp mà chỉ phát hiện đối tượng là chưa đủ — phương pháp này cung cấp độ chính xác đến từng pixel. Có thể dễ dàng áp dụng phân đoạn instance cho ảnh và video bằng các model thị giác máy tính như Ultralytics YOLO11.

Hình 1. Ví dụ về sử dụng YOLO11 để phân đoạn instance.

Trong hướng dẫn này, chúng ta sẽ phân tích cách phân đoạn instance hoạt động, các ứng dụng của phương pháp này và cách huấn luyện tùy chỉnh Ultralytics YOLO11 cho những tác vụ phân đoạn cụ thể.

Phân đoạn instance là gì?#

Giả sử có một bức ảnh nhóm chụp những người đứng sát nhau. Phát hiện đối tượng có thể giúp vẽ khung quanh từng người, nhưng không cho biết hình dạng chính xác của họ.

Ngược lại, phân đoạn instance giống như việc cẩn thận vẽ theo đường viền của từng người để thấy được toàn bộ dáng hình, ngay cả khi họ chồng lấp lên nhau. Thay vì chỉ đánh dấu vị trí của một vật thể bằng khung, phương pháp này xác định chính xác hình dạng của từng đối tượng ở cấp độ pixel, giúp hiểu rõ hơn những hình ảnh phức tạp.

Kết quả là một mask chi tiết tô kín hình dạng của đối tượng, xác định chính xác những pixel nào thuộc về đối tượng đó. Độ chính xác này hữu ích trong nhiều ứng dụng thực tế, nơi việc hiểu rõ hình dạng và ranh giới chính xác của đối tượng là rất quan trọng.

Hình 2. Minh họa khả năng hỗ trợ phân đoạn instance của Ultralytics YOLO11.

Phân đoạn instance và phân đoạn ngữ nghĩa#

Khi tìm hiểu về phân đoạn instance, bạn có thể bắt gặp khái niệm phân đoạn ngữ nghĩa.

Cả hai kỹ thuật đều giúp máy tính hiểu hình ảnh ở cấp độ pixel, nhưng phục vụ những mục đích khác nhau. Phân đoạn ngữ nghĩa gán nhãn cho từng pixel dựa trên danh mục của pixel đó, đồng thời nhóm tất cả đối tượng cùng loại lại với nhau. Ví dụ, trong ảnh có nhiều ô tô, phân đoạn ngữ nghĩa sẽ đánh dấu tất cả là "ô tô" mà không phân biệt từng chiếc xe.

Ngược lại, phân đoạn instance tiến thêm một bước bằng cách nhận diện riêng từng đối tượng. Phương pháp này gán nhãn riêng cho từng instance và tạo mask chính xác bao quanh hình dạng của chúng. Vì vậy, trong cùng bức ảnh, phân đoạn instance không chỉ gán nhãn tất cả là "ô tô" mà còn nhận diện và vẽ đường viền cho từng chiếc xe.

Điểm khác biệt chính giữa hai phương pháp là phân đoạn ngữ nghĩa nhóm các đối tượng theo danh mục, trong khi phân đoạn instance phân biệt từng đối tượng như một thực thể riêng biệt với ranh giới rõ ràng. Việc chọn tác vụ nào tùy thuộc vào ứng dụng cụ thể — liệu chỉ cần biết có gì trong ảnh hay cần phân biệt từng đối tượng riêng lẻ.

Để được trợ giúp xác định tác vụ phù hợp với dự án, hãy xem phân đoạn ngữ nghĩa và phân đoạn instance: cách lựa chọn.

Hình 3. Phân đoạn instance so với phân đoạn ngữ nghĩa (lần lượt ở bên phải và bên trái).

Các model phân đoạn instance phổ biến#

Hiện nay, cộng đồng AI thị giác có nhiều model phân đoạn instance khác nhau. Một số model nhanh hơn, một số chính xác hơn, và một số dễ sử dụng hơn.

Dù các lựa chọn này hữu ích, câu hỏi đặt ra là lựa chọn nào phù hợp với một tác vụ cụ thể. Trong số đó, model Ultralytics YOLO khá phổ biến vì tập trung vào tốc độ và độ chính xác.

Ngoài ra, các model này đã phát triển đáng kể qua nhiều năm. Ví dụ, Ultralytics YOLOv5 đơn giản hóa quá trình triển khai bằng các framework như PyTorch, giúp nhiều người tiếp cận AI thị giác tiên tiến mà không cần chuyên môn kỹ thuật sâu.

Tiếp nối thành công đó, Ultralytics YOLOv8 nâng cao khả năng hỗ trợ các tác vụ thị giác máy tính như phân đoạn instance, ước tính tư thế và phân loại ảnh.

Ultralytics YOLO11 (sau đó được Ultralytics YOLO26 kế nhiệm) tiếp tục nâng cao hiệu năng. Model đạt mAP cao hơn trên tập dữ liệu COCO với số tham số ít hơn 22% so với YOLOv8m, nghĩa là có thể nhận diện đối tượng chính xác hơn trong khi sử dụng ít tài nguyên hơn.

Hình 4. Đánh giá hiệu năng YOLO11.

Nói đơn giản, Ultralytics YOLO11 đạt độ chính xác tiên tiến nhất mà không ảnh hưởng đến hiệu quả.

Tìm hiểu cách phân đoạn instance hoạt động#

Tiếp theo, hãy cùng tìm hiểu cách phân đoạn từng đối tượng thường hoạt động. Các model thị giác máy tính đời cũ sử dụng cách tiếp cận hai giai đoạn.

Trước tiên, các model phát hiện đối tượng bằng cách vẽ các hộp giới hạn xung quanh chúng. Sau đó, model tạo mặt nạ ở cấp pixel để phác họa chính xác hình dạng của từng đối tượng. Một ví dụ nổi tiếng là Mask R-CNN, mở rộng các model phát hiện đối tượng bằng cách bổ sung bước dự đoán mặt nạ. Phương pháp này hiệu quả nhưng có thể chậm vì xử lý hình ảnh qua nhiều giai đoạn, khiến các ứng dụng thời gian thực khó triển khai hơn.

Trong khi đó, các model như Ultralytics YOLO11 xử lý ảnh chỉ trong một lượt, đồng thời dự đoán khung giới hạn của đối tượng và mask phân đoạn instance. Cách tiếp cận tinh gọn này giúp xử lý nhanh hơn nhiều mà vẫn duy trì độ chính xác cao. Vì vậy, model đặc biệt hữu ích cho các ứng dụng thời gian thực như xe tự hành, phân tích video và robot, nơi tốc độ và độ chính xác đều rất quan trọng.

Huấn luyện tùy chỉnh Ultralytics YOLO11 cho phân đoạn instance#

Mặc định, YOLO11 được cung cấp dưới dạng model đã huấn luyện trước. Model được huấn luyện trên tập dữ liệu COCO-Seg, bao gồm các đối tượng thường ngày phục vụ phân đoạn từng đối tượng. Tuy nhiên, gói Ultralytics Python hỗ trợ huấn luyện tùy chỉnh, điều cần thiết cho các ứng dụng chuyên biệt cần phân đoạn những đối tượng đặc thù.

Tại sao việc huấn luyện tùy chỉnh hoặc fine-tune model lại quan trọng? Huấn luyện tùy chỉnh tận dụng học chuyển giao bằng cách kế thừa kiến thức đã có trong các model được huấn luyện trước. Thay vì bắt đầu từ đầu, phương pháp này điều chỉnh một model hiện có cho các tác vụ mới bằng dataset nhỏ hơn và ít tài nguyên tính toán hơn, đồng thời vẫn duy trì độ chính xác cao.

Cách huấn luyện tùy chỉnh Ultralytics YOLO11#

Dưới đây là các bước chi tiết để tinh chỉnh Ultralytics YOLO11 cho tác vụ phân đoạn từng đối tượng:

• Chuẩn bị dữ liệu: Thu thập và gán nhãn ảnh phù hợp với ứng dụng cụ thể của bạn. Ultralytics hỗ trợ nhiều dataset ảnh, nhưng bạn cũng có thể huấn luyện bằng dataset riêng sau khi chuẩn bị ảnh và nhãn theo định dạng YOLO bắt buộc.
• Sử dụng model đã huấn luyện trước: Thay vì bắt đầu từ đầu, hãy sử dụng model Ultralytics YOLO11 đã huấn luyện trước.
• Huấn luyện model: Điều chỉnh các thiết lập huấn luyện thiết yếu như batch size (số ảnh được xử lý mỗi iteration), kích thước ảnh (độ phân giải đầu vào mục tiêu) và số epoch (tổng số chu kỳ huấn luyện), sau đó huấn luyện model.
• Đánh giá hiệu năng: Sau khi hoàn tất huấn luyện model, bạn có thể kiểm tra độ chính xác của model bằng các chỉ số hiệu năng như mAP. Package Ultralytics Python cũng cung cấp các hàm tích hợp để đánh giá model.

Các ứng dụng phân đoạn instance với Ultralytics YOLO11#

Phân đoạn instance có thể giúp giải quyết các thách thức thực tế bằng cách hỗ trợ máy móc quan sát và hiểu đối tượng chính xác hơn. Từ cải thiện tự động hóa đến bảo vệ môi trường, phương pháp này đóng vai trò quan trọng trong nhiều lĩnh vực. Hãy cùng xem một số ví dụ về những tác động mà phương pháp này đang tạo ra.

An toàn và giám sát công trường xây dựng bằng Ultralytics YOLO11#

Phân đoạn instance có thể đóng vai trò thiết yếu trong việc đảm bảo an toàn và hiệu quả tại công trường xây dựng. Ví dụ, phương pháp này có thể được dùng để giám sát máy móc hạng nặng.

Có thể fine-tune Ultralytics YOLO11 để phân đoạn và nhận diện chính xác các loại thiết bị khác nhau, chẳng hạn như cần cẩu, máy xúc và máy ủi, đồng thời theo dõi vị trí của chúng theo thời gian thực. Nhờ đó, quản lý công trường có thể đảm bảo máy móc chỉ hoạt động trong các khu vực được chỉ định và không xâm phạm khu vực có công nhân hoặc tồn tại nguy cơ.

Ngoài ra, việc tích hợp các giải pháp này với hệ thống cảnh báo thời gian thực giúp nhanh chóng thực hiện biện pháp khắc phục. Hơn nữa, những thông tin thu thập được có thể giúp tối ưu hóa bố trí và quy trình làm việc tại công trường, qua đó giảm thêm rủi ro và tăng năng suất.

Hình 5. Giám sát máy móc hạng nặng bằng Ultralytics YOLO11.

Giám sát động vật bằng phân đoạn và Ultralytics YOLO11#

Giám sát hành vi động vật giúp các nhà nghiên cứu, nông dân và nhà bảo tồn chăm sóc động vật tốt hơn trong nhiều môi trường khác nhau. Phân đoạn instance đóng vai trò hữu ích trong các hệ thống này bằng cách nhận diện và phân đoạn từng cá thể động vật tại trang trại, sở thú và môi trường sống tự nhiên. Khác với phương pháp phát hiện đối tượng truyền thống sử dụng khung giới hạn, phân đoạn instance xác định đường viền của từng con vật ở cấp độ pixel, đặc biệt hữu ích khi chúng ở gần nhau.

Phân đoạn chi tiết giúp theo dõi chuyển động và hành vi chính xác hơn. Có thể phân biệt các con vật chồng lấp hoặc tụ tập sát nhau, cho phép phân tích chính xác hơn về tương tác, đánh giá sức khỏe và kiểu hoạt động. Nhìn chung, hiểu biết sâu hơn về hành vi động vật giúp cải thiện hoạt động chăm sóc và quản lý động vật.

Hình 6. Giám sát gia súc bằng phân đoạn instance.

Ultralytics YOLO11 trong phân tích thể thao và theo dõi vận động viên#

Theo dõi chính xác vận động viên và sự kiện là phần quan trọng trong phân tích thể thao. Các phương pháp theo dõi truyền thống dựa vào gắn thẻ thủ công, vốn có thể bỏ sót các tương tác chi tiết. Có thể sử dụng thị giác máy tính để phân đoạn từng chi tiết như vận động viên, bóng và sự kiện quan trọng ở cấp độ pixel, qua đó thu thập thông tin chuyên sâu.

Ví dụ, phân đoạn instance có thể giúp phát hiện các sự kiện như phạm lỗi hoặc tình huống không có bóng bằng cách tách rõ từng vận động viên và vật thể. Khả năng giám sát chi tiết bằng các model như Ultralytics YOLO11 cung cấp cho chuyên gia phân tích thông tin rõ ràng hơn để nghiên cứu mô hình di chuyển, vị trí trên sân và tương tác với độ chính xác cao. Một lợi ích quan trọng của những thông tin này là giúp các đội cải thiện chiến thuật và nâng cao hiệu suất tổng thể.

Ưu và nhược điểm của phân đoạn instance#

Dưới đây là một số lợi ích chính mà phân đoạn instance có thể mang lại cho nhiều ngành:

• Tự động hóa tốt hơn: Bằng cách tự động hóa các tác vụ như kiểm soát chất lượng và giám sát an toàn, phân đoạn instance giảm nhu cầu can thiệp thủ công và hạn chế lỗi do con người.
• Hiểu cảnh tốt hơn: Bằng cách vẽ đường viền chính xác cho từng đối tượng, phân đoạn instance giúp hiểu sâu hơn các cảnh phức tạp, hỗ trợ đưa ra quyết định sáng suốt hơn.
• Hậu xử lý hiệu quả: Đầu ra ở cấp độ pixel giúp đơn giản hóa các tác vụ như xóa nền, đếm đối tượng và phân tích không gian, đồng thời giảm nhu cầu thực hiện thêm các bước xử lý.

Dù những lợi ích này cho thấy phân đoạn instance tác động đến nhiều trường hợp sử dụng khác nhau, việc cân nhắc những thách thức trong quá trình triển khai cũng rất cần thiết.

Dưới đây là một số hạn chế chính của phân đoạn instance:

• Thách thức khi xử lý vật thể trong suốt: Khó phân đoạn các vật thể trong suốt hoặc phản chiếu như thủy tinh và nước, dẫn đến ranh giới không chính xác.
• Chi phí bảo trì: Để duy trì độ chính xác và tính phù hợp của model, cần thường xuyên cập nhật và fine-tune khi điều kiện môi trường và dataset thay đổi.
• Tốn nhiều công sức gán nhãn: Việc huấn luyện model phân đoạn instance đòi hỏi nhãn chi tiết ở cấp độ pixel, làm tăng đáng kể thời gian và chi phí chuẩn bị dữ liệu.

Điểm chính cần ghi nhớ#

Phân đoạn instance giúp phân biệt chính xác từng đối tượng, ngay cả khi chúng chồng lấp lên nhau. Bằng cách ghi nhận ranh giới đối tượng ở cấp độ pixel, phương pháp này cung cấp hiểu biết sâu hơn về dữ liệu hình ảnh so với các tác vụ thị giác máy tính truyền thống như phát hiện đối tượng.

Những tiến bộ gần đây trong lĩnh vực thị giác máy tính giúp phân đoạn instance nhanh hơn và dễ sử dụng hơn. Đặc biệt, các model thị giác máy tính như Ultralytics YOLO11 đơn giản hóa quy trình, cho phép phân đoạn thời gian thực với thiết lập tối thiểu, giúp nhiều ngành và ứng dụng dễ dàng tiếp cận hơn.

Tò mò về AI? Truy cập repository GitHub của chúng tôi và kết nối với cộng đồng của chúng tôi để tiếp tục khám phá. Tìm hiểu về những đổi mới như AI trong xe tự hành và AI thị giác trong nông nghiệp trên các trang giải pháp của chúng tôi. Xem các tùy chọn cấp phép và bắt đầu dự án thị giác máy tính của bạn!