Đón xem YOLO Vision 2025!
25 tháng 9, 2025
10:00 — 18:00 BST
Sự kiện kết hợp
Yolo Vision 2024
Bảng chú giải thuật ngữ

Hộp neo

Tìm hiểu cách hộp neo cho phép phát hiện đối tượng dựa trên neo, phân loại trước, hồi quy và NMS, với các ứng dụng trong lái xe tự động và bán lẻ.

Hộp neo là một thành phần nền tảng trong nhiều mô hình phát hiện đối tượng dựa trên neo , đóng vai trò là một tập hợp các hộp tham chiếu được xác định trước với chiều cao và chiều rộng cụ thể. Các hộp này hoạt động như các dự đoán trước, hay các phỏng đoán có căn cứ, về vị trí và tỷ lệ tiềm năng của các đối tượng trong ảnh. Thay vì tìm kiếm đối tượng một cách mù quáng, các mô hình sử dụng các neo này làm điểm khởi đầu, dự đoán các giá trị offset để tinh chỉnh vị trí và kích thước của chúng cho phù hợp với đối tượng thực tế. Cách tiếp cận này biến nhiệm vụ định vị đối tượng phức tạp thành một bài toán hồi quy dễ quản lý hơn, trong đó mô hình học cách điều chỉnh các mẫu này thay vì tạo hộp từ đầu.

Hộp neo hoạt động như thế nào

Cơ chế cốt lõi bao gồm việc xếp chồng một hình ảnh với một lưới dày đặc các hộp neo ở nhiều vị trí khác nhau. Tại mỗi vị trí, nhiều neo với tỷ lệ và tỷ lệ khung hình khác nhau được sử dụng để đảm bảo các vật thể có hình dạng và kích thước đa dạng có thể được phát hiện hiệu quả. Trong quá trình huấn luyện mô hình , xương sống của bộ phát hiện trước tiên sẽ trích xuất một bản đồ đặc trưng từ hình ảnh đầu vào. Sau đó, đầu phát hiện sử dụng các đặc trưng này để thực hiện hai tác vụ cho mỗi hộp neo:

  • Phân loại : Dự đoán xác suất hộp neo chứa đối tượng quan tâm, gán nhãn lớp và điểm tin cậy .
  • Hồi quy : Tính toán các điều chỉnh chính xác (hoặc bù trừ) cần thiết để chuyển đổi hộp neo thành hộp giới hạn cuối cùng bao quanh chặt chẽ đối tượng.

Mô hình sử dụng các số liệu như Giao điểm trên Hợp nhất (IoU) để xác định hộp neo nào khớp nhất với các đối tượng thực tế trong quá trình huấn luyện. Sau khi dự đoán, một bước hậu xử lý gọi là NMS (Non-Maximum Suppression) được áp dụng để loại bỏ các hộp trùng lặp và dư thừa cho cùng một đối tượng.

Hộp neo so với các khái niệm khác

Điều quan trọng là phải phân biệt hộp neo với các thuật ngữ liên quan trong thị giác máy tính :

  • Hộp giới hạn : Hộp neo là mẫu được xác định trước được sử dụng trong quá trình phát hiện, trong khi hộp giới hạn là đầu ra cuối cùng được tinh chỉnh, xác định vị trí chính xác của đối tượng được phát hiện.
  • Bộ dò không neo : Trong khi các mô hình dựa trên neo như YOLOv5 và họ Faster R-CNN dựa trên các cài đặt trước này, các kiến trúc hiện đại ngày càng chuyển sang bộ dò không neo . Các mô hình như Ultralytics YOLO11 dự đoán vị trí đối tượng trực tiếp bằng cách xác định các điểm chính hoặc tâm, giúp đơn giản hóa thiết kế mô hình và có thể cải thiện hiệu suất trên các đối tượng có hình dạng không theo quy ước. Bạn có thể đọc thêm về lợi ích của thiết kế không neo trong YOLO11 .

Các Ứng dụng Thực tế

Phương pháp tiếp cận có cấu trúc của hộp neo giúp chúng hiệu quả trong các tình huống mà các đối tượng có hình dạng và kích thước có thể dự đoán được.

  1. Lái xe tự động : Trong các giải pháp dành cho ngành công nghiệp ô tô , các máy dò dạng neo rất hiệu quả trong việc nhận dạng ô tô, người đi bộ và biển báo giao thông. Tỷ lệ khung hình tương đối đồng nhất của các vật thể này phù hợp với các neo được xác định trước, cho phép phát hiện đáng tin cậy cho các hệ thống do các công ty như NVIDIATesla phát triển.
  2. Phân tích Bán lẻ : Đối với quản lý hàng tồn kho dựa trên AI , các mô hình này có thể quét kệ hàng một cách hiệu quả để đếm sản phẩm. Kích thước và hình dạng đồng nhất của hàng hóa đóng gói khiến chúng trở thành ứng cử viên lý tưởng cho phương pháp tiếp cận dựa trên neo, giúp tự động hóa việc theo dõi hàng tồn kho và giảm thiểu công sức thủ công.

Các mô hình này thường được phát triển bằng các nền tảng học sâu mạnh mẽ như PyTorchTensorFlow . Để tiếp tục học tập, các nền tảng như DeepLearning.AI cung cấp các khóa học toàn diện về kiến thức cơ bản về thị giác máy tính.

Tham gia cộng đồng Ultralytics

Tham gia vào tương lai của AI. Kết nối, hợp tác và phát triển cùng với những nhà đổi mới toàn cầu

Tham gia ngay
Đã sao chép liên kết vào clipboard