Backbone

Backbone là thành phần trích xuất đặc trưng cơ bản của một kiến trúc học sâu, đóng vai trò là động cơ chính biến đổi dữ liệu thô thành các biểu diễn có ý nghĩa. Trong bối cảnh thị giác máy tính, backbone thường bao gồm một loạt các lớp bên trong mạng thần kinh để xử lý hình ảnh đầu vào nhằm nhận diện các mẫu hình phân cấp. Các mẫu hình này trải dài từ những đặc trưng cấp thấp đơn giản như cạnh và kết cấu đến các khái niệm cấp cao phức tạp như hình dạng và đối tượng. Đầu ra của backbone, thường được gọi là bản đồ đặc trưng, đóng vai trò là đầu vào cho các thành phần hạ nguồn thực hiện các tác vụ cụ thể như phân loại hoặc phát hiện.

Link to this sectionVai trò của Backbone#

Chức năng chính của backbone là "nhìn" và hiểu nội dung thị giác của một hình ảnh trước khi bất kỳ quyết định cụ thể nào được đưa ra. Nó hoạt động như một bộ chuyển đổi phổ quát, chuyển đổi các giá trị pixel thành một định dạng cô đọng, giàu thông tin. Hầu hết các backbone hiện đại đều dựa vào Mạng thần kinh tích chập (CNN) hoặc Vision Transformer (ViT) và thường được huấn luyện trước trên các tập dữ liệu khổng lồ như ImageNet. Quá trình huấn luyện trước này, một khía cạnh cốt lõi của học chuyển đổi, cho phép mô hình tận dụng các đặc trưng thị giác đã học trước đó, giảm đáng kể dữ liệu và thời gian cần thiết để huấn luyện một mô hình mới cho một ứng dụng cụ thể.

Ví dụ, khi sử dụng Ultralytics YOLO26, kiến trúc này bao gồm một backbone được tối ưu hóa cao giúp trích xuất các đặc trưng đa quy mô một cách hiệu quả. Điều này cho phép các phần tiếp theo của mạng tập trung hoàn toàn vào việc xác định vị trí đối tượng và gán xác suất lớp mà không cần phải học lại cách nhận diện các cấu trúc thị giác cơ bản từ đầu.

Link to this sectionBackbone so với Neck so với Head#

Để nắm bắt đầy đủ kiến trúc của các mô hình phát hiện đối tượng, điều cần thiết là phải phân biệt được backbone với hai thành phần chính khác: neck và head.

• Backbone: "Bộ trích xuất đặc trưng". Nó tách biệt thông tin thị giác thiết yếu từ hình ảnh đầu vào. Các ví dụ phổ biến bao gồm Residual Networks (ResNet), được phát triển ban đầu bởi Microsoft Research, và CSPNet, vốn được tối ưu hóa cho hiệu quả tính toán.
• Neck: "Bộ tổng hợp đặc trưng". Nằm giữa backbone và head, neck tinh chỉnh và kết hợp các đặc trưng từ các quy mô khác nhau. Một cấu trúc phổ biến được sử dụng ở đây là Feature Pyramid Network (FPN), giúp tăng cường khả năng phát hiện các đối tượng có kích thước khác nhau của mô hình.
• Head: "Bộ dự đoán". Detection head xử lý các đặc trưng đã tổng hợp từ neck để tạo ra đầu ra cuối cùng, chẳng hạn như bounding box và nhãn lớp.

Link to this sectionCác ứng dụng trong thực tế#

Backbone là những chiến binh thầm lặng đằng sau nhiều ứng dụng AI trong công nghiệp và khoa học. Khả năng tổng quát hóa dữ liệu thị giác giúp chúng có thể thích ứng trên nhiều lĩnh vực khác nhau.

1. Chẩn đoán y tế: Trong chăm sóc sức khỏe, backbone phân tích các hình ảnh y tế phức tạp như X-quang, chụp CT và MRI. Bằng cách thực hiện phân tích hình ảnh y tế, các mạng này có thể trích xuất những bất thường nhỏ cho thấy dấu hiệu bệnh lý. Ví dụ, các mô hình chuyên biệt tận dụng các backbone mạnh mẽ cho phát hiện khối u, xác định các dấu hiệu ung thư sớm mà mắt người có thể bỏ lỡ. Các tổ chức như Hiệp hội X-quang Bắc Mỹ (RSNA) ủng hộ việc sử dụng các công cụ học sâu này để cách mạng hóa dịch vụ chăm sóc bệnh nhân.

2. Hệ thống tự hành: Trong ngành công nghiệp ô tô và robot, backbone xử lý các nguồn cấp dữ liệu video từ camera gắn trên xe để giải thích môi trường xung quanh. AI trong ngành ô tô dựa vào các bộ trích xuất đặc trưng mạnh mẽ này để phát hiện làn đường, đọc biển báo giao thông và xác định người đi bộ trong thời gian thực. Một backbone đáng tin cậy đảm bảo hệ thống có thể phân biệt giữa vật cản tĩnh và phương tiện đang di chuyển, đây là yêu cầu an toàn quan trọng đối với các công nghệ lái xe tự hành được phát triển bởi các công ty như Waymo.

Link to this sectionTriển khai với Ultralytics#

Các kiến trúc hiện đại như YOLO11 và YOLO26 tiên tiến tích hợp các backbone mạnh mẽ theo mặc định. Các thành phần này được thiết kế để đạt độ trễ suy luận tối ưu trên nhiều nền tảng phần cứng khác nhau, từ thiết bị biên đến GPU hiệu năng cao.

Đoạn mã Python sau đây minh họa cách tải một mô hình với backbone đã được huấn luyện trước bằng cách sử dụng gói ultralytics. Thiết lập này tự động tận dụng backbone để trích xuất đặc trưng trong quá trình suy luận.

from ultralytics import YOLO

# Load a YOLO26 model, which includes a pre-trained CSP backbone
model = YOLO("yolo26n.pt")

# Perform inference on an image
# The backbone extracts features, which are then used for detection
results = model("https://ultralytics.com/images/bus.jpg")

# Display the resulting detection
results[0].show()

Bằng cách sử dụng một backbone đã huấn luyện trước, các nhà phát triển có thể thực hiện tinh chỉnh trên các tập dữ liệu tùy chỉnh của riêng họ bằng Ultralytics Platform. Cách tiếp cận này tạo điều kiện thuận lợi cho việc phát triển nhanh chóng các mô hình chuyên biệt—chẳng hạn như các mô hình được sử dụng để phát hiện bưu kiện trong logistics—mà không cần đến các nguồn lực tính toán khổng lồ thường yêu cầu để huấn luyện một mạng thần kinh sâu từ đầu.