Bounding Box

A bounding box là một vùng hình chữ nhật được xác định bởi một tập hợp các tọa độ bao quanh một đối tượng cụ thể trong một khung hình ảnh hoặc video. Trong lĩnh vực computer vision (CV), các hộp này đóng vai trò là các chú thích cơ bản để dạy cho các hệ thống artificial intelligence (AI) cách định vị và nhận dạng các mục riêng biệt. Thay vì chỉ đơn giản phân loại toàn bộ hình ảnh là "chứa một chiếc ô tô", A bounding box cho phép model xác định chính xác vị trí và không gian của ô tô, tách nó ra khỏi nền và các thực thể khác. Khả năng định vị này rất cần thiết cho các tác vụ object detection, trong đó mục tiêu là xác định đồng thời nhiều đối tượng với độ chính xác cao.

Các Khái niệm và Tọa độ Cốt lõi#

Để xử lý dữ liệu trực quan hiệu quả, các model machine learning (ML) dựa vào các hệ thống tọa độ cụ thể để biểu diễn các bounding box theo toán học. Định dạng được chọn thường quyết định cách dữ liệu được chuẩn bị cho quá trình model training và cách model đưa ra dự đoán.

• XYXY Coordinates: Định dạng này xác định một hộp bằng cách sử dụng các giá trị pixel tuyệt đối của góc trên bên trái và góc dưới bên phải. Nó rất trực quan cho các công cụ trực quan hóa như OpenCV hoặc Matplotlib khi vẽ hình chữ nhật trực tiếp lên hình ảnh.
• XYWH Format: Phổ biến trong các tập dữ liệu như COCO, phương pháp này chỉ định điểm tâm của đối tượng tiếp theo là chiều rộng và chiều cao của hộp. Biểu diễn này rất quan trọng để tính toán loss functions trong quá trình học.
• Normalized Coordinates: Để đảm bảo tính scalability trên các hình ảnh có độ phân giải khác nhau, tọa độ thường được chia tỷ lệ trong khoảng từ 0 đến 1. Điều này giúp các model tổng quát hóa tốt hơn khi phân tích các đầu vào có kích thước khác nhau.

Các ứng dụng trong thực tế#

Bounding box là nền tảng cho vô số giải pháp AI trong các ngành công nghiệp đa dạng. Bằng cách cho phép định vị chính xác, chúng cho phép các hệ thống tương tác thông minh với thế giới vật lý.

• Autonomous Vehicles: Xe tự hành sử dụng bounding box để phát hiện và theo dõi người đi bộ, các phương tiện khác, biển báo giao thông và các chướng ngại vật trong thời gian thực. Nhận thức không gian này rất quan trọng đối với các hệ thống điều hướng và an toàn để đưa ra quyết định trong tích tắc.
• Retail Analytics: Trong các cửa hàng thông minh, bounding box giúp giám sát hàng tồn kho trên kệ và theo dõi tương tác của khách hàng với các sản phẩm. Dữ liệu này có thể tự động hóa việc bổ sung hàng hóa và cung cấp thông tin chi tiết về hành vi của người mua sắm mà không cần đếm thủ công.

Bounding Boxes trong Thực tế#

When using modern architectures like YOLO26, the model predicts bounding boxes along with a class label and a confidence score. The following example demonstrates how to run inference on an image and access the bounding box coordinates using the ultralytics package.

from ultralytics import YOLO

# Load the YOLO26 model
model = YOLO("yolo26n.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")

# Access bounding box coordinates (xyxy format) for the first detected object
boxes = results[0].boxes
print(boxes.xyxy[0])  # Output: tensor([x1, y1, x2, y2, ...])

Các Thuật ngữ Liên quan và Phân biệt#

Mặc dù bounding box là tiêu chuẩn cho việc phát hiện thông thường, chúng khác biệt so với các loại chú thích khác được sử dụng trong các tác vụ chi tiết hơn.

• Instance Segmentation: Không giống như A bounding box hình chữ nhật, segmentation tạo ra một mặt nạ hoàn hảo đến từng pixel, theo dõi chính xác đường viền của một đối tượng. Điều này hữu ích khi hình dạng chính xác quan trọng hơn vị trí chung.
• Oriented Bounding Box (OBB): Các bounding box tiêu chuẩn được căn chỉnh theo trục (hình chữ nhật đứng). OBB có thể xoay để phù hợp với các đối tượng bị nghiêng, chẳng hạn như tàu thuyền trong hình ảnh vệ tinh hoặc kiện hàng trên băng chuyền, mang lại độ khít tốt hơn và giảm nhiễu nền.
• Keypoints: Thay vì bao quanh một đối tượng, keypoints xác định các mốc cụ thể, chẳng hạn như các khớp trên cơ thể người cho tác vụ pose estimation.

Các Công cụ Chú thích và Quản lý#

Tạo các chú thích bounding box chất lượng cao là một bước quan trọng trong pipeline ML. Ultralytics Platform đơn giản hóa quy trình này bằng cách cung cấp các công cụ cho data annotation và quản lý tập dữ liệu. Chú thích đúng cách đảm bảo rằng các model học cách phân biệt các đối tượng một cách chính xác, giảm thiểu các lỗi như overfitting hoặc nhầm lẫn nền. Các kỹ thuật tiên tiến như Non-Maximum Suppression (NMS) được sử dụng trong quá trình inference để tinh chỉnh các dự đoán này bằng cách loại bỏ các hộp trùng lặp, đảm bảo rằng chỉ có phát hiện chính xác nhất còn lại cho mỗi đối tượng.