Keypoints

Keypoints là các vị trí không gian hoặc cột mốc riêng biệt trong một hình ảnh, dùng để xác định các đặc trưng quan trọng của một đối tượng hoặc chủ thể. Trong bối cảnh computer vision và machine learning, một keypoint thường được biểu diễn bằng một tập hợp tọa độ (X, Y) giúp xác định chính xác một bộ phận cụ thể của đối tượng, ví dụ như khuỷu tay của con người, góc của một tòa nhà, hoặc tâm bánh xe ô tô. Khác với các tác vụ đơn giản chỉ xác định sự hiện diện của một đối tượng, việc nhận diện keypoints cho phép các mô hình artificial intelligence (AI) hiểu được hình học, tư thế và cấu trúc của chủ thể. Khả năng này là nền tảng cho phân tích hình ảnh nâng cao, giúp máy móc hiểu được ngôn ngữ cơ thể, theo dõi chuyển động chính xác và căn chỉnh các lớp phủ kỹ thuật số với các đối tượng trong thế giới thực.

Link to this sectionVai trò của Keypoints trong các mô hình AI#

Keypoints đóng vai trò là dữ liệu nền tảng cho pose estimation, một kỹ thuật ánh xạ cấu trúc khung xương của con người hoặc động vật. Bằng cách phát hiện một tập hợp các điểm đã xác định trước—như vai, đầu gối và mắt cá chân—các thuật toán có thể tái tạo lại tư thế đầy đủ của chủ thể trong thời gian thực. Quy trình này vượt xa object detection tiêu chuẩn, vốn thường chỉ tạo ra một bounding box xung quanh đối tượng mà không hiểu hình dạng bên trong của nó.

Các kiến trúc hiện đại, chẳng hạn như Ultralytics YOLO26 tiên tiến, đã phát triển để dự đoán các keypoints này với tốc độ và độ chính xác cao. Các mô hình này sử dụng các mạng deep learning (DL) được huấn luyện trên các tập dữ liệu chú thích khổng lồ, như COCO Keypoints, để học các mẫu hình ảnh liên quan đến khớp và đặc điểm khuôn mặt. Trong quá trình inference, mô hình hồi quy các tọa độ cho mỗi keypoint, thường bao gồm một điểm số tin cậy để chỉ ra độ chính xác của dự đoán.

Link to this sectionKeypoints so với các khái niệm liên quan#

Việc phân biệt keypoints với các kết quả đầu ra phổ biến khác trong computer vision sẽ giúp hiểu rõ hơn về tính hữu dụng độc đáo của chúng:

• Keypoints so với Bounding Boxes: Một bounding box cung cấp khả năng định vị thô, bao quanh toàn bộ đối tượng trong một hình chữ nhật. Keypoints cung cấp khả năng định vị chi tiết các bộ phận cụ thể bên trong đối tượng đó.
• Keypoints so với Image Segmentation: Image segmentation phân loại từng pixel để tạo ra một lớp mặt nạ chính xác về hình dạng của đối tượng. Trong khi segmentation cung cấp thông tin ranh giới chi tiết, keypoints cung cấp một bản tóm tắt cấu trúc (một "bộ khung") thường hiệu quả hơn để phân tích chuyển động và kinematics.
• Keypoints so với Feature Descriptors: Trong xử lý ảnh truyền thống như SIFT (Scale-Invariant Feature Transform), keypoints là các điểm quan tâm (góc, đốm) được sử dụng để so khớp ảnh. Trong pose estimation bằng DL hiện đại, keypoints là các nhãn ngữ nghĩa (ví dụ: "cổ tay trái") được mạng học được.

Link to this sectionCác ứng dụng trong thực tế#

Khả năng theo dõi các bộ phận cơ thể hoặc đặc điểm đối tượng cụ thể mở ra nhiều ứng dụng đa dạng trong các ngành công nghiệp:

• Phân tích thể thao: Huấn luyện viên và vận động viên sử dụng pose estimation để phân tích cơ sinh học. Bằng cách theo dõi keypoints trên các khớp, hệ thống có thể tính toán góc và vận tốc để cải thiện kỹ thuật trong các môn thể thao như golf, quần vợt hoặc chạy nước rút. Xem cách các Ultralytics YOLO models track golf swings để cung cấp phản hồi có tính thực tiễn.
• Chăm sóc sức khỏe và phục hồi chức năng: Các nền tảng vật lý trị liệu tận dụng keypoints để giám sát bài tập của bệnh nhân từ xa. Hệ thống đảm bảo bệnh nhân duy trì tư thế đúng trong quá trình phục hồi chức năng, giúp giảm nguy cơ chấn thương và theo dõi tiến độ hồi phục.
• Augmented Reality (AR): Các bộ lọc mạng xã hội và ứng dụng thử đồ ảo dựa vào keypoints khuôn mặt (đường viền mắt, mũi, miệng) để cố định các mặt nạ hoặc kính kỹ thuật số vào khuôn mặt người dùng, duy trì sự căn chỉnh ngay cả khi họ di chuyển.
• Giám sát lái xe: Các hệ thống an toàn ô tô theo dõi các cột mốc khuôn mặt để phát hiện dấu hiệu buồn ngủ hoặc mất tập trung, cảnh báo người lái nếu mắt họ nhắm lại hoặc vị trí đầu cho thấy sự thiếu chú ý.

Link to this sectionTriển khai Keypoint Detection với YOLO26#

Sử dụng Ultralytics Platform hoặc Python SDK, các nhà phát triển có thể dễ dàng triển khai keypoint detection. Ví dụ sau đây minh họa cách tải một mô hình YOLO26-pose model đã được huấn luyện sẵn và chạy inference trên một hình ảnh để phát hiện khung xương người.

from ultralytics import YOLO

# Load a pre-trained YOLO26 pose estimation model
model = YOLO("yolo26n-pose.pt")

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

# Visualize the results showing detected keypoints and skeletons
for result in results:
    result.show()  # Display the image with keypoints drawn

    # Access keypoint coordinates (x, y, confidence)
    keypoints = result.keypoints.data
    print(f"Detected keypoints shape: {keypoints.shape}")

Quy trình đơn giản này cho phép triển khai nhanh chóng các ứng dụng computer vision (CV) phức tạp. Đối với người dùng muốn huấn luyện các mô hình keypoint tùy chỉnh của riêng họ—ví dụ: để phát hiện các điểm cụ thể trên máy móc công nghiệp hoặc loài động vật—Ultralytics Platform giúp đơn giản hóa quy trình chú thích dữ liệu và huấn luyện mô hình trên cloud.

Link to this sectionCác cân nhắc nâng cao#

Việc triển khai thành công keypoint detection đòi hỏi phải xử lý các thách thức như bị che khuất (khi một bộ phận cơ thể bị ẩn) và các điều kiện ánh sáng đa dạng. Các mô hình hiện đại giải quyết vấn đề này thông qua data augmentation mạnh mẽ trong quá trình huấn luyện, giúp mạng tiếp xúc với các kịch bản khác nhau. Hơn nữa, việc tích hợp keypoints với các thuật toán object tracking cho phép xác định nhất quán các cá nhân theo thời gian trong luồng video, điều này rất cần thiết cho các ứng dụng như an ninh hoặc phân tích hành vi.