Object Detection
Khám phá những kiến thức nền tảng về object detection. Tìm hiểu cách Ultralytics YOLO26 xác định và định vị vật thể theo thời gian thực với tốc độ và độ chính xác vượt trội.
Phát hiện đối tượng là một công nghệ then chốt trong lĩnh vực Thị giác máy tính (CV), cho phép các hệ thống máy tính nhận diện và xác định vị trí của những đối tượng cụ thể trong dữ liệu hình ảnh. Khác với các tác vụ phân loại hình ảnh đơn giản hơn, vốn chỉ gán một nhãn cho toàn bộ hình ảnh, phát hiện đối tượng cung cấp khả năng hiểu chi tiết bằng cách đồng thời dự đoán lớp của một đối tượng (ví dụ: "người", "ô tô", "chó") và vị trí không gian của đối tượng đó. Vị trí này thường được biểu diễn bằng một hộp giới hạn hình chữ nhật bao quanh đối tượng, kèm theo điểm tin cậy cho biết mức độ chắc chắn của model. Khả năng kép này—nhận diện kết hợp với định vị—đóng vai trò là nền tảng cảm nhận cho các ứng dụng Trí tuệ nhân tạo (AI) hiện đại, cho phép máy móc tương tác có ý nghĩa với môi trường xung quanh.
Cơ chế phát hiện#
Các detector hiện đại phụ thuộc nhiều vào các kiến trúc Học sâu (DL), cụ thể là Mạng nơ-ron tích chập (CNNs), để trích xuất các đặc trưng phức tạp từ hình ảnh đầu vào. Quy trình bắt đầu với giai đoạn huấn luyện, trong đó model học cách nhận diện các mẫu bằng những tập dữ liệu lớn có gán nhãn như bộ dữ liệu COCO. Trong giai đoạn này, thuật toán tối ưu hóa trọng số model để giảm thiểu các lỗi dự đoán.
Khi model được triển khai để suy luận, model quét các hình ảnh mới để đề xuất những đối tượng tiềm năng. Sau đó, các thuật toán nâng cao áp dụng Ức chế cực đại không trùng lặp (NMS) để lọc các phép phát hiện trùng lặp, bảo đảm mỗi thực thể riêng biệt chỉ được đánh dấu một lần. Độ chính xác của các dự đoán này thường được đánh giá bằng metric Intersection over Union (IoU), đo mức độ chồng lấp giữa hộp dự đoán và ground truth. Những tiến bộ gần đây đã dẫn đến các kiến trúc end-to-end như YOLO26, giúp tinh gọn pipeline này để đạt tốc độ vượt trội và khả năng suy luận thời gian thực trên các thiết bị edge.
Phân biệt các thuật ngữ chính#
Điều quan trọng là phải phân biệt phát hiện đối tượng với các khái niệm liên quan để lựa chọn đúng công cụ cho dự án:
- Phát hiện đối tượng so với phân loại hình ảnh: Trong khi phân loại hình ảnh trả lời câu hỏi "Có gì trong hình ảnh này?", phát hiện đối tượng trả lời câu hỏi "Đối tượng nào ở đâu?".
- Phát hiện đối tượng so với phân đoạn instance: Phát hiện vẽ một hộp xung quanh một đối tượng. Ngược lại, phân đoạn instance xác định đường viền chính xác đến từng pixel (mask) của mỗi đối tượng.
- Phát hiện đối tượng so với theo dõi đối tượng: Phát hiện tìm các đối tượng trong một frame đơn lẻ. Theo dõi đối tượng liên kết những lần phát hiện này xuyên suốt một chuỗi video để giám sát chuyển động theo thời gian.
Các ứng dụng trong thực tế#
Tính linh hoạt của công nghệ phát hiện đối tượng thúc đẩy đổi mới trong nhiều ngành công nghiệp lớn. Trong lĩnh vực ô tô, AI trong xe tự hành phụ thuộc đáng kể vào các model phát hiện để nhanh chóng nhận diện người đi bộ, biển báo giao thông và các phương tiện khác nhằm di chuyển an toàn. Bằng cách xử lý các luồng video từ camera tích hợp trên xe, những hệ thống này đưa ra các quyết định trong tích tắc để ngăn ngừa tai nạn.
Một trường hợp sử dụng nổi bật khác là AI trong bán lẻ. Các hệ thống thanh toán tự động và robot quản lý hàng tồn kho thông minh sử dụng công nghệ phát hiện đối tượng để quét các kệ hàng, nhận diện sản phẩm và phát hiện tình trạng thiếu hàng hoặc đặt sai vị trí. Hoạt động tự động hóa này tinh gọn chuỗi cung ứng và cải thiện trải nghiệm khách hàng bằng cách bảo đảm sản phẩm luôn sẵn có.
Triển khai phát hiện đối tượng#
Developers có thể dễ dàng triển khai các workflow phát hiện bằng package Python ultralytics. Ví dụ sau minh họa cách tải một model YOLO26 đã được pre-train và thực hiện suy luận trên một hình ảnh.
from ultralytics import YOLO
# Load the latest YOLO26n model (nano version for speed)
model = YOLO("yolo26n.pt")
# Run inference on an image from a URL
results = model("https://ultralytics.com/images/bus.jpg")
# Display the results with bounding boxes
results[0].show()Đối với các team muốn mở rộng hoạt động, Ultralytics Platform cung cấp một môi trường toàn diện để gán nhãn dữ liệu, train các model tùy chỉnh trên cloud và triển khai chúng sang nhiều format như ONNX hoặc TensorRT. Việc sử dụng các platform như vậy giúp đơn giản hóa vòng đời MLOps, cho phép các engineer tập trung vào việc tinh chỉnh ứng dụng thay vì quản lý hạ tầng.
