Object Detection

Phát hiện đối tượng là một công nghệ then chốt trong lĩnh vực Computer Vision (CV), cho phép các hệ thống máy tính nhận diện và xác định vị trí của các mục tiêu cụ thể trong dữ liệu hình ảnh. Không giống như các tác vụ image classification đơn giản, vốn chỉ gán một nhãn duy nhất cho toàn bộ hình ảnh, phát hiện đối tượng cung cấp khả năng hiểu sâu hơn bằng cách đồng thời dự đoán lớp của đối tượng (ví dụ: "người", "xe hơi", "chó") và vị trí không gian của nó. Vị trí này thường được thể hiện bằng một bounding box hình chữ nhật bao quanh đối tượng, đi kèm với confidence score cho biết mức độ chắc chắn của mô hình. Khả năng kép này—nhận diện và định vị—đóng vai trò là nền tảng cảm quan cho các ứng dụng Artificial Intelligence (AI) hiện đại, cho phép máy móc tương tác có ý nghĩa với môi trường xung quanh.

Link to this sectionCơ chế phát hiện#

Các bộ dò hiện đại dựa nhiều vào các kiến trúc Deep Learning (DL), đặc biệt là Convolutional Neural Networks (CNNs), để trích xuất các đặc trưng phức tạp từ hình ảnh đầu vào. Quy trình bắt đầu với training phase, nơi mô hình học cách nhận diện các mô hình mẫu bằng cách sử dụng các bộ dữ liệu khổng lồ, đã được gán nhãn như COCO dataset. Trong giai đoạn này, thuật toán tối ưu hóa model weights để giảm thiểu sai số dự đoán.

Khi mô hình được triển khai để inference, nó sẽ quét các hình ảnh mới để đề xuất các đối tượng tiềm năng. Các thuật toán tiên tiến sau đó áp dụng Non-Maximum Suppression (NMS) để lọc bỏ các kết quả phát hiện trùng lặp, đảm bảo rằng mỗi thực thể riêng biệt chỉ được đánh dấu một lần. Độ chính xác của các dự đoán này thường được đánh giá bằng chỉ số Intersection over Union (IoU), dùng để đo lường mức độ chồng lấp giữa hộp được dự đoán và dữ liệu thực tế (ground truth). Những tiến bộ gần đây đã dẫn đến các kiến trúc end-to-end như YOLO26, giúp tối ưu hóa quy trình này để đạt được tốc độ vượt trội và khả năng real-time inference trên các thiết bị biên.

Link to this sectionPhân biệt các thuật ngữ chính#

Việc phân biệt phát hiện đối tượng với các khái niệm liên quan là rất quan trọng để chọn công cụ phù hợp cho dự án:

• Phát hiện đối tượng so với Phân loại hình ảnh: Trong khi image classification trả lời câu hỏi "Có gì trong hình ảnh này?", thì phát hiện đối tượng trả lời "Cái gì nằm ở đâu?".
• Phát hiện đối tượng so với Phân đoạn thực thể: Phát hiện đối tượng vẽ một hộp xung quanh một mục tiêu. Ngược lại, instance segmentation xác định chính xác đường viền hoàn hảo tới từng pixel (mặt nạ/mask) của mỗi đối tượng.
• Phát hiện đối tượng so với Theo dõi đối tượng: Phát hiện tìm thấy các đối tượng trong một khung hình duy nhất. Object tracking kết nối các kết quả phát hiện này xuyên suốt một chuỗi video để giám sát chuyển động theo thời gian.

Link to this sectionCác ứng dụng trong thực tế#

Tính linh hoạt của phát hiện đối tượng thúc đẩy sự đổi mới trong các ngành công nghiệp lớn. Trong lĩnh vực ô tô, AI in autonomous vehicles phụ thuộc mật thiết vào các mô hình phát hiện để nhận diện người đi bộ, biển báo giao thông và các phương tiện khác ngay lập tức nhằm điều hướng an toàn. Bằng cách xử lý các luồng video từ camera trên xe, các hệ thống này đưa ra quyết định trong tích tắc để ngăn ngừa tai nạn.

Một trường hợp sử dụng nổi bật khác được tìm thấy trong AI in Retail. Các hệ thống thanh toán tự động và robot quản lý kho hàng thông minh sử dụng phát hiện đối tượng để quét kệ hàng, nhận diện sản phẩm và phát hiện tình trạng thiếu hụt hàng hóa hoặc hàng bị đặt nhầm chỗ. Sự tự động hóa này giúp hợp lý hóa chuỗi cung ứng và cải thiện trải nghiệm khách hàng bằng cách đảm bảo sản phẩm luôn sẵn có.

Link to this sectionTriển khai phát hiện đối tượng#

Các nhà phát triển có thể dễ dàng triển khai quy trình phát hiện bằng cách sử dụng gói Python ultralytics. Ví dụ sau đây minh họa cách tải một mô hình YOLO26 được huấn luyện sẵn và thực hiện inference 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 đội ngũ muốn mở rộng quy mô hoạt động, Ultralytics Platform cung cấp một môi trường toàn diện để gán nhãn dữ liệu, huấn luyện các mô hình tùy chỉnh trên đám mây và triển khai chúng sang các định dạng khác nhau như ONNX hoặc TensorRT. Việc tận dụng các nền tảng như vậy giúp đơn giản hóa vòng đời MLOps, cho phép các kỹ sư tập trung vào việc tinh chỉnh các ứng dụng của họ thay vì quản lý cơ sở hạ tầng.