Kiến trúc phát hiện đối tượng

Các kiến trúc phát hiện đối tượng là bản thiết kế nền tảng cho các mô hình học sâu (deep learning) thực hiện phát hiện đối tượng (object detection). Tác vụ thị giác máy tính (CV) này bao gồm xác định sự hiện diện và vị trí của các đối tượng trong một hình ảnh hoặc video, thường bằng cách vẽ một khung giới hạn (bounding box) xung quanh chúng và gán nhãn lớp. Kiến trúc xác định cấu trúc của mô hình, bao gồm cách nó xử lý thông tin trực quan và đưa ra dự đoán. Việc lựa chọn kiến trúc là rất quan trọng vì nó ảnh hưởng trực tiếp đến tốc độ, độ chính xác và yêu cầu tính toán của mô hình.

Cách thức hoạt động của các kiến trúc phát hiện đối tượng (Object Detection)

Hầu hết các kiến trúc phát hiện đối tượng hiện đại bao gồm ba thành phần chính hoạt động tuần tự:

• Backbone: Đây là một mạng nơ-ron tích chập (CNN), thường được huấn luyện trước trên một bộ dữ liệu phân loại hình ảnh lớn như ImageNet. Vai trò chính của nó là hoạt động như một bộ trích xuất đặc trưng, chuyển đổi hình ảnh đầu vào thành một loạt bản đồ đặc trưng nắm bắt thông tin trực quan phân cấp. Các mạng backbone phổ biến bao gồm ResNet và CSPDarknet, được sử dụng trong nhiều mô hình YOLO. Bạn có thể tìm hiểu thêm về các nguyên tắc cơ bản của CNN từ các nguồn như tổng quan chi tiết của IBM.
• Neck (Cổ): Thành phần tùy chọn này nằm giữa backbone (xương sống) và head (đầu). Nó có chức năng tổng hợp và tinh chỉnh các feature map (bản đồ đặc trưng) được tạo ra bởi backbone, thường kết hợp các đặc trưng từ các tỷ lệ khác nhau để cải thiện khả năng phát hiện các đối tượng có kích thước khác nhau. Ví dụ: Feature Pyramid Networks (FPNs).
• Đầu dò (Detection Head): Đầu dò là thành phần cuối cùng chịu trách nhiệm đưa ra các dự đoán. Nó lấy các bản đồ đặc trưng đã được xử lý từ cổ (neck) (hoặc trực tiếp từ xương sống (backbone)) và xuất ra xác suất lớp và tọa độ hộp giới hạn cho mỗi đối tượng được phát hiện.

Các loại kiến trúc

Các kiến trúc phát hiện đối tượng thường được phân loại dựa trên phương pháp dự đoán, dẫn đến sự đánh đổi giữa tốc độ và độ chính xác. Bạn có thể khám phá chi tiết so sánh các mô hình để thấy rõ những sự đánh đổi này.

• Các bộ phát hiện đối tượng hai giai đoạn: Các mô hình này, chẳng hạn như họ R-CNN, trước tiên xác định một tập hợp các vùng đối tượng tiềm năng (đề xuất vùng) và sau đó phân loại từng vùng. Quá trình hai bước này có thể đạt được độ chính xác cao nhưng thường chậm hơn.
• Các Mô Hình Phát Hiện Đối Tượng Một Giai Đoạn (One-Stage Object Detectors): Các kiến trúc như họ Ultralytics YOLO (You Only Look Once) coi phát hiện đối tượng như một bài toán hồi quy đơn lẻ. Chúng dự đoán các hộp giới hạn (bounding box) và xác suất lớp trực tiếp từ toàn bộ hình ảnh trong một lần duy nhất, cho phép suy luận theo thời gian thực (real-time inference).
• Bộ dò tìm không neo: Một sự phát triển gần đây hơn trong các bộ dò tìm một giai đoạn, các kiến trúc không neo như Ultralytics YOLO11 loại bỏ nhu cầu về các hộp neo được xác định trước. Điều này đơn giản hóa quá trình huấn luyện và thường dẫn đến các mô hình nhanh hơn, hiệu quả hơn.

Các Ứng dụng Thực tế

Kiến trúc phát hiện đối tượng cung cấp sức mạnh cho vô số ứng dụng AI trong nhiều lĩnh vực khác nhau:

• Xe tự hành: Cần thiết cho xe tự lái để nhận biết môi trường xung quanh bằng cách phát hiện người đi bộ, các phương tiện khác, biển báo giao thông và vạch kẻ đường. Các công ty như Waymo phụ thuộc rất nhiều vào khả năng phát hiện đối tượng phức tạp. Đọc thêm về AI trong xe tự lái.
• An ninh và Giám sát: Được sử dụng trong hệ thống an ninh để phát hiện truy cập trái phép, giám sát đám đông để tìm hoạt động bất thường hoặc triển khai nhận dạng khuôn mặt. Xem Hướng dẫn về Hệ thống Báo động An ninh Ultralytics để có một ví dụ thực tế.
• Phân Tích Hình Ảnh Y Tế (Medical Image Analysis): Hỗ trợ các bác sĩ радиолог trong việc phát hiện các bất thường như khối u hoặc gãy xương trong ảnh chụp X-quang, CT và MRI. Khám phá các giải pháp AI trong Chăm sóc Sức khỏe và các ứng dụng cụ thể như phát hiện khối u bằng YOLO11.
• Phân tích bán lẻ: Cho phép các ứng dụng như thanh toán tự động, giám sát kệ hàng và AI để quản lý hàng tồn kho.

Công Cụ và Công nghệ

Phát triển và triển khai các mô hình dựa trên các kiến trúc này thường liên quan đến các công cụ và framework chuyên dụng:

• Framework học sâu: Các thư viện như PyTorch (truy cập trang web PyTorch chính thức) và TensorFlow (xem trang web TensorFlow) cung cấp các khối xây dựng cốt lõi.
• Thư viện thị giác máy tính: OpenCV (trang web chính thức: OpenCV.org) cung cấp một loạt các chức năng để xử lý và thao tác ảnh.
• Các mô hình và Nền tảng: Ultralytics cung cấp các mô hình Ultralytics YOLO hiện đại và nền tảng Ultralytics HUB, đơn giản hóa quy trình huấn luyện các mô hình tùy chỉnh, quản lý tập dữ liệu (như COCO) và triển khai các giải pháp.
• Mã nguồn mở: Nhiều kiến trúc và công cụ phát hiện đối tượng được phát triển theo giấy phép mã nguồn mở, thúc đẩy sự hợp tác và đổi mới trong cộng đồng AI. Các tài nguyên như GitHub lưu trữ nhiều dự án trong lĩnh vực này.