Object Detection Architectures

Các kiến trúc phát hiện đối tượng là bản thiết kế cấu trúc của các mạng neural được sử dụng để nhận dạng và định vị các mục bên trong dữ liệu trực quan. Trong lĩnh vực rộng lớn hơn của computer vision (CV), các kiến trúc này xác định cách một cỗ máy "nhìn" bằng cách xử lý dữ liệu pixel thô thành các thông tin chi tiết có ý nghĩa. Không giống như các mô hình phân loại cơ bản chỉ đơn giản gắn nhãn cho một hình ảnh, kiến trúc phát hiện đối tượng được thiết kế để xuất ra một bounding box kèm theo nhãn lớp và confidence score cho mọi đối tượng riêng biệt mà nó tìm thấy. Thiết kế cấu trúc này quyết định tốc độ, độ chính xác và hiệu quả tính toán của mô hình, biến nó thành yếu tố quan trọng khi lựa chọn mô hình cho real-time inference hoặc phân tích độ chính xác cao.

Các thành phần cốt lõi của một kiến trúc#

Mặc dù các thiết kế cụ thể có thể khác nhau, hầu hết các kiến trúc hiện đại đều có ba thành phần cơ bản: backbone, neck và head. backbone đóng vai trò là bộ trích xuất đặc trưng chính. Nó thường là một Convolutional Neural Network (CNN) được huấn luyện trước trên một tập dữ liệu lớn như ImageNet, chịu trách nhiệm nhận dạng các hình dạng, cạnh và kết cấu cơ bản. Các lựa chọn phổ biến cho backbone bao gồm ResNet và CSPDarknet.

Phần neck kết nối backbone với các lớp đầu ra cuối cùng. Vai trò của nó là trộn và kết hợp các đặc trưng từ các giai đoạn khác nhau của backbone để đảm bảo mô hình có thể phát hiện các đối tượng với nhiều kích thước khác nhau—một khái niệm được gọi là hợp nhất đặc trưng đa tỷ lệ. Các kiến trúc thường tận dụng Feature Pyramid Network (FPN) hoặc Path Aggregation Network (PANet) ở đây để làm phong phú thêm thông tin ngữ nghĩa được truyền tới các lớp dự đoán. Cuối cùng, detection head xử lý các đặc trưng đã hợp nhất này để dự đoán lớp cụ thể và vị trí tọa độ của từng đối tượng.

Sự tiến hóa: Hai giai đoạn so với một giai đoạn#

Về mặt lịch sử, các kiến trúc được chia thành hai danh mục chính. Two-stage detectors, chẳng hạn như R-CNN family, trước tiên đề xuất các vùng quan tâm (RoIs) nơi các đối tượng có thể tồn tại và sau đó phân loại các vùng đó trong bước thứ hai. Mặc dù thường chính xác, chúng thường quá nặng về mặt tính toán đối với các thiết bị biên.

Ngược lại, one-stage detectors coi việc phát hiện là một bài toán hồi quy đơn giản, ánh xạ trực tiếp các pixel hình ảnh tới tọa độ bounding box và xác suất lớp trong một lần chạy duy nhất. Tiếp cận này, được tiên phong bởi dòng YOLO (You Only Look Once), đã cách mạng hóa ngành công nghiệp bằng cách cho phép hiệu suất theo thời gian thực. Các tiến bộ hiện đại đã đạt đến đỉnh cao với các mô hình như YOLO26, không chỉ cung cấp tốc độ vượt trội mà còn áp dụng các kiến trúc đầu cuối không dùng NMS. Bằng cách loại bỏ nhu cầu xử lý hậu kỳ Non-Maximum Suppression (NMS), các kiến trúc mới hơn này làm giảm độ biến động độ trễ, điều rất quan trọng đối với các hệ thống an toàn quan trọng.

Các ứng dụng trong thực tế#

Việc lựa chọn kiến trúc ảnh hưởng trực tiếp đến sự thành công của các giải pháp AI trên toàn ngành.

• Tự động hóa bán lẻ: Trong smart supermarkets, các kiến trúc một giai đoạn hiệu quả cho phép các hệ thống thanh toán tự động nhận diện ngay lập tức các sản phẩm trên băng chuyền hoặc trong giỏ hàng, giảm thời gian chờ đợi và sai sót của con người.
• Chẩn đoán y tế: Các kiến trúc độ chính xác cao được sử dụng trong medical image analysis để phát hiện các bất thường như khối u trong ảnh X-quang hoặc quét MRI. Tại đây, khả năng giữ lại các chi tiết tinh tế của kiến trúc quan trọng hơn tốc độ xử lý thô.

Phân biệt các thuật ngữ liên quan#

Điều quan trọng là phải phân biệt các kiến trúc phát hiện với các tác vụ thị giác máy tính tương tự:

• vs. Phân loại hình ảnh: Một kiến trúc image classification (như VGG hoặc EfficientNet) gán một nhãn duy nhất cho toàn bộ hình ảnh (ví dụ: "mèo"). Nó không cho bạn biết con mèo ở đâu hoặc liệu có nhiều con mèo hay không, đó là chức năng chính của các kiến trúc phát hiện.
• vs. Phân đoạn thực thể: Trong khi việc phát hiện đặt một khung xung quanh đối tượng, instance segmentation xác định đường viền (mặt nạ) hoàn hảo đến từng pixel chính xác của mỗi đối tượng. Các kiến trúc phân đoạn thường là phần mở rộng của các kiến trúc phát hiện (ví dụ: thêm một nhánh mặt nạ vào detection head).

Triển khai với Ultralytics#

Các framework hiện đại đã trừu tượng hóa sự phức tạp của các kiến trúc này, cho phép các lập trình viên tận dụng các thiết kế tối tân với lượng mã tối thiểu. Sử dụng gói ultralytics, bạn có thể tải một mô hình YOLO26 đã được huấn luyện trước và chạy suy luận ngay lập tức. Đối với các nhóm muốn quản lý tập dữ liệu của họ và huấn luyện các kiến trúc tùy chỉnh trên đám mây, Ultralytics Platform đơn giản hóa toàn bộ đường ống MLOps.

from ultralytics import YOLO

# Load the YOLO26n model (nano version for speed)
model = YOLO("yolo26n.pt")

# Run inference on an image source
# This uses the model's architecture to detect objects
results = model("https://ultralytics.com/images/bus.jpg")

# Display the results
results[0].show()