Object Re-identification (Re-ID)

Nhận dạng lại đối tượng (Re-ID) là một tác vụ chuyên biệt trong computer vision (CV) được thiết kế để khớp một đối tượng hoặc cá nhân cụ thể giữa các góc nhìn camera không chồng lấp hoặc trong những khoảng thời gian dài. Trong khi object detection tiêu chuẩn tập trung vào việc nhận diện lớp của thực thể—xác định rằng một hình ảnh chứa "người" hoặc "xe"—Re-ID tiến thêm một bước bằng cách xác định đó là người hoặc xe cụ thể nào dựa trên ngoại hình trực quan. Khả năng này rất cần thiết để tạo ra một câu chuyện liền mạch về chuyển động trong các môi trường quy mô lớn, nơi một camera đơn lẻ không thể bao phủ toàn bộ khu vực, giúp kết nối các quan sát trực quan biệt lập một cách hiệu quả.

Link to this sectionCách thức hoạt động của Re-Identification#

Thách thức cốt lõi của Re-ID là duy trì tính nhất quán của danh tính bất chấp những thay đổi về ánh sáng, góc camera, tư thế và sự lộn xộn của nền. Để đạt được điều này, hệ thống thường sử dụng một pipeline đa bước bao gồm các mạng thần kinh sâu.

• Trích xuất đặc trưng (Feature Extraction): Khi một đối tượng được phát hiện, một convolutional neural network (CNN) sẽ phân tích phần ảnh được cắt để tạo ra một vectơ đặc trưng, thường được gọi là embedding. Vectơ này là một biểu diễn số dày đặc về các đặc điểm trực quan độc đáo của đối tượng, chẳng hạn như kết cấu quần áo hoặc màu sắc phương tiện.
• Metric Learning: Các model nền tảng được huấn luyện bằng các kỹ thuật metric learning. Mục tiêu là đảm bảo rằng các embedding của cùng một đối tượng nằm gần nhau về mặt toán học trong không gian vectơ, trong khi embedding của các đối tượng khác nhau được đẩy ra xa nhau. Các kiến trúc chuyên biệt như Siamese neural networks thường được sử dụng để học các mối quan hệ này.
• Khớp độ tương đồng (Similarity Matching): Trong quá trình triển khai, hệ thống so sánh embedding của đối tượng truy vấn với một thư viện các danh tính đã lưu trữ. Việc so sánh này thường bao gồm tính toán cosine similarity hoặc Euclidean distance. Nếu điểm số tương đồng vượt qua ngưỡng đã xác định trước, hệ thống sẽ xác nhận một kết quả khớp.

Link to this sectionRe-ID so với Object Tracking#

Việc phân biệt Re-ID với object tracking là rất quan trọng vì chúng đóng các vai trò bổ sung nhưng riêng biệt trong một pipeline thị giác.

• Object Tracking: Quy trình này dựa vào tính liên tục theo thời gian. Các thuật toán như Kalman Filter dự đoán vị trí tương lai của đối tượng trong khung hình tiếp theo dựa trên vận tốc và quỹ đạo hiện tại. Nó thường sử dụng Intersection over Union (IoU) để liên kết các phát hiện trong các khung hình liền kề.
• Re-Identification: Re-ID rất quan trọng khi tính liên tục theo thời gian bị phá vỡ. Điều này xảy ra trong quá trình che khuất—khi một đối tượng bị ẩn sau một vật cản—hoặc khi một đối tượng rời khỏi trường nhìn của camera này và đi vào camera khác. Re-ID thiết lập lại danh tính dựa trên ngoại hình thay vì lịch sử vị trí, cho phép thực hiện multi-object tracking (MOT) mạnh mẽ.

Link to this sectionCác ứng dụng trong thực tế#

Khả năng duy trì danh tính qua các góc nhìn rời rạc cho phép thực hiện các phân tích phức tạp trong nhiều ngành công nghiệp khác nhau.

• Quản lý giao thông thông minh trong thành phố: Trong bối cảnh AI in smart cities, Re-ID cho phép các hệ thống đô thị theo dõi phương tiện khi nó di chuyển qua mạng lưới các nút giao thông trên toàn thành phố. Điều này hỗ trợ việc tính toán thời gian di chuyển trung bình và tối ưu hóa thời gian đèn tín hiệu giao thông mà không chỉ dựa vào license plate recognition.
• Phân tích khách hàng bán lẻ: Các nhà bán lẻ sử dụng Re-ID để hiểu hành vi của người mua hàng. Bằng cách liên kết các lần xuất hiện của khách hàng giữa các lối đi khác nhau, các cửa hàng có thể tạo ra các heatmaps về các lộ trình phổ biến. Điều này giúp optimizing store layouts và mức độ nhân sự, cung cấp thông tin chi tiết về toàn bộ hành trình của khách hàng thay vì chỉ các tương tác riêng lẻ.

Link to this sectionTriển khai Tracking với các tính năng Re-ID#

Các quy trình AI thị giác hiện đại thường kết hợp các bộ phát hiện hiệu suất cao với các trình theo dõi sử dụng các khái niệm Re-ID. Model YOLO26 có thể được tích hợp liền mạch với các trình theo dõi như BoT-SORT, tận dụng các đặc trưng ngoại hình để duy trì tính nhất quán của dấu vết. Đối với người dùng muốn quản lý dữ liệu và pipeline huấn luyện của họ một cách hiệu quả, Ultralytics Platform cung cấp một giao diện thống nhất cho việc chú thích và triển khai.

Ví dụ sau đây minh họa cách thực hiện object tracking bằng cách sử dụng gói Python của Ultralytics, giúp quản lý tính bền vững của danh tính một cách tự động:

from ultralytics import YOLO

# Load the latest YOLO26 model
model = YOLO("yolo26n.pt")

# Track objects in a video file
# The 'persist=True' argument is vital for maintaining IDs across frames
# BoT-SORT is a tracker that can utilize appearance features for Re-ID
results = model.track(
    source="https://www.ultralytics.com/blog/ultralytics-yolov8-for-speed-estimation-in-computer-vision-projects",
    tracker="botsort.yaml",
    persist=True,
)

# Print the unique ID assigned to the first detected object in the first frame
if results[0].boxes.id is not None:
    print(f"Tracked Object ID: {results[0].boxes.id[0].item()}")

Để đạt hiệu suất mạnh mẽ, việc huấn luyện các model này đòi hỏi training data chất lượng cao. Các kỹ thuật như triplet loss thường được áp dụng trong quá trình huấn luyện các module con chuyên biệt về Re-ID để tinh chỉnh khả năng phân biệt của các embedding. Hiểu được các sắc thái của precision and recall cũng rất quan trọng khi đánh giá mức độ hiệu quả của một hệ thống Re-ID trong việc tránh các kết quả khớp sai.