One-Stage Object Detectors

Trình phát hiện đối tượng một giai đoạn là một lớp kiến trúc deep learning mạnh mẽ được thiết kế để thực hiện các tác vụ object detection với tốc độ và hiệu quả đặc biệt. Không giống như các two-stage object detectors truyền thống, vốn chia quá trình phát hiện thành các bước riêng biệt cho việc đề xuất vùng và phân loại tiếp theo, các mô hình một giai đoạn phân tích toàn bộ hình ảnh chỉ trong một lần chạy. Bằng cách định khung quá trình phát hiện như một bài toán hồi quy trực tiếp, các mạng này đồng thời dự đoán tọa độ bounding box và xác suất lớp trực tiếp từ các pixel đầu vào. Cách tiếp cận được hợp lý hóa này làm giảm đáng kể chi phí tính toán, khiến trình phát hiện một giai đoạn trở thành lựa chọn ưu tiên cho các ứng dụng yêu cầu real-time inference và triển khai trên các thiết bị edge AI bị hạn chế tài nguyên.

Nguyên lý hoạt động cốt lõi#

Kiến trúc của một trình phát hiện một giai đoạn thường tập trung xung quanh một convolutional neural network (CNN) đóng vai trò là backbone để feature extraction. Khi một hình ảnh đi qua mạng, mô hình tạo ra một lưới các bản đồ đặc trưng mã hóa thông tin không gian và ngữ nghĩa.

Các triển khai ban đầu, chẳng hạn như Single Shot MultiBox Detector (SSD), dựa vào các anchor boxes được xác định trước ở các tỷ lệ khác nhau để định vị các đối tượng. Tuy nhiên, các tiến bộ hiện đại như Ultralytics YOLO11 và YOLO26 tiên tiến nhất đã chuyển dịch phần lớn sang các thiết kế anchor-free. Các kiến trúc mới hơn này dự đoán trực tiếp tâm và kích thước đối tượng, loại bỏ nhu cầu điều chỉnh siêu tham số phức tạp liên quan đến các anchor. Đầu cuối cùng bao gồm các vectơ tọa độ để định vị và điểm số confidence thể hiện mức độ chắc chắn của mô hình về đối tượng được phát hiện.

So sánh bộ phát hiện một giai đoạn và hai giai đoạn#

Việc phân biệt giữa hai danh mục chính này giúp ích cho việc chọn công cụ phù hợp cho một tác vụ cụ thể:

• One-Stage Object Detectors: Các mô hình như dòng Ultralytics YOLO ưu tiên độ trễ suy luận thấp (inference latency). Chúng được tối ưu hóa cho tốc độ, khiến chúng trở nên lý tưởng cho các luồng video và ứng dụng di động. Các phiên bản gần đây đã thu hẹp đáng kể khoảng cách độ chính xác, thường sánh ngang hoặc vượt quá độ chính xác của các mô hình chậm hơn trong khi vẫn duy trì hiệu suất thời gian thực.
• Two-Stage Object Detectors: Các kiến trúc như R-CNN family trước tiên tạo ra các đề xuất vùng và sau đó phân loại chúng. Mặc dù mang lại độ chính xác cao hơn về mặt lịch sử đối với các đối tượng nhỏ hoặc bị che khuất, chúng phát sinh chi phí tính toán cao hơn và thường chậm hơn, hạn chế việc sử dụng chúng trong các tình huống nhạy cảm về thời gian.

Các ứng dụng trong thực tế#

Hiệu suất của các bộ phát hiện một giai đoạn đã thúc đẩy sự áp dụng rộng rãi của chúng trên nhiều ngành công nghiệp khác nhau, nơi khả năng phản hồi tức thời là rất quan trọng:

• Autonomous Vehicles: Xe tự lái yêu cầu xử lý tức thì các luồng video để xác định người đi bộ, biển báo giao thông và các phương tiện khác. Các công ty dẫn đầu trong lĩnh vực này phụ thuộc vào các hệ thống thị giác tốc độ cao để điều hướng các môi trường phức tạp một cách an toàn, thường tận dụng tính năng object tracking bên cạnh việc phát hiện.
• Smart Manufacturing: Trên các dây chuyền lắp ráp tốc độ cao, các mô hình này thực hiện kiểm soát chất lượng tự động bằng cách phát hiện lỗi hoặc xác minh vị trí linh kiện trong thời gian thực. Điều này đảm bảo hiệu quả sản xuất không có điểm nghẽn, thường được tích hợp thông qua Ultralytics Platform để dễ dàng triển khai.
• Edge AI and IoT: Bản chất nhẹ của chúng làm cho trình phát hiện một giai đoạn trở nên hoàn hảo cho các thiết bị IoT như Raspberry Pi hoặc NVIDIA Jetson, mang lại trí thông minh nâng cao cho các camera từ xa và máydrone mà không cần kết nối đám mây liên tục.

Triển khai kỹ thuật với Python#

Việc triển khai trình phát hiện một giai đoạn rất đơn giản bằng cách sử dụng các API cấp cao hiện đại. Để đảm bảo kết quả chính xác, các mô hình thường dự đoán nhiều hộp tiềm năng, sau đó được lọc bằng các kỹ thuật như Non-Maximum Suppression (NMS) dựa trên các ngưỡng Intersection over Union (IoU), mặc dù các mô hình đầu cuối mới hơn như YOLO26 xử lý việc này một cách nguyên bản.

Ví dụ bằng Python sau đây minh họa cách tải mô hình YOLO26 tiên tiến nhất và thực hiện suy luận trên một hình ảnh:

from ultralytics import YOLO

# Load the YOLO26 model, the latest natively end-to-end one-stage detector
model = YOLO("yolo26n.pt")

# Run inference on an image URL to detect objects
results = model("https://ultralytics.com/images/bus.jpg")

# Display the first result with bounding boxes and labels
results[0].show()

Ưu điểm của các kiến trúc một giai đoạn hiện đại#

Sự tiến hóa của các trình phát hiện một giai đoạn tập trung vào việc khắc phục sự đánh đổi giữa "độ chính xác và tốc độ". Các kỹ thuật như Focal Loss đã được giới thiệu để giải quyết sự mất cân bằng lớp trong quá trình huấn luyện, đảm bảo rằng mô hình tập trung vào các ví dụ khó phân loại thay vì nền phong phú. Hơn nữa, việc tích hợp Feature Pyramid Networks (FPN) cho phép các mô hình này phát hiện các đối tượng ở các tỷ lệ khác nhau một cách hiệu quả.

Ngày nay, các nhà nghiên cứu và nhà phát triển có thể dễ dàng huấn luyện các kiến trúc tiên tiến này trên các tập dữ liệu tùy chỉnh bằng các công cụ như Ultralytics Platform, giúp đơn giản hóa quy trình làm việc từ data annotation đến triển khai mô hình. Dù là cho agriculture hay healthcare, khả năng tiếp cận của các trình phát hiện một giai đoạn đang dân chủ hóa các tính năng thị giác máy tính mạnh mẽ.