One-Stage Object Detectors

Bộ phát hiện đối tượng một giai đoạn là một lớp kiến trúc học sâu mạnh mẽ, được thiết kế để thực hiện các tác vụ phát hiện đối tượng với tốc độ và hiệu suất vượt trội. Không giống các bộ phát hiện đối tượng hai giai đoạn truyền thống, vốn chia quy trình phát hiện thành các bước riêng biệt để đề xuất vùng và phân loại tiếp theo, các model một giai đoạn phân tích toàn bộ hình ảnh trong một lượt duy nhất. Bằng cách biểu diễn quá trình phát hiện như một bài toán hồi quy trực tiếp, các mạng này đồng thời dự đoán tọa độ hộp giới hạn và xác suất lớp trực tiếp từ các pixel đầu vào. Cách tiếp cận tinh gọn này làm giảm đáng kể chi phí tính toán, khiến các bộ phát hiện một giai đoạn trở thành lựa chọn ưu tiên cho những ứng dụng yêu cầu suy luận thời gian thực và triển khai trên các thiết bị AI biên có tài nguyên hạn chế.

Nguyên lý vận hành cốt lõi#

Kiến trúc của một bộ phát hiện một giai đoạn thường xoay quanh một mạng nơ-ron tích chập (CNN), đóng vai trò là backbone để trích xuất đặc trưng. Khi hình ảnh đi qua mạng, model tạo ra một lưới các feature map mã hóa thông tin không gian và ngữ nghĩa.

Các triển khai ban đầu, chẳng hạn như Bộ phát hiện đa hộp một lần (SSD), dựa vào các anchor box được xác định trước ở nhiều tỷ lệ khác nhau để định vị đối tượng. Tuy nhiên, những tiến bộ hiện đại như Ultralytics YOLO11 và YOLO26 tiên tiến nhất hiện nay phần lớn đã chuyển sang các thiết kế không anchor. Những kiến trúc mới hơn này dự đoán trực tiếp tâm và kích thước đối tượng, loại bỏ nhu cầu tinh chỉnh hyperparameter phức tạp liên quan đến anchor. Đầu ra cuối cùng bao gồm các vector tọa độ để định vị và điểm độ tin cậy, biểu thị mức độ chắc chắn của model về đối tượng được phát hiện.

Bộ phát hiện một giai đoạn và hai giai đoạn#

Việc phân biệt giữa hai nhóm chính này giúp lựa chọn công cụ phù hợp cho từng tác vụ cụ thể:

• Bộ phát hiện đối tượng một giai đoạn: Các model như dòng Ultralytics YOLO ưu tiên độ trễ suy luận thấp. Chúng được tối ưu hóa về tốc độ, phù hợp với các luồng video và ứng dụng di động. Các phiên bản gần đây đã thu hẹp đáng kể khoảng cách về độ chính xác, thường đạt hoặc vượt độ chính xác của các model chậm hơn trong khi vẫn duy trì hiệu năng thời gian thực.
• Bộ phát hiện đối tượng hai giai đoạn: Các kiến trúc như họ R-CNN trước tiên tạo ra các đề xuất vùng rồi phân loại chúng. Mặc dù trước đây thường cung cấp độ chính xác cao hơn cho các đối tượng nhỏ hoặc bị che khuất, chúng phát sinh chi phí tính toán lớn hơn và thường chậm hơn, hạn chế việc sử dụng trong các kịch bản nhạy cảm về thời gian.

Các ứng dụng trong thực tế#

Hiệu suất của các bộ phát hiện một giai đoạn đã thúc đẩy việc áp dụng rộng rãi chúng trong nhiều ngành khác nhau, nơi khả năng phản hồi tức thì là yếu tố then chốt:

• Xe tự hành: Xe tự lái cần xử lý ngay lập tức các luồng video để nhận diện người đi bộ, biển báo giao thông và các phương tiện khác. Những đơn vị dẫn đầu trong lĩnh vực này phụ thuộc vào các hệ thống thị giác tốc độ cao để điều hướng an toàn trong môi trường phức tạp, thường sử dụng theo dõi đối tượng song song với phát hiện.
• Sản xuất thông minh: Trên các dây chuyền lắp ráp tốc độ cao, những model này thực hiện kiểm soát chất lượng tự động bằng cách phát hiện lỗi hoặc xác minh vị trí linh kiện theo thời gian thực. Điều này đảm bảo hiệu suất sản xuất mà không tạo ra điểm nghẽn, thường được tích hợp thông qua Ultralytics Platform để triển khai dễ dàng.
• AI biên và IoT: Tính chất nhẹ của chúng khiến các bộ phát hiện một giai đoạn trở nên lý tưởng cho các thiết bị IoT như Raspberry Pi hoặc NVIDIA Jetson, mang khả năng thông minh tiên tiến đến các camera và drone ở khu vực từ xa mà không cần kết nối cloud liên tục.

Triển khai kỹ thuật với Python#

Việc triển khai một bộ phát hiện một giai đoạn rất đơn giản khi sử dụng các API high-level hiện đại. Để đảm bảo kết quả chính xác, các model thường dự đoán nhiều hộp tiềm năng, sau đó lọc chúng bằng các kỹ thuật như Ức chế không cực đại (NMS) dựa trên các ngưỡng Giao trên hợp (IoU), mặc dù các model end-to-end mới hơn như Ultralytics YOLO26 đã xử lý việc này một cách native.

Ví dụ Python sau đây minh họa cách tải model YOLO26 tiên tiến nhất hiện nay 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 phát triển của các bộ 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 được giới thiệu để giải quyết tình trạng mất cân bằng lớp trong quá trình huấn luyện, đảm bảo model tập trung vào các ví dụ khó phân loại thay vì phần nền chiếm số lượng lớn. Ngoài ra, việc tích hợp Mạng kim tự tháp đặc trưng (FPN) cho phép các model này phát hiện hiệu quả các đối tượng ở nhiều tỷ lệ khác nhau.

Ngày nay, các nhà nghiên cứu và developer có thể dễ dàng huấn luyện những kiến trúc tiên tiến này trên các dataset tùy chỉnh bằng các công cụ như Ultralytics Platform, giúp đơn giản hóa quy trình từ gán nhãn dữ liệu đến triển khai model. Dù được sử dụng trong nông nghiệp hay chăm sóc sức khỏe, tính dễ tiếp cận của các bộ phát hiện một giai đoạn đang dân chủ hóa những khả năng mạnh mẽ của thị giác máy tính.