Two-Stage Object Detectors

Two-stage object detectors là một lớp kiến trúc deep learning (DL) phức tạp được sử dụng trong computer vision để nhận diện và định vị các đối tượng trong một hình ảnh. Không giống như các mô hình one-stage tương đương, vốn thực hiện việc detection trong một lần chạy đơn lẻ, các mô hình này chia tác vụ thành hai giai đoạn riêng biệt: đề xuất vùng (region proposal) và phân loại đối tượng (object classification). Cách tiếp cận phân đôi này được tiên phong nhằm ưu tiên độ chính xác định vị cao, làm cho các detector này có ý nghĩa lịch sử quan trọng trong sự tiến hóa của artificial intelligence (AI). Bằng cách tách biệt "ở đâu" khỏi "cái gì", các two-stage detector thường đạt được độ chính xác vượt trội, đặc biệt là trên các đối tượng nhỏ hoặc bị che khuất, mặc dù điều này thường đi đánh đổi với việc tăng tài nguyên tính toán và inference latency chậm hơn.

Quy trình hai giai đoạn#

Kiến trúc của một trình phát hiện hai giai đoạn dựa trên quy trình làm việc tuần tự, mô phỏng cách con người có thể quan sát kỹ lưỡng một khung cảnh.

1. Region Proposal: Ở giai đoạn đầu tiên, mô hình quét hình ảnh đầu vào để xác định các khu vực tiềm năng nơi các đối tượng có thể tồn tại. Một thành phần được gọi là Region Proposal Network (RPN) tạo ra một tập hợp thưa thớt các hộp ứng viên, thường được gọi là Regions of Interest (RoIs). Giai đoạn này lọc bỏ phần lớn background, cho phép mạng lưới tập trung năng lực xử lý vào các khu vực có liên quan.

2. Classification and Refinement: Ở giai đoạn thứ hai, mô hình trích xuất các tính năng từ các vùng ứng viên này bằng cách sử dụng Convolutional Neural Networks (CNNs). Sau đó, nó gán nhãn lớp cụ thể (ví dụ: "person," "vehicle") cho mỗi vùng và tinh chỉnh tọa độ của bounding box để ôm sát đối tượng.

Các ví dụ nổi bật về kiến trúc này bao gồm họ R-CNN, cụ thể là Faster R-CNN và Mask R-CNN, vốn đã thiết lập tiêu chuẩn cho các benchmark học thuật trong vài năm.

So sánh với các trình phát hiện một giai đoạn#

Việc phân biệt các mô hình two-stage với one-stage object detectors như Single Shot MultiBox Detector (SSD) và dòng Ultralytics YOLO là rất hữu ích. Trong khi các mô hình two-stage ưu tiên accuracy bằng cách xử lý các vùng một cách riêng biệt, các mô hình one-stage đóng khung detection thành một bài toán hồi quy đơn lẻ, ánh xạ các điểm ảnh hình ảnh trực tiếp tới tọa độ bounding box và xác suất lớp.

Về mặt lịch sử, điều này tạo ra một sự đánh đổi: các mô hình two-stage chính xác hơn nhưng chậm hơn, trong khi các mô hình one-stage nhanh hơn nhưng ít chính xác hơn. Tuy nhiên, các tiến bộ hiện đại đã làm mờ ranh giới này. Các mô hình state-of-the-art như YOLO26 hiện sử dụng các kiến trúc end-to-end cạnh tranh với độ chính xác của các two-stage detector trong khi vẫn duy trì tốc độ cần thiết cho real-time inference.

Các ứng dụng trong thực tế#

Do việc nhấn mạnh vào precision và recall, two-stage detectors thường được ưu tiên trong các kịch bản mà an toàn và chi tiết quan trọng hơn tốc độ xử lý thô.

• Medical Diagnostic Imaging: Trong lĩnh vực AI in healthcare, việc bỏ sót chẩn đoán có thể rất nghiêm trọng. Các kiến trúc two-stage thường xuyên được sử dụng trong medical image analysis để phát hiện các bất thường như khối u trong phim X-quang hoặc quét MRI. Quy trình nhiều bước giúp đảm bảo rằng các tổn thương nhỏ không bị bỏ qua trước các background mô phức tạp, cung cấp cho các bác sĩ X-quang sự hỗ trợ tự động có độ tin cậy cao.
• High-Precision Industrial Inspection: Trong smart manufacturing, các hệ thống kiểm tra trực quan tự động sử dụng các mô hình này để xác định các lỗi vi mô trên dây chuyền lắp ráp. Ví dụ, phát hiện một vết nứt chân tóc trên cánh tuabin đòi hỏi độ chính xác Intersection over Union (IoU) cao mà các two-stage detector cung cấp, đảm bảo rằng chỉ những thành phần không lỗi mới chuyển sang giai đoạn sản xuất tiếp theo.

Triển khai phát hiện hiện đại#

Trong khi two-stage detectors đặt nền móng cho thị giác có độ chính xác cao, các lập trình viên hiện đại thường sử dụng các mô hình one-stage nâng cao mang lại hiệu suất tương đương với quy trình triển khai đơn giản hơn đáng kể. Ultralytics Platform đơn giản hóa việc training và triển khai các mô hình này, quản lý dataset và tài nguyên tính toán một cách hiệu quả.

Ví dụ Python sau đây minh họa cách tải và chạy inference bằng cách sử dụng quy trình object detection hiện đại với ultralytics, đạt được kết quả độ chính xác cao tương tự như các phương pháp two-stage truyền thống nhưng với hiệu suất lớn hơn:

from ultralytics import YOLO

# Load the YOLO26 model, a modern high-accuracy detector
model = YOLO("yolo26n.pt")

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

# Process results (bounding boxes, classes, and confidence scores)
for result in results:
    result.show()  # Display the detection outcomes
    print(result.boxes.conf)  # Print confidence scores