Hộp giới hạn

Tầm quan trọng trong phát hiện đối tượng

Các hộp giới hạn rất cần thiết cho việc đào tạo và đánh giá các mô hình phát hiện đối tượng. Trong các nhiệm vụ được giải quyết bởi các mô hình như Ultralytics YOLO , các hộp giới hạn đóng vai trò là sự thật cơ bản trong quá trình đào tạo, dạy mô hình cách định vị chính xác các đối tượng. Trong quá trình suy luận, mô hình dự đoán các hộp giới hạn xung quanh các đối tượng được phát hiện. Khả năng định vị này rất quan trọng đối với các ứng dụng không chỉ yêu cầu nhận dạng đối tượng mà còn cả vị trí chính xác của chúng, chẳng hạn như trong các phương tiện tự hành hoặc hệ thống rô bốt. Quá trình này thường bắt đầu bằng chú thích dữ liệu cẩn thận, trong đó con người hoặc các công cụ tự động vẽ các hộp giới hạn xung quanh các đối tượng trong hình ảnh đào tạo, thường sử dụng các công cụ như CVAT .

Các khái niệm chính liên quan đến hộp giới hạn

Một số số liệu và kỹ thuật có liên quan chặt chẽ đến việc sử dụng và đánh giá hộp giới hạn trong mô hình ML:

• Giao điểm trên hợp (IoU) : Một số liệu được sử dụng để đo sự chồng lấn giữa hộp giới hạn dự đoán và hộp giới hạn thực tế.
• Loại bỏ không tối đa (NMS) : Một kỹ thuật được sử dụng để loại bỏ các hộp giới hạn trùng lặp phát hiện cùng một đối tượng, chỉ giữ lại hộp có điểm tin cậy cao nhất.
• Độ chính xác trung bình (mAP) : Một số liệu phổ biến để đánh giá hiệu suất của các mô hình phát hiện đối tượng, chủ yếu dựa vào tính toán IoU.
• Hộp neo : Các hộp được xác định trước với nhiều kích thước và tỷ lệ khung hình khác nhau được một số máy dò sử dụng để giúp dự đoán các hộp giới hạn hiệu quả hơn. Các tập dữ liệu chuẩn như COCO thường được sử dụng để đánh giá các mô hình dựa trên các khái niệm này.

Hộp giới hạn so với các thuật ngữ liên quan

Trong khi các hộp giới hạn xác định vị trí các đối tượng bằng hình chữ nhật, các kỹ thuật thị giác máy tính khác cung cấp các mức độ chi tiết khác nhau:

• Phân đoạn hình ảnh: Không giống như các hộp giới hạn cung cấp vị trí hình chữ nhật, phân đoạn hình ảnh nhằm mục đích phân loại từng điểm ảnh trong hình ảnh.
  • Phân đoạn ngữ nghĩa gán nhãn lớp (ví dụ: ô tô, người, đường) cho từng pixel nhưng không phân biệt giữa các trường hợp khác nhau của cùng một lớp.
  • Phân đoạn thể hiện tiến xa hơn bằng cách xác định và phác thảo từng thể hiện đối tượng riêng lẻ với mặt nạ cấp pixel, cung cấp nhiều chi tiết hơn hộp giới hạn. Bạn có thể tìm hiểu thêm về các tác vụ phân đoạn thể hiện .
• Oriented Bounding Box (OBB) : Các hộp giới hạn chuẩn được căn chỉnh theo trục. Đối với các đối tượng được xoay, Oriented Bounding Box (OBB) cung cấp sự vừa vặn chặt chẽ hơn bằng cách xoay hộp cùng với đối tượng. Điều này đặc biệt hữu ích trong các ứng dụng như phân tích hình ảnh trên không hoặc phát hiện các đối tượng trong các cảnh lộn xộn, thường được đánh giá trên các tập dữ liệu như DOTA .

Ứng dụng trong các tình huống thực tế

Hộp giới hạn là một phần không thể thiếu trong nhiều ứng dụng AI thực tế: