Hộp giới hạn

Tầm quan trọng trong phát hiện đối tượng

Các hộp giới hạn là cơ bản để đào tạo các mô hình học máy, đặc biệt là trong phát hiện đối tượng, trong đó mục tiêu là cho phép các hệ thống AI "nhìn thấy" và diễn giải dữ liệu trực quan giống như con người. Trong các mô hình phát hiện đối tượng như Ultralytics YOLO , hộp giới hạn giúp xác định chính xác vị trí của nhiều đối tượng trong một hình ảnh duy nhất. Bằng cách vẽ một khung hình chữ nhật xung quanh mỗi đối tượng được phát hiện, các hộp này cung cấp một điểm đánh dấu trực quan rõ ràng giúp thu hẹp tiêu điểm của các mô hình phát hiện, cải thiện cả độ chính xác và hiệu quả của việc phát hiện đối tượng. Khả năng này rất quan trọng đối với các ứng dụng yêu cầu định vị chính xác các đối tượng, chẳng hạn như xe tự hành , hệ thống an ninh và quản lý hàng tồn kho.

Các khái niệm chính liên quan đến hộp giới hạn

Một số khái niệm quan trọng có liên quan chặt chẽ với hộp giới hạn trong lĩnh vực học máy:

• Giao điểm trên hợp nhất (IoU) : IoU là một số liệu được sử dụng để đánh giá độ chính xác của các mô hình phát hiện đối tượng. Nó đo lường sự chồng chéo giữa hộp giới hạn dự đoán và hộp giới hạn thực tế, cung cấp tỷ lệ cho biết mức độ phù hợp của dự đoán với vị trí thực tế của đối tượng. Điểm IoU cao hơn biểu thị dự đoán chính xác hơn.
• Non-Maximum Suppression (NMS) : NMS là một kỹ thuật hậu xử lý được sử dụng để tinh chỉnh đầu ra của các mô hình phát hiện đối tượng. Nó loại bỏ các hộp giới hạn dư thừa chồng chéo đáng kể, đảm bảo rằng chỉ những phát hiện đáng tin cậy và chính xác nhất mới được giữ lại.
• Độ chính xác trung bình trung bình (mAP) : mAP là một số liệu toàn diện đánh giá hiệu suất chung của các mô hình phát hiện đối tượng. Nó xem xét cả độ chính xác và khả năng thu hồi trên nhiều lớp và ngưỡng IoU, cung cấp một thước đo mạnh mẽ về hiệu quả của mô hình trong việc phát hiện đối tượng một cách chính xác.

Hộp giới hạn so với các thuật ngữ liên quan

Trong khi các hộp giới hạn được sử dụng để định vị các đối tượng, chúng khác biệt với các kỹ thuật thị giác máy tính khác như phân đoạn ngữ nghĩa và phân đoạn thể hiện . Phân đoạn ngữ nghĩa liên quan đến việc phân loại từng pixel trong một hình ảnh thành một danh mục cụ thể, cung cấp các đường viền chi tiết nhưng không phân biệt giữa các đối tượng riêng lẻ của cùng một lớp. Mặt khác, phân đoạn thể hiện xác định và phác thảo từng thể hiện đối tượng riêng biệt, cung cấp thông tin chi tiết hơn các hộp giới hạn bằng cách cung cấp mặt nạ cấp độ pixel cho từng đối tượng.

Ứng dụng trong các tình huống thực tế

Hộp giới hạn được sử dụng trong nhiều ứng dụng thực tế do tính đơn giản và hiệu quả của chúng. Sau đây là hai ví dụ nổi bật: