Khám phá cách bản đồ tính năng có sức mạnh Ultralytics YOLO mô hình, cho phép phát hiện đối tượng chính xác và các ứng dụng AI tiên tiến như lái xe tự động.
Bản đồ đặc điểm là các đầu ra cơ bản được tạo ra bởi các lớp trong Mạng nơ-ron tích chập (CNN) , đặc biệt là các lớp tích chập. Chúng biểu diễn các đặc điểm hoặc mẫu đã học được phát hiện trong dữ liệu đầu vào, chẳng hạn như hình ảnh. Hãy coi chúng như các phiên bản đã lọc của đầu vào, trong đó mỗi bản đồ làm nổi bật sự hiện diện và vị trí của một đặc điểm cụ thể—như các cạnh, góc, kết cấu hoặc các hình dạng phức tạp hơn—mà mạng cho là quan trọng đối với nhiệm vụ đang thực hiện, chẳng hạn như phát hiện đối tượng hoặc phân loại hình ảnh .
Trong kiến trúc CNN thông thường, hình ảnh đầu vào đi qua một loạt các lớp. Các lớp đầu tiên, gần với đầu vào hơn, có xu hướng tạo ra các bản đồ đặc điểm nắm bắt các đặc điểm đơn giản, cấp thấp (ví dụ: các đường ngang, độ tương phản màu đơn giản). Khi dữ liệu chảy sâu hơn vào mạng, các lớp tiếp theo kết hợp các đặc điểm đơn giản này để xây dựng các biểu diễn phức tạp và trừu tượng hơn. Bản đồ đặc điểm trong các lớp sâu hơn có thể làm nổi bật các bộ phận của đối tượng (như bánh xe trên ô tô hoặc mắt trên khuôn mặt) hoặc thậm chí là toàn bộ đối tượng. Quy trình phân cấp này cho phép mạng học các mẫu phức tạp theo từng bước. Bạn có thể tìm hiểu thêm về các khái niệm cơ bản tại các nguồn như ghi chú khóa học CS231n của Stanford về CNN .
Bản đồ tính năng được tạo thông qua phép toán gọi là tích chập . Trong quá trình này, một ma trận nhỏ được gọi là bộ lọc (hoặc hạt nhân) trượt qua dữ liệu đầu vào (hoặc bản đồ tính năng từ lớp trước). Tại mỗi vị trí, bộ lọc thực hiện phép nhân từng phần tử với bản vá chồng lấn của đầu vào và tính tổng các kết quả để tạo ra một giá trị duy nhất trong bản đồ tính năng đầu ra. Mỗi bộ lọc được thiết kế hoặc học để phát hiện một mẫu cụ thể. Một lớp tích chập thường sử dụng nhiều bộ lọc, mỗi bộ lọc tạo ra bản đồ tính năng riêng, do đó thu thập một tập hợp các tính năng đa dạng từ đầu vào. Các công cụ như OpenCV cung cấp các chức năng để trực quan hóa và hiểu các hoạt động lọc hình ảnh. Xương sống của mạng chủ yếu chịu trách nhiệm tạo ra các bản đồ tính năng phong phú này.
Bản đồ đặc điểm là nền tảng cho cách CNN thực hiện trích xuất đặc điểm tự động, loại bỏ nhu cầu thiết kế đặc điểm thủ công vốn phổ biến trong thị giác máy tính truyền thống. Chất lượng và mức độ liên quan của các đặc điểm được ghi lại trong các bản đồ này ảnh hưởng trực tiếp đến hiệu suất của mô hình. Trong các mô hình phát hiện đối tượng như Ultralytics YOLO , các bản đồ đặc điểm do xương sống tạo ra thường được xử lý thêm bởi cấu trúc 'cổ' trước khi được chuyển đến đầu phát hiện . Sau đó, đầu phát hiện sử dụng các bản đồ đặc điểm đã tinh chỉnh này để dự đoán đầu ra cuối cùng: các hộp giới hạn chỉ ra vị trí đối tượng và xác suất lớp xác định các đối tượng. Hiệu quả của các đặc điểm này góp phần đáng kể vào việc đạt được độ chính xác cao và Độ chính xác trung bình (mAP) trung bình .
Khả năng biểu diễn dữ liệu phức tạp theo thứ bậc của bản đồ đặc điểm khiến chúng trở nên quan trọng trong nhiều ứng dụng AI:
Hiểu bản đồ tính năng cung cấp cái nhìn sâu sắc về hoạt động bên trong của các mô hình mạnh mẽ như YOLOv8 , cho phép các nhà phát triển sử dụng tốt hơn các nền tảng như Ultralytics HUB để xây dựng các giải pháp AI tinh vi. Việc khám phá sâu hơn về các khái niệm học sâu có thể cung cấp sự hiểu biết rộng hơn về các cơ chế này.
VI
EN
ZH
KO
JA
RU
DE
FR
ES
PT
IT
AR
TR
