Phát hiện đối tượng

Cách thức hoạt động của phát hiện đối tượng

Các mô hình phát hiện đối tượng thường được xây dựng bằng học sâu (DL) , cụ thể là Mạng Nơ-ron Tích chập (CNN) . Quá trình này bao gồm việc đưa một hình ảnh vào mạng, sau đó mạng sẽ xuất ra danh sách các đối tượng được phát hiện, mỗi đối tượng có nhãn lớp (ví dụ: "người", "ô tô", "chó"), điểm tin cậy và tọa độ của khung giới hạn.

Kiến trúc phát hiện đối tượng hiện đại bao gồm hai phần chính: một xương sống để trích xuất các đặc điểm từ ảnh đầu vào và một đầu phát hiện để dự đoán các hộp giới hạn và các lớp. Các kiến trúc này thường được phân loại thành máy dò một giai đoạn hoặc hai giai đoạn.

• Máy phát hiện đối tượng một giai đoạn : Các mô hình như dòng Ultralytics YOLO thực hiện phát hiện chỉ trong một lần chạy, giúp chúng rất nhanh và phù hợp cho suy luận thời gian thực . Chúng dự đoán đồng thời tất cả các hộp giới hạn và xác suất lớp.
• Máy dò vật thể hai giai đoạn : Các kiến trúc như R-CNN và các biến thể của nó trước tiên đề xuất các vùng quan tâm và sau đó phân loại các vật thể trong các vùng đó. Mặc dù thường rất chính xác, chúng có thể chậm hơn máy dò một giai đoạn.

Phát hiện đối tượng so với các nhiệm vụ CV khác

Điều quan trọng là phải phân biệt phát hiện đối tượng với các nhiệm vụ thị giác máy tính liên quan khác:

• Phân loại hình ảnh : Gán một nhãn duy nhất cho toàn bộ hình ảnh (ví dụ: "đây là hình ảnh một con mèo"). Không xác định vị trí của đối tượng.
• Phân đoạn hình ảnh : Phân loại từng pixel trong ảnh, cung cấp phác thảo chính xác về các đối tượng. Phân đoạn thể hiện phân biệt các thể hiện khác nhau của cùng một lớp đối tượng, trong khi phân đoạn ngữ nghĩa coi tất cả các thể hiện của một lớp là một thực thể.
• Theo dõi Đối tượng : Một phần mở rộng của tính năng phát hiện đối tượng, theo dõi một đối tượng cụ thể qua nhiều khung hình trong video, duy trì danh tính của đối tượng theo thời gian. Bạn có thể tìm hiểu thêm trong hướng dẫn của chúng tôi về theo dõi đối tượng chuyển động trong video .

Ứng dụng trong thế giới thực

Phát hiện đối tượng là công nghệ mang tính đột phá được sử dụng trong nhiều ngành công nghiệp.

1. Xe tự hành : Trong xe tự hành, phát hiện vật thể đóng vai trò quan trọng trong việc xác định người đi bộ, người đi xe đạp, các phương tiện khác và tín hiệu giao thông để điều hướng an toàn. Các công ty như Waymo và Tesla đã đầu tư mạnh vào công nghệ này để vận hành hệ thống tự hành của họ.
2. AI trong Sản xuất : Trên dây chuyền lắp ráp, các mô hình phát hiện tự động phát hiện lỗi hoặc xác minh các linh kiện được lắp ráp chính xác. Điều này giúp tăng cường kiểm soát chất lượng và cải thiện hiệu quả sản xuất.
3. An ninh và giám sát: Hệ thống tự động sử dụng tính năng phát hiện đối tượng để xác định những cá nhân không được phép, các gói hàng bị bỏ rơi hoặc các hoạt động bất thường theo thời gian thực, như được nêu chi tiết trong hướng dẫn xây dựng hệ thống báo động an ninh của chúng tôi.
4. AI trong Chăm sóc Sức khỏe : Trong phân tích hình ảnh y tế , các mô hình hỗ trợ bác sĩ X-quang bằng cách phát hiện và làm nổi bật các bất thường như khối u hoặc gãy xương trên phim chụp X-quang và CT. Bạn có thể tìm hiểu thêm về việc sử dụng YOLO11 để phát hiện khối u trên blog của chúng tôi.
5. AI trong nông nghiệp : Máy bay không người lái và robot mặt đất được trang bị tính năng phát hiện vật thể có thể theo dõi sức khỏe cây trồng, xác định sâu bệnh và ước tính năng suất với độ chính xác cao.

Công cụ và đào tạo

Việc phát triển và triển khai các mô hình phát hiện đối tượng đòi hỏi một hệ sinh thái phong phú các công cụ và kỹ thuật.

• Khung: Các khung học sâu phổ biến như PyTorch và TensorFlow cung cấp các thư viện cốt lõi để xây dựng mô hình.
• Mô hình: Ultralytics cung cấp các mô hình tiên tiến như YOLOv8 và YOLO11 , được tối ưu hóa để cân bằng giữa tốc độ và độ chính xác. Bạn có thể xem chúng so sánh như thế nào với các mô hình khác trong trang so sánh mô hình của chúng tôi.
• Nền tảng: Ultralytics HUB đơn giản hóa toàn bộ quy trình làm việc, từ việc quản lý các tập dữ liệu như tập dữ liệu COCO phổ biến đến đào tạo các mô hình tùy chỉnh và tạo điều kiện triển khai mô hình .
• Kỹ thuật: Quá trình đào tạo thường được hưởng lợi từ các kỹ thuật như tăng cường dữ liệu để cải thiện độ tin cậy và chuyển giao kiến thức để tận dụng kiến thức từ các mô hình được đào tạo trước. Hiệu suất mô hình được đánh giá bằng các số liệu như mAP và IoU , như được giải thích trong hướng dẫn về số liệu hiệu suất của chúng tôi.