Posted inAI

Nhận diện vật thể thời gian thực với YOLOv10: Hướng dẫn thực tế từ huấn luyện đến triển khai

AI tutorial - IT technology blog
AI tutorial - IT technology blog

Sự cân bằng giữa Độ trễ và Độ chính xác

Xây dựng một bộ nhận diện thời gian thực thường giống như một trò chơi cân não mà bạn khó lòng giành chiến thắng. Bạn có thể thiết kế một mô hình xác định các vật thể phức tạp với độ chính xác cực cao, nhưng nó lại lết ở mức 5 khung hình mỗi giây (FPS). Điều này khiến nó trở nên vô dụng đối với drone hoặc camera an ninh di chuyển nhanh. Ngược lại, một mô hình nhẹ có thể đạt mức 60 FPS mượt mà nhưng lại thất bại trong việc phân biệt người đi xe đạp với hộp thư trong điều kiện ánh sáng yếu 30-lux.

Hầu hết các nhà phát triển đều vấp phải rào cản này khi chuyển từ bản thử nghiệm sang sản phẩm thực tế. Một hệ thống chạy hoàn hảo trên dàn máy cục bộ với NVIDIA RTX 4090 thường bị nghẽn khi chuyển sang một instance đám mây tiêu chuẩn hoặc thiết bị edge như Jetson Nano. Độ trễ này không chỉ là một sự khó chịu nhỏ; nó gây ra lỗi đồng bộ hóa có thể phá hỏng toàn bộ logic ứng dụng của bạn.

Kẻ sát nhân tốc độ ẩn mình: Nút thắt cổ chai NMS

Tại sao các phiên bản YOLO trước đây (từ v5 đến v8) lại gặp khó khăn trong việc mở rộng quy mô? Thủ phạm chính là Non-Maximum Suppression (NMS). Trong các kiến trúc cũ này, mô hình thường trở nên “quá khích”, vẽ năm hoặc sáu khung hình chồng chéo quanh một chiếc ô tô duy nhất. NMS là đội dọn dẹp giúp lọc các khung hình này để chỉ giữ lại cái có khả năng cao nhất.

NMS là một quy trình ngốn nhiều CPU và không có khả năng mở rộng tốt. Trong một môi trường đông đúc với hơn 50 lần nhận diện, NMS có thể tiêu tốn tới 15% tổng thời gian suy luận (inference) của bạn. Bên cạnh đó, các mô hình cũ còn lãng phí tài nguyên vào việc trích xuất đặc trưng dư thừa. Mỗi phép tính không cần thiết đều cộng thêm mili giây. Trong môi trường trực tiếp, nơi bạn chỉ có cửa sổ 33ms để xử lý mỗi khung hình cho mức 30 FPS, những mili giây đó vô cùng đắt đỏ.

YOLOv10: Loại bỏ kẻ trung gian

Các nhà nghiên cứu tại Đại học Thanh Hoa cuối cùng đã giải quyết được vấn đề NMS với YOLOv10. Đột phá của họ? **Consistent Dual Assignment** (Gán kép nhất quán). Trong quá trình huấn luyện, mô hình sử dụng hai đầu (head): một đầu cần NMS và một đầu thì không. Đến khi bạn triển khai, mô hình đã học được cách đưa ra một dự đoán duy nhất, chính xác cho mỗi vật thể. Bước dọn dẹp NMS đã biến mất.

Đáng ngạc nhiên là hiệu quả này không làm ảnh hưởng đến độ chính xác. Ví dụ, mô hình YOLOv10-S nhanh hơn 1,8 lần so với YOLOv8-S trong khi vẫn duy trì độ chính xác trung bình (mAP) tương đương. Tôi đã thử nghiệm điều này trong các dây chuyền phân loại công nghiệp, và độ ổn định của tốc độ khung hình cao hơn đáng kể vì CPU không còn bị quá tải bởi các tác vụ hậu xử lý.

Triển khai thực tế

Bạn sẽ cần Python 3.9 trở lên. Mặc dù GPU hỗ trợ CUDA là tốt nhất để huấn luyện, nhưng YOLOv10 đủ hiệu quả để chạy tốc độ suy luận ấn tượng ngay cả trên các CPU hiện đại.

1. Thiết lập môi trường

Hãy giữ cho các phụ thuộc của bạn sạch sẽ. Mặc dù bạn có thể sử dụng kho lưu trữ THU-M chính thức, nhưng gói ultralytics tiêu chuẩn hiện đã cung cấp hỗ trợ hợp lý cho các trọng số (weights) v10.

pip install torch torchvision torchaudio
pip install ultralytics

2. Viết mã nguồn suy luận

Script này xử lý luồng webcam trực tiếp. Hãy chú ý logic đã trở nên đơn giản hơn; chúng ta không còn phải điều chỉnh các ngưỡng NMS IoU để tránh nhận diện trùng lặp.

import cv2
from ultralytics import YOLOv10

# Tải phiên bản 'Nano' để đạt tốc độ tối đa (khoảng 1,1 triệu tham số)
model = YOLOv10.from_pretrained('jameslahm/yolov10n')

cap = cv2.VideoCapture(0) 

while cap.isOpened():
    success, frame = cap.read()
    if not success:
        break

    # Chạy suy luận - NMS được xử lý nội bộ bởi kiến trúc
    results = model(frame, conf=0.25)[0]

    # Chú thích và hiển thị
    annotated_frame = results.plot()
    cv2.imshow('Luồng trực tiếp YOLOv10', annotated_frame)
    
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

3. Logic huấn luyện tùy chỉnh

Để huấn luyện trên dữ liệu của riêng bạn, hãy sử dụng định dạng YOLO tiêu chuẩn. Định nghĩa các lớp của bạn trong tệp data.yaml.

# data.yaml
train: ./data/train/images
val: ./data/val/images
nc: 2
names: ['Defect_A', 'Defect_B']

Sau đó, kích hoạt vòng lặp huấn luyện. Chiến lược gán kép (dual-assignment) được bật theo mặc định khi bạn tải cấu hình v10.

from ultralytics import YOLOv10

model = YOLOv10("yolov10n.yaml") 

model.train(
    data="data.yaml",
    epochs=100,
    imgsz=640,
    batch=16,
    device=0 
)

Bí quyết triển khai

Đưa mô hình của bạn từ một script cục bộ lên một máy chủ trực tiếp là nơi mọi thứ trở nên phức tạp. Đối với phần cứng NVIDIA, hãy luôn xuất sang **TensorRT**. Điều này chuyển đổi mô hình thành một engine có hình dạng cố định (fixed-shape) có thể giúp GPU của bạn tăng thêm 20-30% FPS. Nếu bạn sử dụng phần cứng Intel, **OpenVINO** là lựa chọn tốt nhất.

Khi đóng gói container, hãy chú ý đến kích thước image. Tránh các image Python chung chung có thể phình to lên đến 4GB. Thay vào đó, hãy sử dụng nvidia/cuda:12.1.0-base-ubuntu22.04 làm nền tảng. Chỉ cài đặt các thư viện thiết yếu để giữ cho việc triển khai của bạn gọn nhẹ và khởi động nhanh.

Lời kết

YOLOv10 không chỉ là một bản cập nhật gia tăng khác. Bằng cách loại bỏ nút thắt cổ chai NMS, nó làm đơn giản hóa quy trình thị giác máy tính và hạ thấp rào cản gia nhập về phần cứng. Cho dù bạn đang xây dựng một hệ thống kho bãi tự động hay một thiết bị giám sát thú cưng đơn giản, việc chuyển sang kiến trúc không NMS là cách thông minh nhất để đảm bảo AI của bạn luôn phản hồi nhanh chóng dưới áp lực.

Share:
Tags: