Lập trình

1. Lớp các mô hình họ YOLO

• Một họ mô hình nhận dạng đối tượng phổ biến khác được gọi chung là YOLO. YOLO có nghĩa là bạn chỉ nhìn một lần (you only look one).
• Các mô hình R-CNN nói chung có thể chính xác hơn, tuy nhiên họ mô hình YOLO nhanh hơn rất rất nhiều so với R-CNN, và thậm chí đạt được việc phát hiện đối tượng trong thời gian thực.
  1. YOLO (2015)
• Phương pháp chính dựa trên một mạng neural network duy nhất được huấn luyện dạng end-to-end model. Mô hình lấy input là một bức ảnh và dự đoán các bounding box và nhãn lớp cho mỗi bounding box. Do không sử dụng region proposal nên kỹ thuật này có độ chính xác thấp hơn (ví dụ: nhiều lỗi định vị vật thể - localization error hơn), mặc dù hoạt động ở tốc độ 45 fps (khung hình / giây) và tối đa 155 fps cho phiên bản tối ưu hóa tốc độ. Tốc độ này còn nhanh hơn cả tốc độ khung hình của máy quay phim thông thường chỉ vào khoảng 24 fps.
• Mô hình hoạt động bằng cách trước tiên phân chia hình ảnh đầu vào thành một lưới các ô (grid of cells), trong đó mỗi ô chịu trách nhiệm dự đoán các bounding boxes nếu tâm của nó nằm trong ô. Mỗi grid cell (tức 1 ô bất kì nằm trong lưới ô) dự đoán các bounding boxes được xác định dựa trên tọa độ x, y (thông thường là tọa độ tâm, một số phiên bản là tọa độ góc trên cùng bên trái) và chiều rộng (width) và chiều cao (height) và độ tin cậy (confidence) về khả năng chứa vật thể bên trong. Ngoài ra các dự đoán nhãn cũng được thực hiện trên mỗi một bonding box.

Hình 6: Các bước xử lý trong mô hình YOLO

1. YOLOv2 (2016) YOLOv3 (2018)

• Mặc dù biến thể của YOLO được gọi là YOLOv2, một instance của mô hình theo như mô tả đã được đào tạo trên hai bộ dữ liệu nhận dạng đối tượng, và có khả năng dự đoán lên tới 9000 loại đối tượng khác nhau, do đó được đặt tên là YOLO9000. Với con số này thì mô hình này đã tiến xa hơn rất nhiều so với mọi mô hình trước đó về số lượng các loại đối tượng có khả năng phát hiện.
• Một số thay đổi về huấn luyện và kiến trúc đã được thực hiện, chẳng hạn như việc sử dụng batch normalization cho hàng loạt và hình ảnh đầu vào phân giải cao.
• Giống như Faster R-CNN, mô hình YOLOv2 sử dụng anchor boxes, bounding box được xác định trước với hình dạng và kích thước hợp lý được tùy chỉnh trong quá trình huấn luyện. Sự lựa chọn các bounding boxes cho hình ảnh được xử lý trước bằng cách sử dụng thuật toán phân cụm k-mean trên tập dữ liệu huấn luyện.
• Điều quan trọng, các predicted bounding box được tinh chỉnh để cho phép các thay đổi nhỏ có tác động ít hơn đến các dự đoán, dẫn đến mô hình ổn định hơn. Thay vì dự đoán trực tiếp vị trí và kích thước, các offsets (tức tọa độ tâm, chiều dài và chiều rộng) được dự đoán để di chuyển và định hình lại các pre-defined anchor boxes tại mỗi một grid cell thông qua hàm logistic.

Hình 7: Sơ đồ giúp tạo prior bounding box

2. TỔNG KẾT

• Tài liệu này nêu một cách khái quát các khái niệm cơ bản về Object Detection và các lớp mô hình ứng dụng trong Object Detection. Tổng kết lại:

• Khái niệm về Object Detection, phân biệt giữa Object Detection và Image Recognition.
• Các modes và types của  Object detection, thuât toán CNN.
• Họ các mô hình object detection dựa trên Region-Based Convolutional Neural Network (R-CNNs) gồm các lớp mô hình: R-CNN, Fast R-CNN và Faster R-CNN.

• Lớp các mô hình YOLO có tốc độ thời gian xử lý thực.

3. TÀI LIỆU THAM KHẢO

1. Ross Girshick, Jeff Donahue, Trevor Darrell, Jitendra Malik, Rich feature hierarchies for accurate object detection and semantic segmentation, arXiv:1311.2524 [cs.CV], 2013
2. Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun, patial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition, arXiv:1406.4729 [cs.CV], 2015
3. Ross Girshick, Fast R-CNN, arXiv:1504.08083 [cs.CV], 2015
4. Shaoqing Ren, Kaiming He, Ross Girshick, Jian Sun, Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks, arXiv:1506.01497 [cs.CV], 2016
5. Kaiming He, Georgia Gkioxari, Piotr Dollár, Ross Girshick, Mask R-CNN, arXiv:1703.06870 [cs.CV], 2017
6. Joseph Redmon, Santosh Divvala, Ross Girshick, Ali Farhadi, You Only Look Once: Unified, Real-Time Object Detection, arXiv:1506.02640 [cs.CV], 2015
7. Joseph Redmon, Ali Farhadi, YOLO9000: Better, Faster, Stronger, arXiv:1612.08242 [cs.CV], 2016
8. Joseph Redmon, Ali Farhadi, YOLOv3: An Incremental Improvement, arXiv:1804.02767 [cs.CV], 2018
9. https://www.fritz.ai/object-detection/#part-resources