Yolov8 là gì? Các bài báo nghiên cứu khoa học liên quan

Khái niệm YOLOv8

YOLOv8 (You Only Look Once version 8) là một mô hình học sâu thuộc nhóm phát hiện đối tượng thời gian thực (real-time object detection), được thiết kế để xử lý các bài toán thị giác máy tính trong một lần suy luận duy nhất. Mô hình này nhận ảnh đầu vào và đồng thời dự đoán vị trí, nhãn lớp và độ tin cậy của các đối tượng xuất hiện trong ảnh.

YOLOv8 kế thừa triết lý cốt lõi của họ YOLO là ưu tiên tốc độ và khả năng triển khai thực tế, đồng thời cải thiện độ chính xác so với các thế hệ trước. Thay vì chia pipeline thành nhiều giai đoạn như các mô hình hai bước, YOLOv8 tích hợp toàn bộ quá trình phát hiện vào một kiến trúc thống nhất.

Về mặt ứng dụng, YOLOv8 được sử dụng rộng rãi trong các hệ thống yêu cầu xử lý nhanh như phân tích video thời gian thực, giám sát an ninh, robot và xe tự hành, nơi độ trễ thấp là yếu tố then chốt.

• Mô hình phát hiện đối tượng một giai đoạn
• Tối ưu cho suy luận thời gian thực
• Hỗ trợ nhiều tác vụ thị giác máy tính

Vị trí của YOLOv8 trong họ mô hình YOLO

YOLOv8 là thế hệ tiếp theo trong chuỗi phát triển của các mô hình YOLO, nối tiếp sau YOLOv5 và YOLOv7. Mặc dù cùng chia sẻ tên gọi YOLO, các phiên bản này có sự khác biệt đáng kể về kiến trúc, chiến lược huấn luyện và cách triển khai.

Khác với một số phiên bản trước do nhiều nhóm nghiên cứu khác nhau phát triển, YOLOv8 được duy trì tập trung trong hệ sinh thái Ultralytics. Điều này giúp chuẩn hóa quy trình huấn luyện, đánh giá và triển khai, đặc biệt đối với người dùng trong môi trường sản xuất.

YOLOv8 không chỉ là bản nâng cấp về hiệu năng mà còn thể hiện sự thay đổi về triết lý thiết kế, hướng tới giảm độ phức tạp của mô hình và tăng tính linh hoạt cho nhiều bài toán khác nhau.

Phiên bản	Đặc điểm nổi bật	Ghi chú
YOLOv5	Dễ huấn luyện, phổ biến	Dựa trên anchor
YOLOv7	Tối ưu hiệu năng cao	Huấn luyện phức tạp hơn
YOLOv8	Anchor-free, đa nhiệm	API thống nhất

Kiến trúc tổng quát của YOLOv8

Giống các mô hình phát hiện hiện đại, YOLOv8 được tổ chức thành ba khối chính: backbone, neck và head. Backbone chịu trách nhiệm trích xuất đặc trưng không gian và ngữ nghĩa từ ảnh đầu vào thông qua các lớp tích chập sâu.

Phần neck đóng vai trò kết hợp đặc trưng ở nhiều mức độ phân giải khác nhau, cho phép mô hình phát hiện đối tượng ở cả kích thước lớn và nhỏ. Cơ chế này giúp YOLOv8 duy trì hiệu năng tốt trên các tập dữ liệu có độ đa dạng cao về kích thước đối tượng.

Phần head thực hiện dự đoán cuối cùng, bao gồm tọa độ hộp giới hạn, xác suất lớp và độ tin cậy của đối tượng. Thiết kế head của YOLOv8 được đơn giản hóa để phù hợp với cách tiếp cận anchor-free.

• Backbone: trích xuất đặc trưng
• Neck: hợp nhất đặc trưng đa tỉ lệ
• Head: dự đoán đối tượng

Cơ chế anchor-free và dự đoán hộp giới hạn

YOLOv8 áp dụng cơ chế anchor-free, loại bỏ hoàn toàn khái niệm anchor box vốn được sử dụng trong nhiều phiên bản YOLO trước. Thay vì dự đoán độ lệch so với các anchor định sẵn, mô hình trực tiếp hồi quy tọa độ hộp giới hạn từ các điểm đặc trưng.

Cách tiếp cận này giúp giảm số lượng siêu tham số cần tinh chỉnh, đồng thời hạn chế các sai lệch phát sinh khi anchor không phù hợp với phân bố kích thước đối tượng trong dữ liệu. Điều này đặc biệt hữu ích khi triển khai YOLOv8 trên các tập dữ liệu chuyên biệt.

Về mặt toán học, mỗi điểm trên bản đồ đặc trưng có thể được xem là một ứng viên đối tượng, với bài toán phát hiện được mô hình hóa như sự kết hợp giữa hồi quy hình học và phân loại xác suất.

1. Dự đoán trực tiếp tọa độ hộp
2. Giảm phụ thuộc vào thiết kế anchor
3. Tăng khả năng tổng quát hóa mô hình

Hàm mất mát và quá trình huấn luyện

Quá trình huấn luyện YOLOv8 được thiết kế để tối ưu đồng thời độ chính xác phát hiện và tốc độ hội tụ. Mô hình sử dụng tập hợp các hàm mất mát khác nhau cho từng thành phần của bài toán, bao gồm hồi quy hộp giới hạn, phân loại nhãn và đánh giá sự hiện diện của đối tượng.

Đối với hồi quy hình học, YOLOv8 áp dụng các biến thể hiện đại của IoU loss nhằm đo mức độ chồng lấp giữa hộp dự đoán và hộp thực. Cách tiếp cận này giúp mô hình học được các đặc trưng hình học ổn định hơn so với việc tối ưu từng tọa độ riêng lẻ.

Hàm mất mát tổng quát trong YOLOv8 có thể biểu diễn dưới dạng tổng có trọng số của các thành phần chính:

$\mathcal{L} = \mathcal{L}_{box} + \mathcal{L}_{cls} + \mathcal{L}_{obj}$

Trong đó L_box đại diện cho mất mát hồi quy hộp, L_cls cho phân loại, và L_obj cho xác suất tồn tại đối tượng. Việc cân bằng các thành phần này ảnh hưởng trực tiếp đến hiệu năng cuối cùng của mô hình.

Các tác vụ thị giác máy tính được hỗ trợ

YOLOv8 không chỉ giới hạn trong phát hiện đối tượng mà được thiết kế như một nền tảng đa nhiệm cho nhiều bài toán thị giác máy tính. Cách tiếp cận này cho phép chia sẻ kiến trúc và quy trình huấn luyện, giảm chi phí phát triển và triển khai.

Đối với phân đoạn ảnh, YOLOv8 mở rộng head dự đoán để tạo mặt nạ đối tượng ở mức pixel. Trong bài toán ước lượng tư thế, mô hình dự đoán các điểm khớp chính của cơ thể người, phục vụ phân tích hành vi và chuyển động.

• Phát hiện đối tượng (Object Detection)
• Phân đoạn đối tượng (Instance Segmentation)
• Ước lượng tư thế người (Pose Estimation)
• Phân loại ảnh (Image Classification)

Hiệu năng và so sánh với các mô hình khác

YOLOv8 được đánh giá dựa trên các chỉ số phổ biến như mAP (mean Average Precision), FPS (frames per second) và độ trễ suy luận. Các thử nghiệm nội bộ và độc lập cho thấy YOLOv8 đạt hiệu năng cạnh tranh trong nhóm mô hình phát hiện một giai đoạn.

So với các mô hình hai giai đoạn như Faster R-CNN, YOLOv8 có ưu thế rõ rệt về tốc độ, đặc biệt trong các ứng dụng thời gian thực. Khi so sánh với các biến thể YOLO trước, YOLOv8 thường đạt mAP cao hơn với cùng hoặc thấp hơn chi phí tính toán.

Sự cân bằng giữa độ chính xác và tốc độ khiến YOLOv8 phù hợp cho cả môi trường nghiên cứu lẫn triển khai sản xuất.

Mô hình	Kiểu phát hiện	Đặc điểm nổi bật
Faster R-CNN	Hai giai đoạn	Độ chính xác cao, chậm
YOLOv7	Một giai đoạn	Tối ưu hiệu năng
YOLOv8	Một giai đoạn, anchor-free	Cân bằng tốc độ và độ chính xác

Triển khai và khả năng tương thích hệ thống

YOLOv8 được thiết kế với mục tiêu triển khai linh hoạt trên nhiều nền tảng phần cứng và phần mềm. Mô hình hỗ trợ xuất sang các định dạng trung gian phổ biến, cho phép tích hợp vào nhiều hệ sinh thái khác nhau.

Các định dạng như ONNX, TensorRT và CoreML giúp YOLOv8 chạy hiệu quả trên GPU, thiết bị nhúng và hệ thống di động. Điều này đặc biệt quan trọng đối với các ứng dụng biên (edge computing), nơi tài nguyên tính toán bị hạn chế.

Khả năng triển khai đa nền tảng giúp YOLOv8 được sử dụng trong nhiều lĩnh vực công nghiệp và nghiên cứu.

• Hỗ trợ ONNX và TensorRT
• Triển khai trên GPU, CPU và thiết bị nhúng
• Tích hợp dễ dàng vào pipeline hiện có

Ứng dụng thực tế của YOLOv8

YOLOv8 được ứng dụng rộng rãi trong các hệ thống giám sát an ninh, nơi yêu cầu phát hiện và theo dõi đối tượng trong video thời gian thực. Độ trễ thấp giúp hệ thống phản hồi nhanh với các sự kiện bất thường.

Trong lĩnh vực giao thông và xe tự hành, YOLOv8 được dùng để nhận diện phương tiện, người đi bộ và biển báo. Ngoài ra, mô hình còn được áp dụng trong robot, thị giác công nghiệp và phân tích hành vi người dùng.

Sự đa dạng về ứng dụng phản ánh tính linh hoạt của YOLOv8 trong các bài toán thị giác hiện đại.

Hạn chế và thách thức

Mặc dù đạt nhiều cải tiến, YOLOv8 vẫn gặp khó khăn trong việc phát hiện các đối tượng rất nhỏ hoặc bị che khuất mạnh. Hiệu năng của mô hình phụ thuộc đáng kể vào chất lượng và độ đa dạng của dữ liệu huấn luyện.

Trong các bối cảnh chuyên biệt, việc tinh chỉnh siêu tham số và kiến trúc vẫn là yêu cầu cần thiết để đạt kết quả tối ưu. Điều này đòi hỏi kinh nghiệm và hiểu biết sâu về mô hình.

Các hạn chế này mở ra hướng nghiên cứu tiếp theo nhằm cải thiện khả năng tổng quát hóa và độ bền vững của mô hình.

Hướng phát triển và nghiên cứu tương lai

Các nghiên cứu tiếp theo về YOLOv8 và các mô hình kế nhiệm tập trung vào việc tích hợp với các kiến trúc nền tảng lớn hơn, cải thiện khả năng học biểu diễn và giảm chi phí tính toán.

Xu hướng kết hợp giữa phát hiện đối tượng và các mô hình học đa phương thức cũng được xem là hướng đi tiềm năng, giúp mở rộng phạm vi ứng dụng của YOLOv8 trong các hệ thống thông minh.

YOLOv8 vì vậy được xem là một bước chuyển quan trọng trong tiến hóa của các mô hình phát hiện đối tượng thời gian thực.

Tài liệu tham khảo

• Ultralytics. “YOLOv8 Documentation.” https://docs.ultralytics.com
• Redmon, J. et al. (2016). “You Only Look Once: Unified, Real-Time Object Detection.” CVPR. https://arxiv.org/abs/1506.02640
• Wang, C.-Y. et al. (2023). “YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors.” arXiv. https://arxiv.org/abs/2207.02696
• Lin, T.-Y. et al. (2017). “Feature Pyramid Networks for Object Detection.” CVPR. https://arxiv.org/abs/1612.03144