Bắt đầu

YOLOv4: Phát hiện đối tượng tốc độ cao và chính xác

YOLOv4 là model phát hiện đối tượng thời gian thực được Alexey Bochkovskiy, Chien-Yao Wang và Hong-Yuan Mark Liao phát hành năm 2020 trong repository AlexeyAB/darknet. Model được thiết kế để đạt sự cân bằng tối ưu giữa tốc độ và độ chính xác.

Sơ đồ kiến trúc YOLOv4 Sơ đồ kiến trúc YOLOv4. Sơ đồ thể hiện các thành phần backbone, neck và head của YOLOv4 cùng cách các layer kết nối với nhau.

Giới thiệu#

YOLOv4 là viết tắt của You Only Look Once phiên bản 4. Đây là model phát hiện đối tượng thời gian thực được phát triển để khắc phục những hạn chế của các phiên bản YOLO trước như YOLOv3 và các model phát hiện đối tượng khác. Hầu hết các model phát hiện trước đây dựa trên mạng nơ-ron tích chập (CNN) chỉ thực tiễn trong các hệ thống gợi ý; độ chính xác thời gian thực của YOLOv4 cũng phù hợp với việc quản lý quy trình độc lập và giảm sự can thiệp của con người. Model chạy thời gian thực trên một bộ xử lý đồ họa (GPU) phổ thông và chỉ cần một GPU như vậy để huấn luyện, giúp triển khai ở quy mô lớn với chi phí hợp lý.

Kiến trúc#

YOLOv4 kết hợp nhiều kỹ thuật để cải thiện hiệu năng. Những kỹ thuật này bao gồm các kết nối dư có trọng số (WRC), các kết nối từng phần giữa các giai đoạn (CSP), chuẩn hóa theo lô chéo mini (CmBN), huấn luyện tự đối kháng (SAT), hàm kích hoạt Mish, Mosaic tăng cường dữ liệu, DropBlock chính quy hóa và hàm mất mát CIoU. Kết hợp lại, các kỹ thuật này cải thiện độ chính xác mà vẫn duy trì tốc độ suy luận cao.

Một model phát hiện đối tượng điển hình gồm nhiều phần, bao gồm đầu vào, backbone, neck và head. Backbone được huấn luyện trước trên ImageNet và trích xuất đặc trưng từ ảnh đầu vào. Các backbone phổ biến của model phát hiện gồm VGG, ResNet, ResNeXt và DenseNet; YOLOv4 sử dụng CSPDarknet53. Phần neck của model phát hiện dùng để thu thập feature map từ các giai đoạn khác nhau và thường gồm một số đường dẫn từ dưới lên cùng một số đường dẫn từ trên xuống. Head sử dụng các đặc trưng này để dự đoán lớp và bounding box của đối tượng.

Tập hợp các kỹ thuật miễn phí#

YOLOv4 cũng sử dụng các phương pháp được gọi là “bag of freebies”, tức các kỹ thuật cải thiện độ chính xác của model trong quá trình huấn luyện mà không làm tăng chi phí suy luận. Tăng cường dữ liệu là một kỹ thuật bag of freebies phổ biến trong phát hiện đối tượng, giúp tăng độ đa dạng của ảnh đầu vào để cải thiện độ bền vững của model. Một số ví dụ về tăng cường dữ liệu gồm biến đổi quang học (điều chỉnh độ sáng, độ tương phản, sắc độ, độ bão hòa và nhiễu của ảnh) và biến đổi hình học (thêm thao tác co giãn, cắt, lật và xoay ngẫu nhiên). Các kỹ thuật này giúp model khái quát hóa tốt hơn trên nhiều loại ảnh khác nhau.

Tính năng và hiệu suất#

YOLOv4 được thiết kế để đạt tốc độ và độ chính xác tối ưu trong phát hiện đối tượng. Kiến trúc YOLOv4 gồm CSPDarknet53 làm backbone, PANet làm neck và YOLOv3 làm head phát hiện. Thiết kế này cho phép YOLOv4 chạy đủ nhanh cho các ứng dụng thời gian thực; khi phát hành, model đạt độ chính xác tiên tiến trên các benchmark phát hiện đối tượng như COCO.

Khi so sánh với các model khác trong dòng YOLO, chẳng hạn YOLOv5 và YOLOv7, YOLOv4 vẫn là mốc tham chiếu về sự cân bằng giữa tốc độ và độ chính xác. Các model mới hơn có độ chính xác cao hơn và triển khai đơn giản hơn, nhưng những cải tiến kiến trúc của YOLOv4 vẫn phù hợp với các ứng dụng cần hiệu năng thời gian thực.

Ví dụ sử dụng#

YOLOv4 là model dựa trên Darknet và không được hỗ trợ nguyên bản bởi Python package Ultralytics: không có trọng số pretrained yolov4.pt nào được công bố trên ultralytics/assets và cũng không có file YAML ultralytics/cfg/models/v4/. Trang này được duy trì làm tài liệu tham khảo về kiến trúc. Người dùng muốn chạy YOLOv4 nên tham khảo trực tiếp repo GitHub YOLOv4 để xem hướng dẫn cài đặt và sử dụng.

Dưới đây là tổng quan ngắn gọn về các bước thường thực hiện để sử dụng YOLOv4:

  1. Truy cập repo GitHub YOLOv4: https://github.com/AlexeyAB/darknet.

  2. Làm theo hướng dẫn cài đặt trong file README. Thông thường, quá trình này bao gồm clone repo, cài đặt các dependency cần thiết và thiết lập mọi biến môi trường cần thiết.

  3. Sau khi cài đặt hoàn tất, bạn có thể huấn luyện và sử dụng model theo hướng dẫn sử dụng trong repo. Quy trình này thường gồm chuẩn bị dataset, cấu hình tham số model, huấn luyện model, sau đó dùng model đã huấn luyện để phát hiện đối tượng.

Các bước cụ thể phụ thuộc vào trường hợp sử dụng và trạng thái hiện tại của repository YOLOv4, vì vậy hãy làm theo hướng dẫn trong repository YOLOv4 trên GitHub.

Để huấn luyện và suy luận trong framework Ultralytics, hãy sử dụng YOLO26 hoặc YOLO11.

Kết luận#

YOLOv4 là model phát hiện đối tượng hiệu quả, cân bằng giữa tốc độ và độ chính xác. Các lựa chọn kiến trúc cùng kỹ thuật huấn luyện bag-of-freebies giúp model hoạt động tốt trong các tác vụ phát hiện đối tượng thời gian thực. Bất kỳ ai có GPU phổ thông đều có thể huấn luyện và sử dụng YOLOv4, giúp model dễ tiếp cận và thiết thực cho nhiều ứng dụng như hệ thống giám sát, xe tự hành và tự động hóa công nghiệp.

Với những người muốn triển khai phát hiện đối tượng trong dự án, YOLOv4 vẫn là một lựa chọn đáng cân nhắc, nhất là khi hiệu năng thời gian thực được ưu tiên. Dù hiện Ultralytics tập trung hỗ trợ các phiên bản YOLO mới hơn như YOLO26 và YOLO11, những cải tiến kiến trúc được giới thiệu trong YOLOv4 đã ảnh hưởng đến quá trình phát triển các model sau này.

Trích dẫn và lời cảm ơn#

Chúng tôi xin ghi nhận những đóng góp quan trọng của các tác giả YOLOv4 trong lĩnh vực phát hiện đối tượng thời gian thực:

Trích dẫn
@misc{bochkovskiy2020yolov4,
      title={YOLOv4: Optimal Speed and Accuracy of Object Detection},
      author={Alexey Bochkovskiy and Chien-Yao Wang and Hong-Yuan Mark Liao},
      year={2020},
      eprint={2004.10934},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

Bài báo YOLOv4 gốc có trên arXiv. Các tác giả đã công khai công trình của mình và mã nguồn có thể truy cập trên GitHub. Chúng tôi trân trọng nỗ lực thúc đẩy lĩnh vực này và chia sẻ công trình với cộng đồng rộng lớn hơn của họ.

Câu hỏi thường gặp#

  • YOLOv4, viết tắt của “You Only Look Once phiên bản 4”, là model phát hiện đối tượng thời gian thực do Alexey Bochkovskiy và cộng sự phát triển vào năm 2020. Model cân bằng tốc độ và độ chính xác, phù hợp với các ứng dụng thời gian thực. Kiến trúc YOLOv4 tích hợp các kỹ thuật như Weighted-Residual-Connections (WRC), Cross-Stage-Partial-connections (CSP) và Huấn luyện tự đối kháng (SAT), kết hợp lại đã đạt kết quả tiên tiến tại thời điểm phát hành. YOLOv4 chạy hiệu quả trên một GPU phổ thông; để huấn luyện và triển khai nguyên bản bằng package Ultralytics, hãy sử dụng YOLO26.

  • Kiến trúc YOLOv4 gồm một số thành phần chính: backbone, neck và head. Backbone CSPDarknet53 được huấn luyện trước trên ImageNet và trích xuất đặc trưng. Neck sử dụng PANet để tổng hợp feature map từ các giai đoạn khác nhau. Cuối cùng, head theo kiến trúc YOLOv3 dự đoán lớp và bounding box của đối tượng. YOLOv4 cũng sử dụng các kỹ thuật “bag of freebies” như tăng cường dữ liệu Mosaic và regularization DropBlock để tối ưu hơn nữa tốc độ và độ chính xác.

  • "Tập hợp kỹ thuật miễn phí" là các phương pháp cải thiện độ chính xác khi training YOLOv4 mà không làm tăng chi phí inference. Những kỹ thuật này bao gồm nhiều hình thức tăng cường dữ liệu như biến đổi quang trắc (điều chỉnh độ sáng, độ tương phản, v.v.) và biến đổi hình học (co giãn, cắt, lật, xoay). Bằng cách tăng tính đa dạng của ảnh input, các phương pháp tăng cường này giúp YOLOv4 tổng quát hóa tốt hơn với nhiều loại ảnh khác nhau, qua đó cải thiện độ bền vững và độ chính xác mà không ảnh hưởng đến hiệu suất thời gian thực.

  • YOLOv4 được thiết kế để tối ưu cả tốc độ lẫn độ chính xác cho tác vụ phát hiện đối tượng thời gian thực. Model chạy trên một GPU phổ thông trong cả quá trình huấn luyện và suy luận, giúp giảm chi phí phần cứng và phù hợp với các ứng dụng từ hệ thống gợi ý đến quản lý quy trình độc lập.

  • Để bắt đầu với YOLOv4, bạn nên truy cập repo GitHub YOLOv4 chính thức. Làm theo hướng dẫn cài đặt trong file README, thường bao gồm clone repo, cài đặt dependency và thiết lập biến môi trường. Sau khi cài đặt, bạn có thể huấn luyện model bằng cách chuẩn bị dataset, cấu hình tham số model và làm theo hướng dẫn sử dụng. Vì hiện Ultralytics chưa hỗ trợ YOLOv4, bạn nên tham khảo trực tiếp GitHub YOLOv4 để có hướng dẫn chi tiết và cập nhật nhất.

Bình luận

Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.