1. Khái niệm

  • YOLOv8 = You Only Look Once -> Ý tưởng: dự đoán object trực tiếp từ ảnh trong 1 lần forward pass
  • YOLOv8 là phiên bản mới, cải tiến từ YOLOv5/7, tập trung vào: nhanh (real-time), chính xác hơn, dễ dùng hơn (API gọn)

2. Pipeline tổng thể

  • YOLOv8 = 3 phần chính:

  1. Backbone - trích xuất đặc trưng -> CNN học ra feature từ ảnh

    • input: ảnh (640x640)
    • output: feature map (ảnh đã encode)
    • VD: cạnh -> góc -> hình dạng -> object

  2. Neck - gom thông tin đa scale -> YOLOv8 dùng kiểu FPN/PAN

    • Mục tiêu detect object nhỏ + lớn cùng lúc
    • VD: mặt người xa -> small feature, xe ô tô gần -> large feature

  3. Head - dự đoán -> đây là phần quan trọng nhất

    • YOLOv8 dùng Anchor-free head (khác YOLOv5)
    • Nó dự đoán: bounding box (x, y, w, h), class, confidence

3. Điểm khác biệt của YOLOv8 so với YOLOv5

  1. Anchor-free

    • YOLOv5 phải định nghĩa anchor box
    • YOLOv8 không cần anchor, dự đoán trực tiếp
    • YOLOv8 ưu điểm: dễ train hơn, ít hyperparameter hơn

  2. Decoupled head

    • YOLOv8 tách: classification, regression (bbox)
    • giúp: học ổn định hơn, chính xác hơn

  3. Loss function cải tiến

    • YOLOv8 dùng: CloD/DFL (Distribution Focal Loss)
    • giúp: bbox chính xác hơn, giảm lệch vị trí

  4. Task đa dạng

    • YOLOv8 không chỉ detect: detection, segmentation, classification, pose (keypoint)

4. Cách model hiểu object

  • Step 1: Pixel -> Feature: CNN học cạnh, texture, pattern
  • Step 2: Feature -> Object: VD: hình tròn + 2 mắt -> face
  • Step 3: Predict box: model output đa dạng [x_center, y_center, width, height, confidence, class_probs...]

5. NMS

  • Sau khi predict xong sẽ có nhiều box trùng nhau -> dùng None-Max Suppression (NMS): giữ box có confidence cao nhất, loại box overlap

6. Augmentation

  • Mosaic: ghép 4 ảnh thành 1 giúp detect object nhỏ tốt hơn, đa dạng context
  • MixUp: trọn 2 ảnh lại giúp giảm overfit, học robust hơn

7. Vì sao model detect kém

  • YOLOv8 fail thường do:
  1. Data kém: ít ảnh, label sai, thiếu đa dạng
  2. Augmentation sai: mosaic quá mạnh -> mất realism, mixup nhiều -> nhiễu
  3. Overfit: train loss ↓, val loss ↑
  4. Scale object: object quá nhỏ -> cần mosaic + resize

8. Tóm tắt

  • YOLOv8 = CNN (backbone) + multi-scale fusion (neck) + anchor-free head + NMS