Mô hình và nền tảng AI
YOLOv7: Thuật Toán Phát Hiện Đối Tượng Tiên Tiến Nhất?

Điểm chínhYOLOv7 giới thiệu phương pháp tỷ lệ hợp chất được thiết kế đặc biệt cho các kiến trúc…
Xem thêm
- YOLOv7 giới thiệu phương pháp tỷ lệ hợp chất được thiết kế đặc biệt cho các kiến trúc dựa trên nối ghép như chính nó.
- Thuật toán thay thế việc gán nhãn động bằng phương pháp dẫn dắt từ thô đến tinh mới để ổn định quá trình huấn luyện.
- YOLOv7 tối ưu hóa huấn luyện thông qua 'tập hợp các tính năng miễn phí có thể huấn luyện' giúp cải thiện độ chính xác mà không tăng chi phí suy luận.
Ngày 6 tháng 7 năm 2022 sẽ được ghi nhớ như một dấu mốc trong lịch sử AI: đó là ngày YOLOv7 ra mắt. Từ khi phát hành, YOLOv7 đã trở thành chủ đề được quan tâm hàng đầu trong cộng đồng phát triển thị giác máy tính, và điều đó có cơ sở. Mô hình này đã được xem là một cột mốc trong lĩnh vực phát hiện đối tượng.
Ngay sau khi bài báo về YOLOv7 được công bố, mô hình đã nổi lên như hệ thống phát hiện đối tượng thời gian thực nhanh nhất và chính xác nhất. Nhưng YOLOv7 vượt các phiên bản trước như thế nào? Điều gì khiến nó hiệu quả trong các tác vụ thị giác máy tính?
Bài viết này phân tích YOLOv7 để tìm hiểu vì sao nó đang trở thành tiêu chuẩn của ngành. Trước hết, chúng ta cần điểm qua lịch sử phát hiện đối tượng.
Phát hiện đối tượng là gì?
Phát hiện đối tượng là một nhánh của thị giác máy tính nhằm xác định và định vị các đối tượng trong ảnh hoặc tệp video. Đây là nền tảng của nhiều ứng dụng, bao gồm xe tự lái, hệ thống giám sát và robot.
Mô hình phát hiện đối tượng có thể được chia thành hai nhóm: bộ phát hiện một lượt và bộ phát hiện nhiều lượt.
Phát hiện đối tượng thời gian thực
Để hiểu cách YOLOv7 hoạt động, cần nắm được mục tiêu chính của nó:phát hiện đối tượng thời gian thực. Đây là thành phần quan trọng của thị giác máy tính hiện đại. Các mô hình này tìm cách xác định và định vị đối tượng quan tâm theo thời gian thực, giúp nhà phát triển theo dõi chúng hiệu quả trong chuỗi hình ảnh chuyển động, chẳng hạn video hoặc luồng giám sát trực tiếp.

Các mô hình thời gian thực tiến thêm một bước so với mô hình phát hiện trên ảnh thông thường. Nhóm thứ nhất dùng để theo dõi đối tượng trong video; nhóm thứ hai định vị và xác định đối tượng trong khung hình tĩnh, chẳng hạn một bức ảnh.
Vì vậy, mô hình phát hiện đối tượng thời gian thực rất hiệu quả cho phân tích video, xe tự hành, đếm đối tượng, theo dõi nhiều đối tượng và nhiều ứng dụng khác.
YOLO là gì?
YOLO, viết tắt của “You Only Look Once”, là một họ mô hình phát hiện đối tượng thời gian thực. Joseph Redmon giới thiệu khái niệm này năm 2016. Nó gần như lập tức thu hút sự chú ý vì nhanh hơn và chính xác hơn nhiều so với các thuật toán khi đó. Không lâu sau, YOLO trở thành tiêu chuẩn trong thị giác máy tính.

Ý tưởng cốt lõi của YOLO là dùng mạng nơ-ron đầu-cuối với các hộp bao và xác suất lớp để dự đoán theo thời gian thực. Khác với các mô hình trước, YOLO đề xuất cách tiếp cận mới bằng việc tái sử dụng các bộ phân loại cho phát hiện đối tượng.
Thay đổi này có hiệu quả: khoảng cách hiệu suất đáng kể với các thuật toán thời gian thực khác đã giúp YOLO nhanh chóng trở thành tiêu chuẩn. Nhưng vì sao nó hiệu quả như vậy?
Các thuật toán khi đó dùng mạng đề xuất vùng để tìm những khu vực có thể chứa đối tượng quan tâm, sau đó nhận dạng từng vùng riêng biệt. Vì phải lặp lại nhiều lần trên cùng một ảnh, chúng thường kém chính xác hơn và mất nhiều thời gian thực thi hơn. Ngược lại, YOLO dùng một lớp kết nối đầy đủ để dự đoán trong một lượt.
YOLO hoạt động như thế nào?
Có thể giải thích cách YOLO hoạt động qua ba bước.
Quy phát hiện đối tượng về một bài toán hồi quy duy nhất
YOLO tìm cách quy phát hiện đối tượng về một bài toán hồi quy duy nhất, ánh xạ từ các điểm ảnh đến xác suất lớp và tọa độ hộp bao. Vì thế, thuật toán chỉ cần nhìn ảnh một lần để dự đoán và định vị các đối tượng mục tiêu.
Xem xét toàn bộ hình ảnh
Ngoài ra, khi dự đoán, YOLO xem xét hình ảnh một cách tổng thể. Khác với các kỹ thuật dựa trên đề xuất vùng hoặc cửa sổ trượt, nó nhìn toàn bộ ảnh trong quá trình huấn luyện và kiểm thử, nhờ đó mã hóa được thông tin ngữ cảnh về các lớp và hình thức xuất hiện của chúng.
Trước YOLO, Fast R-CNN là một thuật toán phổ biến nhưng không nắm được ngữ cảnh rộng hơn và thường nhầm các vùng nền với đối tượng. So với Fast R-CNN, YOLO chính xác hơn 50% về các lỗi liên quan đến nền.
Khái quát hóa biểu diễn đối tượng
YOLO còn hướng tới khái quát hóa biểu diễn của các đối tượng. Khi được chạy và đánh giá trên tập ảnh tự nhiên, nó vượt các mô hình R-CNN hiện có với khoảng cách lớn. Khả năng khái quát hóa cao giúp giảm nguy cơ thất bại khi gặp đầu vào bất ngờ hoặc miền dữ liệu mới.
YOLOv7 có gì mới?
Sau khi hiểu cơ bản về phát hiện đối tượng thời gian thực và YOLO, chúng ta có thể tìm hiểu thuật toán YOLOv7.
Tối ưu hóa quá trình huấn luyện
YOLOv7 tối ưu hóa cả kiến trúc mô hình lẫn quá trình huấn luyện. Nó dùng các mô-đun và phương pháp tối ưu hóa để tăng độ chính xác phát hiện, điều chỉnh chi phí huấn luyện nhưng giữ nguyên chi phí suy luận. Các mô-đun này tạo thành một tập kỹ thuật có thể huấn luyện mà không làm tăng chi phí suy luận, gọi là “trainable bag of freebies”.
Gán nhãn từ thô đến tinh do đầu chính dẫn dắt
YOLOv7 đề xuất phương pháp gán nhãn mới từ thô đến tinh, do đầu chính dẫn dắt, thay cho gán nhãn động truyền thống. Với gán nhãn động, huấn luyện mô hình có nhiều lớp đầu ra gây ra một số vấn đề, phổ biến nhất là cách gán mục tiêu động cho các nhánh và đầu ra khác nhau.
Tái tham số hóa mô hình
Tái tham số hóa là khái niệm quan trọng trong phát hiện đối tượng, nhưng có thể gây khó khăn khi huấn luyện. YOLOv7 sử dụng đường lan truyền gradient để phân tích các chiến lược tái tham số hóa áp dụng cho từng lớp của mạng.
Mở rộng quy mô theo cách mở rộng và kết hợp
YOLOv7 còn giới thiệu các phương pháp mở rộng quy mô theo cách mở rộng và kết hợp để tận dụng tham số và phép tính hiệu quả trong phát hiện đối tượng thời gian thực.

YOLOv7: nghiên cứu liên quan
Phát hiện đối tượng thời gian thực
YOLO là tiêu chuẩn của ngành, và phần lớn bộ phát hiện thời gian thực dùng các thuật toán YOLO và FCOS, tức Fully Convolutional One-Stage Object-Detection. Một bộ phát hiện tiên tiến thường có các đặc điểm sau:
- Kiến trúc mạng mạnh hơn và nhanh hơn.
- Phương pháp tích hợp đặc trưng hiệu quả.
- Phương pháp phát hiện đối tượng chính xác.
- Hàm mất mát vững chắc.
- Phương pháp gán nhãn hiệu quả.
- Phương pháp huấn luyện hiệu quả.
YOLOv7 không sử dụng học tự giám sát hay các phương pháp chưng cất, vốn thường cần nhiều dữ liệu. Thay vào đó, nó dùng tập kỹ thuật có thể huấn luyện mà không làm tăng chi phí suy luận.
Tái tham số hóa mô hình
Tái tham số hóa được xem là một kỹ thuật tổ hợp, hợp nhất nhiều mô-đun tính toán trong giai đoạn suy luận. Có thể chia thành hai nhóm: tổ hợp ở cấp mô hình và tổ hợp ở cấp mô-đun.
Để tạo mô hình suy luận cuối cùng, tái tham số hóa cấp mô hình dùng hai cách. Cách thứ nhất huấn luyện nhiều mô hình giống nhau trên dữ liệu khác nhau rồi lấy trung bình trọng số. Cách thứ hai lấy trung bình trọng số của mô hình ở các lần lặp khác nhau.
Tái tham số hóa cấp mô-đun ngày càng phổ biến. Trong huấn luyện, nó chia mô-đun thành các nhánh khác nhau hoặc giống nhau; đến giai đoạn suy luận, các nhánh được hợp nhất thành một mô-đun tương đương.
Tuy nhiên, không thể áp dụng các kỹ thuật này cho mọi kiến trúc. Vì vậy, YOLOv7 dùng kỹ thuật tái tham số hóa mới để thiết kế các chiến lược phù hợp với từng kiến trúc.
Thay đổi quy mô mô hình
Thay đổi quy mô là tăng hoặc giảm kích thước mô hình để phù hợp với các thiết bị tính toán. Các yếu tố gồm số lớp (độ sâu), kích thước ảnh đầu vào (độ phân giải), số tháp đặc trưng (giai đoạn) và số kênh (độ rộng). Chúng đóng vai trò quan trọng trong việc cân bằng tham số mạng, tốc độ suy luận, lượng tính toán và độ chính xác.
Một phương pháp phổ biến là NAS, tức tìm kiếm kiến trúc mạng, tự động tìm các hệ số quy mô phù hợp trong không gian tìm kiếm mà không cần quy tắc phức tạp. Nhược điểm chính là chi phí tìm kiếm cao.
Hầu hết mô hình tái tham số hóa phân tích và tối ưu hóa từng hệ số quy mô một cách độc lập, vì kiến trúc NAS làm việc với các hệ số không tương quan.
Ở các mô hình dựa trên phép nối, như VoVNet hoặc DenseNet, độ rộng đầu vào của một số lớp thay đổi khi tăng giảm độ sâu. YOLOv7 dùng kiến trúc dựa trên phép nối được đề xuất, nên áp dụng phương pháp thay đổi quy mô kết hợp.

Hình trên so sánh các mạng tổng hợp lớp hiệu quả mở rộng (E-ELAN) của những mô hình khác nhau. E-ELAN giữ nguyên đường truyền gradient của kiến trúc gốc nhưng tăng số lượng thành phần của các đặc trưng bổ sung bằng tích chập theo nhóm. Điều này làm phong phú đặc trưng học từ các bản đồ khác nhau và tăng hiệu quả sử dụng phép tính cùng tham số.
Kiến trúc YOLOv7
YOLOv7 dựa trên YOLOv4, YOLO-R và Scaled YOLOv4. Nó là kết quả của các thí nghiệm trên những mô hình này nhằm cải thiện kết quả và tăng độ chính xác.
Mạng tổng hợp lớp hiệu quả mở rộng, hay E-ELAN
E-ELAN là khối xây dựng cơ bản của YOLOv7, phát triển từ các mô hình hiệu quả mạng đã có, đặc biệt là ELAN.
Khi thiết kế kiến trúc hiệu quả, cần xem xét số tham số, mật độ tính toán và lượng phép tính. Một số mô hình còn xét tỷ lệ kênh vào/ra, các nhánh mạng, tốc độ suy luận, số phần tử trong tensor của mạng tích chập và những yếu tố khác.
Mô hình CSPVoNet không chỉ xét các yếu tố trên mà còn phân tích đường gradient để học đặc trưng đa dạng hơn thông qua trọng số của các lớp khác nhau. Điều này giúp suy luận nhanh và chính xác hơn. Kiến trúc ELAN hướng tới thiết kế mạng hiệu quả bằng cách kiểm soát các đường gradient ngắn nhất và dài nhất, giúp học và hội tụ tốt hơn.
ELAN đã đạt trạng thái ổn định xét theo số khối tính toán xếp chồng và độ dài đường gradient. Xếp chồng không giới hạn có thể phá vỡ trạng thái này và làm giảm mức tận dụng tham số. Kiến trúc E-ELAN được đề xuất giải quyết vấn đề bằng mở rộng, xáo trộn và hợp nhất số lượng thành phần , liên tục cải thiện khả năng học của mạng trong khi vẫn giữ đường gradient gốc.
Khi so sánh E-ELAN với ELAN, điểm khác biệt duy nhất nằm ở khối tính toán, còn kiến trúc lớp chuyển tiếp không thay đổi.
E-ELAN đề xuất tăng số lượng thành phần của các khối tính toán và mở rộng số kênh bằng tích chập theo nhóm. Các bản đồ đặc trưng được tính toán, xáo trộn thành nhóm theo tham số nhóm rồi nối lại. Số kênh trong mỗi nhóm giữ nguyên như kiến trúc gốc. Cuối cùng, các nhóm bản đồ đặc trưng được cộng lại để thực hiện việc hợp nhất số lượng thành phần.
Thay đổi quy mô mô hình dựa trên phép nối
Việc thay đổi quy mô giúp điều chỉnh thuộc tính của mô hình để tạo các mô hình có kích thước khác nhau theo yêu cầu và tốc độ suy luận mong muốn.

Hình minh họa việc thay đổi quy mô của các mô hình dựa trên phép nối. Trong (a) và (b), độ rộng đầu ra của khối tính toán tăng khi tăng độ sâu, làm tăng cả độ rộng đầu vào của lớp chuyển tiếp. Hình (c) thể hiện việc thay đổi độ sâu trên kiến trúc dựa trên phép nối.
Do đó, không thể phân tích độc lập các hệ số quy mô của loại mô hình này mà phải xem xét chúng cùng nhau. Với mô hình dựa trên phép nối, nên sử dụng phương pháp thay đổi quy mô kết hợp tương ứng. Khi tăng giảm hệ số độ sâu, các kênh đầu ra của khối cũng phải thay đổi theo.
Các kỹ thuật có thể huấn luyện không làm tăng chi phí suy luận
Nhà phát triển dùng thuật ngữ “bag of freebies” để chỉ tập hợp phương pháp hoặc kỹ thuật có thể thay đổi chiến lược hay chi phí huấn luyện nhằm nâng cao độ chính xác. YOLOv7 có những kỹ thuật nào thuộc nhóm này? Hãy cùng xem xét.
Tích chập tái tham số hóa có kế hoạch
YOLOv7 sử dụng các đường lan truyền gradient để xác định cách kết hợp mạng với tích chập tái tham số hóa một cách phù hợp nhất. Cách tiếp cận này nhằm khắc phục hạn chế của thuật toán RepConv , vốn hoạt động tốt trên VGG nhưng kém hiệu quả khi áp dụng trực tiếp cho DenseNet và ResNet.
Để xác định các kết nối trong một lớp tích chập, RepConv kết hợp tích chập 3×3 và 1×1. Phân tích thuật toán, hiệu suất và kiến trúc cho thấy RepConv phá vỡ phép nối trong DenseNet và kết nối phần dư trong ResNet.

Hình trên mô tả mô hình tái tham số hóa có kế hoạch. YOLOv7 nhận thấy lớp có phép nối hoặc kết nối phần dư không nên có kết nối đồng nhất trong RepConv. Vì vậy, có thể thay bằng RepConvN không chứa kết nối đồng nhất.
Nhãn thô cho mất mát phụ và nhãn tinh cho mất mát chính
Giám sát sâu là một lĩnh vực tin học thường được dùng khi huấn luyện mạng sâu. Nguyên tắc cơ bản là thêm một đầu phụ vào các lớp trung gian của mạng , dùng mất mát phụ để dẫn dắt cả trọng số ở phần mạng nông. YOLOv7 gọi đầu chịu trách nhiệm đầu ra cuối cùng là đầu chính, còn đầu phụ hỗ trợ huấn luyện.
YOLOv7 cũng sử dụng phương pháp gán nhãn khác. Trước đây, nhãn được tạo trực tiếp từ dữ liệu chuẩn thực tế và tập quy tắc xác định. Những năm gần đây, phân bố và chất lượng dự đoán đầu vào đóng vai trò quan trọng trong việc tạo nhãn đáng tin cậy. YOLOv7 tạo nhãn mềm cho đối tượng bằng dự đoán hộp bao và dữ liệu chuẩn thực tế.
Phương pháp mới dùng dự đoán của đầu chính để dẫn dắt cả đầu chính lẫn đầu phụ. Có hai chiến lược được đề xuất.
Bộ gán nhãn do đầu chính dẫn dắt
Chiến lược này tính toán dựa trên dự đoán của đầu chính và dữ liệu chuẩn thực tế, sau đó tối ưu hóa để tạo nhãn mềm. Các nhãn này được dùng huấn luyện cả hai đầu.
Giả định là đầu chính có khả năng học tốt hơn, nên tạo ra nhãn có tính đại diện cao hơn và liên hệ được nguồn với mục tiêu.
Bộ gán nhãn từ thô đến tinh do đầu chính dẫn dắt
Chiến lược này cũng tính toán dựa trên dự đoán đầu chính và dữ liệu chuẩn thực tế rồi tối ưu hóa để tạo nhãn mềm. Khác biệt nằm ở hai tập nhãn: nhãn thô và nhãn tinh.
Nhãn thô được tạo bằng cách nới lỏng các ràng buộc khi gán mẫu dương,
coi nhiều ô lưới hơn là mục tiêu dương. Điều này giúp tránh mất thông tin do khả năng học yếu hơn của đầu phụ.

Hình trên giải thích các kỹ thuật có thể huấn luyện của YOLOv7: nhãn thô cho đầu phụ và nhãn tinh cho đầu chính. Mô hình ở (b) có đầu phụ, trong khi mô hình thông thường ở (a) không có.
Hình (c) mô tả bộ gán nhãn độc lập thông thường. Hình (d) và (e) lần lượt thể hiện bộ gán nhãn do đầu chính dẫn dắt và phiên bản từ thô đến tinh của YOLOv7.
Các kỹ thuật có thể huấn luyện khác
Ngoài các kỹ thuật trên, YOLOv7 còn dùng những kỹ thuật không do chính tác giả ban đầu đề xuất:
- Chuẩn hóa theo lô trong chuỗi Conv-Bn-Activation: chiến lược này nối trực tiếp lớp tích chập với lớp chuẩn hóa theo lô.
- Tri thức ngầm trong YOLOR: YOLOv7 kết hợp chiến lược này với bản đồ đặc trưng tích chập.
- Mô hình EMA: được dùng làm mô hình tham chiếu cuối cùng trong YOLOv7, dù ứng dụng chính là trong phương pháp mean teacher.
YOLOv7: thí nghiệm
Thiết lập thí nghiệm
YOLOv7 dùng tập dữ liệu Microsoft COCO để huấn luyện và xác thực mô hình phát hiện đối tượng. Không phải mọi thí nghiệm đều dùng mô hình đã được huấn luyện trước. Các nhà phát triển dùng tập huấn luyện năm 2017 để huấn luyện và tập xác thực năm 2017 để chọn siêu tham số. Cuối cùng, kết quả được so sánh với các thuật toán phát hiện tiên tiến.
Các nhà phát triển thiết kế mô hình cơ sở cho GPU biên (YOLOv7-tiny), GPU thông thường (YOLOv7) và GPU đám mây (YOLOv7-W6). Họ còn thay đổi quy mô mô hình cơ sở theo yêu cầu dịch vụ để tạo các biến thể. Việc xếp chồng được thay đổi ở phần neck; các phương pháp kết hợp được đề xuất tăng cả độ sâu lẫn độ rộng.
Mô hình cơ sở để so sánh
YOLOv7 dùng các mô hình YOLO trước đó và thuật toán phát hiện YOLOR làm cơ sở so sánh.

Hình trên so sánh mô hình cơ sở của YOLOv7 với các mô hình phát hiện khác, cho kết quả rõ ràng. So với YOLOv4, YOLOv7 dùng ít hơn 75% tham số, ít hơn 15% phép tính và có độ chính xác cao hơn 0,4%.
So sánh với các mô hình phát hiện tiên tiến

Hình trên thể hiện kết quả so sánh với các mô hình tiên tiến cho GPU di động và GPU đa dụng. Phương pháp của YOLOv7 có sự cân bằng tốt nhất giữa tốc độ và độ chính xác.
Nghiên cứu loại bỏ thành phần: phương pháp thay đổi quy mô kết hợp

Hình trên so sánh các chiến lược tăng kích thước mô hình. YOLOv7 tăng độ sâu khối tính toán 1,5 lần và độ rộng 1,25 lần.
So với mô hình chỉ tăng độ sâu, YOLOv7 tốt hơn 0,5% trong khi dùng ít tham số và phép tính hơn. So với các mô hình chỉ tăng độ sâu, độ chính xác tăng 0,2%, nhưng số tham số phải tăng 2,9% và lượng tính toán tăng 1,2%.
Mô hình tái tham số hóa có kế hoạch được đề xuất
Để kiểm chứng tính khái quát, YOLOv7 áp dụng mô hình tái tham số hóa cho cả kiến trúc phần dư lẫn kiến trúc dựa trên phép nối. Trong kiểm chứng, thuật toán dùng ELAN với ba khối xếp chồng cho mô hình dựa trên phép nối và CSPDarknet cho mô hình phần dư.
Với mô hình dựa trên phép nối, các lớp tích chập 3×3 trong ELAN ba khối được thay bằng RepConv. Hình dưới thể hiện cấu hình chi tiết của Planned RepConv và phiên bản ELAN này.

Với mô hình phần dư, YOLOv7 dùng khối dark đảo ngược vì khối gốc không có khối tích chập 3×3. Hình dưới mô tả Reversed CSPDarknet, trong đó vị trí của lớp tích chập 3×3 và 1×1 được hoán đổi. 
Mất mát hỗ trợ được đề xuất cho đầu phụ
Đối với mất mát hỗ trợ này, YOLOv7 so sánh việc gán nhãn độc lập cho đầu phụ và đầu chính.

Hình trên cho kết quả nghiên cứu về đầu phụ được đề xuất. Hiệu suất tổng thể tăng theo mất mát hỗ trợ. Ngoài ra, gán nhãn do đầu chính dẫn dắt tốt hơn các chiến lược gán nhãn độc lập.
Kết quả YOLOv7
Từ các thí nghiệm trên, sau đây là hiệu suất YOLOv7 so với những thuật toán phát hiện khác.

Hình trên so sánh YOLOv7 với các thuật toán khác và cho thấy nó vượt trội về tương quan giữa độ chính xác trung bình (AP) và suy luận theo lô.
Hình dưới so sánh hiệu suất YOLOv7 với các thuật toán phát hiện thời gian thực khác. Một lần nữa, YOLOv7 vượt các mô hình khác về hiệu suất tổng thể, độ chính xác và hiệu quả.

Một số nhận xét bổ sung từ kết quả:
- YOLOv7-Tiny là mô hình nhỏ nhất trong họ YOLO, có hơn sáu triệu tham số. Nó đạt độ chính xác trung bình 35,2% và vượt các mô hình YOLOv4-Tiny có số tham số tương đương.
- YOLOv7 có hơn 37 triệu tham số và vượt các mô hình có nhiều tham số hơn, như YOLOv4.
- YOLOv7 có mAP và tốc độ FPS cao nhất trong khoảng 5–160 FPS.
Kết luận
YOLO, hay You Only Look Once, là mô hình phát hiện đối tượng tiên tiến trong thị giác máy tính hiện đại. Nổi tiếng nhờ độ chính xác và hiệu quả, nó được ứng dụng rộng rãi trong phát hiện thời gian thực. Từ khi ra mắt năm 2016, các thí nghiệm đã giúp nhà phát triển liên tục cải tiến mô hình.
YOLOv7 là thành viên mới nhất của họ YOLO và là thuật toán YOLO mạnh nhất tại thời điểm được mô tả trong bài viết. Chúng ta đã xem xét các nguyên lý cơ bản và giải thích điều gì khiến nó hiệu quả.












