Object Tracking: Từ YOLO Detection đến Theo Dõi Đối Tượng Trong Video

Nếu Object Detection trả lời câu hỏi “Trong khung hình này có gì?”, thì Object Tracking đi thêm một bước: “Đối tượng này có phải là đối tượng tôi vừa thấy ở frame trước không?”

Đây là khác biệt khá quan trọng khi làm Video AI. YOLO có thể phát hiện một chiếc xe, một người hay một vật thể trong từng frame, nhưng để biết đối tượng đó đang di chuyển như thế nào xuyên suốt video, chúng ta cần thêm một lớp tracking.

Nói đơn giản: Detection giúp AI nhìn thấy đối tượng, còn Tracking giúp AI nhớ đối tượng đó.

Sau khi YOLO phát hiện các đối tượng, tracker cần quyết định detection mới thuộc về đối tượng nào đang được theo dõi.

Để làm điều đó, tracker có thể sử dụng nhiều thông tin:

• Vị trí của bounding box.
• Khoảng cách giữa các đối tượng.
• IoU (Intersection over Union).
• Hướng và tốc độ chuyển động.
• Confidence của detection.
• Appearance feature trong những tracker nâng cao.

Ví dụ, nếu một chiếc xe ở frame trước nằm bên trái và frame hiện tại xuất hiện ở vị trí hơi dịch sang phải, tracker có thể xác định hai detection này thuộc cùng một track.

Khi làm việc tốt, ID của đối tượng sẽ được duy trì ổn định:

       Frame 01   Frame 02   Frame 03   Frame 04

Car       ID 07  →   ID 07  →   ID 07  →   ID 07

Person    ID 12  →   ID 12  →   ID 12  →   ID 12

Nhờ vậy, hệ thống có thể bắt đầu hiểu chuyển động theo thời gian, thay vì chỉ phân tích từng hình ảnh độc lập.

Không có một tracker duy nhất phù hợp cho mọi trường hợp. Một số thuật toán thường gặp trong các pipeline Computer Vision là SORT, DeepSORT và ByteTrack.

SORT tập trung vào tốc độ và sự đơn giản, phù hợp với những hệ thống cần tracking realtime mà không muốn thêm quá nhiều computation.

DeepSORT bổ sung thông tin về appearance của đối tượng. Điều này có ích khi nhiều người hoặc phương tiện cùng xuất hiện và có khả năng đi ngang qua nhau.

ByteTrack có một cách tiếp cận khá thú vị: thay vì bỏ hoàn toàn những detection có confidence thấp, nó có thể tận dụng chúng trong quá trình matching. Điều này giúp duy trì track tốt hơn trong một số tình huống đối tượng bị che khuất hoặc detection không thực sự rõ ràng.

Vì vậy, khi lựa chọn tracker, bài toán không chỉ là “cái nào chính xác nhất?”, mà còn phải cân bằng giữa accuracy, tốc độ, latency và tài nguyên GPU.

Có khá nhiều cách để giảm tải cho hệ thống.

Một trong những cách đơn giản là không chạy detection trên mọi frame.

Ví dụ:

Frame 01 → YOLO Detection

Frame 02 → Tracking

Frame 03 → Tracking

Frame 04 → YOLO Detection

Tracker sẽ duy trì vị trí của đối tượng giữa những lần detection.

Ngoài ra, có thể cân nhắc:

• Giảm độ phân giải input khi phù hợp.
• Batch nhiều frame từ các camera.
• Tối ưu preprocessing/postprocessing.
• Sử dụng hardware video decode/encode.
• Phân bổ workload hợp lý giữa CPU và GPU.

Với hệ thống nhiều camera, việc tận dụng NVDEC cho video decoding và NVENC cho encoding có thể giúp pipeline tránh dồn toàn bộ công việc video vào CPU hoặc phần compute chính của GPU.

Khi workload bắt đầu tăng lên, việc thử nghiệm trên nhiều cấu hình GPU cũng trở nên cần thiết. Đây là lúc GPU cloud như iRender khá hữu ích: có thể dựng môi trường để benchmark YOLO + Tracker, thử các độ phân giải hoặc số lượng camera khác nhau, rồi điều chỉnh cấu hình GPU theo workload thực tế thay vì phải đầu tư một hệ thống cố định ngay từ đầu.

Object Tracking là bước chuyển từ Detection sang Video Intelligence.

Nếu YOLO cho chúng ta biết “có một chiếc xe ở đây”, Tracking giúp trả lời những câu hỏi tiếp theo: “Chiếc xe đó là chiếc nào, nó đã đi đâu và đang di chuyển như thế nào?”

Kết hợp YOLO với các tracker như SORT, DeepSORT hoặc ByteTrack, chúng ta có thể xây dựng nền tảng cho rất nhiều ứng dụng Video AI như giao thông thông minh, giám sát, đếm đối tượng và phân tích hành vi.

Và khi pipeline mở rộng lên nhiều camera, bài toán không còn đơn thuần là chạy model trên GPU. Decode, preprocessing, inference, tracking và encode đều phải được tính đến.

Đó cũng là lúc việc có một hạ tầng GPU linh hoạt để test, benchmark và scale theo workload trở nên quan trọng. Với các pipeline Computer Vision cần nhiều GPU hoặc muốn thử nghiệm nhanh nhiều cấu hình, iRender GPU Cloud có thể được sử dụng như một môi trường để đưa pipeline từ thử nghiệm sang triển khai thực tế.

1. Object Tracking là gì?
   Object Tracking là kỹ thuật theo dõi một đối tượng xuyên suốt nhiều frame trong video.
2. YOLO có làm Object Tracking không?
   Có. YOLO có thể kết hợp với các tracker để phát hiện và theo dõi đối tượng trong video.
3. YOLO Detection khác Object Tracking thế nào?
   Detection tìm đối tượng trong từng frame, còn Tracking duy trì ID của đối tượng qua nhiều frame.
4. SORT, DeepSORT và ByteTrack là gì?
   Đây là những thuật toán tracking phổ biến, giúp liên kết các detection giữa các frame.
5. Object Tracking có cần GPU không?
   Không bắt buộc, nhưng GPU rất hữu ích khi chạy YOLO + Tracking realtime hoặc xử lý nhiều camera.
6. Object Tracking dùng để làm gì?
   Tracking được dùng cho đếm người, đếm xe, theo dõi phương tiện, phân tích chuyển động và Video Analytics.
7. Có thể chạy YOLO Tracking trên GPU Cloud không?
   Có. GPU Cloud như iRender có thể dùng để thử nghiệm, benchmark và triển khai các pipeline YOLO + Object Tracking với nhiều cấu hình GPU khác nhau.