การตรวจจับวัตถุโดยใช้คอมพิวเตอร์วิทัศน์

จิระเมศร์ รุจิกรหิรัณย์

ผู้แต่ง

จิระเมศร์ รุจิกรหิรัณย์ โรงเรียนบดินทรเดชา (สิงห์ สิงหเสนี)

คำสำคัญ:

การตรวจจับวัตถุ, คอมพิวเตอร์วิทัศน์, การเรียนรู้เชิงลึก

บทคัดย่อ

ในปัจจุบัน การพัฒนาเทคโนโลยีปัญญาประดิษฐ์และคอมพิวเตอร์วิทัศน์มีการเติบโตอย่างก้าวกระโดด การตรวจจับวัตถุ (object detection) ถือเป็นหนึ่งในเทคโนโลยีสำคัญที่ได้รับความสนใจอย่างต่อเนื่องจากนักวิจัยและนักพัฒนา หลายอุตสาหกรรมนำเทคโนโลยีนี้ไปประยุกต์ใช้ เช่น ระบบยานยนต์อัตโนมัติ การวิเคราะห์ภาพทางการแพทย์ ระบบเฝ้าระวังความปลอดภัย และการประมวลผลภาพในอุตสาหกรรม บทความนี้มุ่งนำเสนอการศึกษาเกี่ยวกับวิธีการตรวจจับวัตถุใน 3 ส่วนหลัก ส่วนแรกนำเสนอแนวคิดพื้นฐานและทฤษฎีที่เกี่ยวข้องกับการตรวจจับวัตถุ โดยอธิบายความแตกต่างระหว่างการจำแนกภาพ (image classification) และการตรวจจับวัตถุ รวมถึงองค์ประกอบหลักของระบบตรวจจับวัตถุ นอกจากนี้ ยังกล่าวถึงวิธีการประเมินประสิทธิภาพของโมเดลด้วยค่า average precision (AP) และ mean average precision (mAP) รวมทั้งทบทวนพัฒนาการของโมเดลตรวจจับวัตถุจากวิธีการดั้งเดิมไปสู่แนวทางสมัยใหม่แบบ one-stage และ two-stage พร้อมยกตัวอย่างการใช้งาน Faster R-CNN ส่วนที่สองมุ่งเน้นการศึกษาอัลกอริทึม YOLO (You Only Look Once) ซึ่งเป็นตัวแทนของวิธีการตรวจจับวัตถุแบบ single-stage โดย YOLO ได้รับความนิยมเนื่องจากสามารถทำงานได้รวดเร็วและยังคงรักษาความแม่นยำไว้ในระดับที่ดี บทความอธิบายหลักการทำงานของ YOLO รวมถึงการแบ่งภาพออกเป็นกริด และการทำนายกรอบขอบเขตกับประเภทของวัตถุไปพร้อมกัน พร้อมนำเสนอตัวอย่างโค้ดสำหรับการตรวจจับวัตถุในภาพนิ่งด้วย YOLOv5 ส่วนสุดท้ายขยายไปสู่การตรวจจับวัตถุในวีดิทัศน์ ซึ่งมีความท้าทายเพิ่มเติมด้านการประมวลผลแบบเรียลไทม์ โดยกล่าวถึงเทคนิคต่าง ๆ เพื่อเพิ่มประสิทธิภาพของโมเดล เช่น model quantization, pruning, knowledge distillation และการผสานการติดตามวัตถุเข้ากับการตรวจจับวัตถุโดยใช้ DeepSORT บทความยังสาธิตการประยุกต์ใช้โดยแสดงตัวอย่างการตรวจจับและติดตามรถยนต์ในวีดิทัศน์จราจร การสาธิตเหล่านี้แสดงให้เห็นว่าโมเดลตรวจจับวัตถุที่ผ่านการฝึกฝนล่วงหน้า โดยเฉพาะ Faster R-CNN และ YOLOv5 สามารถนำไปประยุกต์ใช้กับภาพนิ่งและเฟรมวีดิทัศน์เพื่อวัตถุประสงค์เชิงการเรียนรู้ได้ ทั้งนี้ บทความไม่ได้มุ่งเปรียบเทียบประสิทธิภาพของโมเดลอย่างเป็นระบบ แต่มุ่งนำเสนอตัวอย่างการใช้งานเชิงปฏิบัติสำหรับผู้อ่านที่เริ่มต้นศึกษาการตรวจจับวัตถุ

Downloads

Download data is not yet available.

เอกสารอ้างอิง

Bewley, A., Ge, Z., Ott, L., Ramos, F., & Upcroft, B. (2016). Simple online and realtime tracking. In 2016 IEEE International Conference on Image Processing (ICIP) (pp. 3464–3468). IEEE. https://doi.org/10.1109/ICIP.2016.7533003

Bochkovskiy, A., Wang, C.-Y., & Liao, H.-Y. M. (2020). YOLOv4: Optimal speed and accuracy of object detection. arXiv. https://arxiv.org/abs/2004.10934

Carion, N., Massa, F., Synnaeve, G., Usunier, N., Kirillov, A., & Zagoruyko, S. (2020). End-to-end object detection with transformers. In A. Vedaldi, H. Bischof, T. Brox, & J.-M. Frahm (Eds.), Computer vision – ECCV 2020 (Lecture Notes in Computer Science, Vol. 12346, pp. 213–229). Springer. https://doi.org/10.1007/978-3-030-58452-8_13

Girshick, R., Donahue, J., Darrell, T., & Malik, J. (2014). Rich feature hierarchies for accurate object detection and semantic segmentation. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 580–587). IEEE. https://doi.org/10.1109/CVPR.2014.81

He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 770–778). IEEE. https://doi.org/10.1109/CVPR.2016.90

Howard, A. G., Zhu, M., Chen, B., Kalenichenko, D., Wang, W., Weyand, T., Andreetto, M., & Adam, H. (2017). MobileNets: Efficient convolutional neural networks for mobile vision applications. arXiv. https://arxiv.org/abs/1704.04861

levan92. (n.d.). deep_sort_realtime [Computer software]. GitHub. Retrieved June 16, 2026, from https://github.com/levan92/deep_sort_realtime

Lin, T.-Y., Dollár, P., Girshick, R., He, K., Hariharan, B., & Belongie, S. (2017). Feature pyramid networks for object detection. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 2117–2125). IEEE.

Lin, T.-Y., Goyal, P., Girshick, R., He, K., & Dollár, P. (2017). Focal loss for dense object detection. In Proceedings of the IEEE International Conference on Computer Vision (pp. 2980–2988). IEEE. https://doi.org/10.1109/ICCV.2017.324

Lin, T.-Y., Maire, M., Belongie, S., Hays, J., Perona, P., Ramanan, D., Dollár, P., & Zitnick, C. L. (2014). Microsoft COCO: Common objects in context. In D. Fleet, T. Pajdla, B. Schiele, & T. Tuytelaars (Eds.), Computer vision – ECCV 2014 (Lecture Notes in Computer Science, Vol. 8693, pp. 740–755). Springer. https://doi.org/10.1007/978-3-319-10602-1_48

Liu, L., Ouyang, W., Wang, X., Fieguth, P., Chen, J., Liu, X., & Pietikäinen, M. (2020). Deep learning for generic object detection: A survey. International Journal of Computer Vision, 128(2), 261–318. https://doi.org/10.1007/s11263-019-01247-4

Liu, W., Anguelov, D., Erhan, D., Szegedy, C., Reed, S., Fu, C.-Y., & Berg, A. C. (2016). SSD: Single shot multibox detector. In B. Leibe, J. Matas, N. Sebe, & M. Welling (Eds.), Computer vision – ECCV 2016 (Lecture Notes in Computer Science, Vol. 9905, pp. 21–37). Springer. https://doi.org/10.1007/978-3-319-46448-0_2

OpenCV. (n.d.). OpenCV documentation. Retrieved June 16, 2026, from https://docs.opencv.org/4.x/

Park, J., Lee, J., & Jeong, J. (2024). LyFormer based object detection in reel package X-ray images of semiconductor component. Journal of King Saud University – Computer and Information Sciences, 36(1), Article 101859. https://doi.org/10.1016/j.jksuci.2023.101859

PyTorch. (n.d.). fasterrcnn_resnet50_fpn. Torchvision documentation. Retrieved June 16, 2026, from https://docs.pytorch.org/vision/stable/models/generated/torchvision.models.detection.fasterrcnn_resnet50_fpn.html

Redmon, J., & Farhadi, A. (2017). YOLO9000: Better, faster, stronger. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 7263–7271). IEEE. https://doi.org/10.1109/CVPR.2017.690

Redmon, J., & Farhadi, A. (2018). YOLOv3: An incremental improvement. arXiv. https://arxiv.org/abs/1804.02767

Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You only look once: Unified, real-time object detection. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 779–788). IEEE. https://doi.org/10.1109/CVPR.2016.91

Ren, S., He, K., Girshick, R., & Sun, J. (2015). Faster R-CNN: Towards real-time object detection with region proposal networks. In C. Cortes, N. Lawrence, D. Lee, M. Sugiyama, & R. Garnett (Eds.), Advances in neural information processing systems (Vol. 28, pp. 91–99). Curran Associates, Inc.

Rosebrock, A. (2016). Intersection over Union (IoU) for object detection. PyImageSearch. https://pyimagesearch.com/2016/11/07/intersection-over-union-iou-for-object-detection/

Sandler, M., Howard, A., Zhu, M., Zhmoginov, A., & Chen, L.-C. (2018). MobileNetV2: Inverted residuals and linear bottlenecks. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 4510–4520). IEEE. https://doi.org/10.1109/CVPR.2018.00474

Shah, D. (2022, March 7). Mean average precision (mAP) explained: Everything you need to know. V7 Labs. https://www.v7labs.com/blog/mean-average-precision

Sokolan, R. (n.d.). Car and truck traffic on the highway in Europe, Poland – Summer day [Stock video]. Vecteezy. Retrieved June 16, 2026, from https://www.vecteezy.com/video/7957364-car-and-truck-traffic-on-the-highway-in-europe-poland-summer-day

Tan, M., Pang, R., & Le, Q. V. (2020). EfficientDet: Scalable and efficient object detection. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 10781–10790). IEEE. https://doi.org/10.1109/CVPR42600.2020.01079

Ultralytics. (n.d.). Loading YOLOv5 from PyTorch Hub. Ultralytics Docs. Retrieved June 16, 2026, from https://docs.ultralytics.com/yolov5/tutorials/pytorch_hub_model_loading

Wang, C.-Y., Liao, H.-Y. M., Wu, Y.-H., Chen, P.-Y., Hsieh, J.-W., & Yeh, I.-H. (2020). CSPNet: A new backbone that can enhance learning capability of CNN. In Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW) (pp. 1571–1580). IEEE Computer Society. https://doi.org/10.1109/CVPRW50498.2020.00203

Wojke, N., Bewley, A., & Paulus, D. (2017). Simple online and realtime tracking with a deep association metric. In 2017 IEEE International Conference on Image Processing (ICIP) (pp. 3645–3649). IEEE. https://doi.org/10.1109/ICIP.2017.8296962

Yohanandan, S. (2020, June 9). mAP (mean average precision) might confuse you! Medium. https://medium.com/data-science/map-mean-average-precision-might-confuse-you-5956f1bfa9e2

Zhang, Y., Sun, P., Jiang, Y., Yu, D., Weng, F., Yuan, Z., Luo, P., Liu, W., & Wang, X. (2022). ByteTrack: Multi-object tracking by associating every detection box. In S. Avidan, G. Brostow, M. Cissé, G. M. Farinella, & T. Hassner (Eds.), Computer vision – ECCV 2022 (Lecture Notes in Computer Science, Vol. 13682, pp. 1–21). Springer. https://doi.org/10.1007/978-3-031-20047-2_1