Lịch sử các model thị giác

Thị giác máy tính là gì#

Hãy tưởng tượng bạn bước vào một cửa hàng, nơi camera nhận diện khuôn mặt, phân tích tâm trạng và đề xuất sản phẩm phù hợp với sở thích của bạn — tất cả đều diễn ra theo thời gian thực. Đây không phải khoa học viễn tưởng mà là hiện thực nhờ các model thị giác hiện đại. Theo một báo cáo của Fortune Business Insight, quy mô thị trường thị giác máy tính toàn cầu được định giá 20,31 tỷ USD vào năm 2023 và dự kiến tăng từ 25,41 tỷ USD vào năm 2024 lên 175,72 tỷ USD vào năm 2032, phản ánh tốc độ phát triển nhanh chóng và mức độ ứng dụng ngày càng tăng của công nghệ này trong nhiều ngành.

Lĩnh vực thị giác máy tính cho phép máy tính phát hiện, nhận diện và phân tích các đối tượng trong ảnh. Tương tự những lĩnh vực khác liên quan đến AI, thị giác máy tính đã phát triển nhanh chóng trong vài thập kỷ qua và đạt được những tiến bộ đáng kể.

Lịch sử thị giác máy tính rất phong phú. Trong những năm đầu, các model thị giác máy tính có thể phát hiện những hình dạng và cạnh đơn giản, thường chỉ giới hạn ở các tác vụ cơ bản như nhận diện mẫu hình học hoặc phân biệt vùng sáng và vùng tối. Tuy nhiên, các model ngày nay có thể thực hiện những tác vụ phức tạp như phát hiện đối tượng theo thời gian thực, nhận diện khuôn mặt và thậm chí diễn giải cảm xúc qua biểu cảm khuôn mặt với độ chính xác và hiệu quả vượt trội. Bước tiến vượt bậc này cho thấy những thành tựu đáng kể về năng lực tính toán, độ tinh vi của thuật toán và khả năng tiếp cận lượng dữ liệu khổng lồ để huấn luyện.

Trong bài viết này, chúng ta sẽ tìm hiểu những cột mốc quan trọng trong quá trình phát triển của thị giác máy tính. Chúng ta sẽ lần theo những bước khởi đầu, đi sâu vào tác động mang tính chuyển đổi của Mạng nơ-ron tích chập (CNN) và xem xét những tiến bộ quan trọng tiếp theo.

Những bước khởi đầu của thị giác máy tính#

Cũng như các lĩnh vực AI khác, quá trình phát triển ban đầu của thị giác máy tính bắt đầu với những nghiên cứu nền tảng và công trình lý thuyết. Một cột mốc quan trọng là công trình tiên phong về nhận diện vật thể 3D của Lawrence G. Roberts, được trình bày trong luận văn "Tri giác máy về vật thể rắn ba chiều" vào đầu những năm 1960. Những đóng góp của ông đã đặt nền móng cho các tiến bộ sau này trong lĩnh vực.

Các thuật toán đầu tiên - phát hiện cạnh#

Nghiên cứu thị giác máy tính thời kỳ đầu tập trung vào các kỹ thuật xử lý ảnh như phát hiện cạnh và trích xuất đặc trưng. Những thuật toán như toán tử Sobel, được phát triển vào cuối những năm 1960, là một trong những phương pháp đầu tiên phát hiện cạnh bằng cách tính gradient cường độ ảnh.

Hình 1. Ảnh minh họa phát hiện cạnh: bên trái là đối tượng ban đầu, bên phải là phiên bản đã phát hiện cạnh.

Các kỹ thuật như bộ phát hiện cạnh Sobel và Canny đóng vai trò quan trọng trong việc xác định ranh giới bên trong ảnh, yếu tố thiết yếu để nhận diện đối tượng và hiểu cảnh.

Học máy và thị giác máy tính#

Nhận dạng mẫu#

Vào những năm 1970, nhận dạng mẫu nổi lên như một lĩnh vực trọng yếu của thị giác máy tính. Các nhà nghiên cứu đã phát triển phương pháp nhận diện hình dạng, kết cấu và đối tượng trong ảnh, mở đường cho những tác vụ thị giác phức tạp hơn.

Hình 2. Nhận dạng mẫu.

Một trong những phương pháp nhận dạng mẫu ban đầu là đối sánh mẫu, trong đó ảnh được so sánh với một tập hợp mẫu để tìm ra kết quả khớp nhất. Cách tiếp cận này bị hạn chế bởi độ nhạy với những biến đổi về tỷ lệ, góc xoay và nhiễu.

Hình 3. Mẫu ở bên trái được tìm thấy trong ảnh bên phải.

Các hệ thống thị giác máy tính thời kỳ đầu bị giới hạn bởi năng lực tính toán còn hạn chế lúc bấy giờ. Máy tính trong những năm 1960 và 1970 cồng kềnh, đắt đỏ và có khả năng xử lý hạn chế.

Deep Learning tạo nên bước ngoặt#

Deep Learning và Mạng nơ-ron tích chập#

Deep Learning và Mạng nơ-ron tích chập (CNN) đánh dấu bước ngoặt quan trọng trong lĩnh vực thị giác máy tính. Những tiến bộ này đã làm thay đổi sâu sắc cách máy tính diễn giải và phân tích dữ liệu hình ảnh, đồng thời mở ra nhiều ứng dụng trước đây được cho là bất khả thi.

CNN hoạt động như thế nào?#

Hình 4. Kiến trúc của Mạng nơ-ron tích chập (CNN).

1. Các lớp tích chập: CNN sử dụng các lớp tích chập, một loại model deep learning được thiết kế để xử lý dữ liệu có cấu trúc dạng lưới như ảnh hoặc chuỗi bằng cách tự động học các mẫu phân cấp, qua đó quét ảnh bằng các bộ lọc hoặc kernel. Các bộ lọc này phát hiện nhiều đặc trưng như cạnh, kết cấu và màu sắc bằng cách trượt qua ảnh và tính tích vô hướng. Mỗi bộ lọc kích hoạt những mẫu hình cụ thể trong ảnh, cho phép model học các đặc trưng phân cấp.
2. Hàm kích hoạt: Sau phép tích chập, các hàm kích hoạt như ReLU (đơn vị tuyến tính chỉnh lưu) — một hàm kích hoạt phổ biến trong deep learning, trả về trực tiếp đầu vào nếu giá trị đó dương và trả về 0 trong trường hợp ngược lại — giúp mạng nơ-ron học hiệu quả các mối quan hệ phi tuyến trong dữ liệu. Điều này giúp mạng học các mẫu và biểu diễn phức tạp.
3. Các lớp pooling: Các lớp pooling thực hiện thao tác giảm mẫu, giúp giảm số chiều của feature map, trích xuất những đặc trưng phù hợp nhất đồng thời giảm chi phí tính toán và hiện tượng overfitting.
4. Các lớp kết nối đầy đủ: Những lớp cuối cùng của CNN là các lớp kết nối đầy đủ, diễn giải các đặc trưng do các lớp tích chập và pooling trích xuất để đưa ra dự đoán. Các lớp này tương tự những lớp trong mạng nơ-ron truyền thống.

Quá trình phát triển của các model thị giác CNN#

Quá trình phát triển của các model thị giác rất dài, với một số model đáng chú ý nhất gồm:

• LeNet (1989): LeNet là một trong những kiến trúc CNN đầu tiên, chủ yếu được sử dụng để nhận diện chữ số trên séc viết tay. Thành công của LeNet đã đặt nền móng cho các CNN phức tạp hơn, chứng minh tiềm năng của deep learning trong xử lý ảnh.

• AlexNet (2012): AlexNet vượt trội đáng kể so với các model hiện có trong cuộc thi ImageNet, cho thấy sức mạnh của deep learning. Model này sử dụng hàm kích hoạt ReLU, dropout và tăng cường dữ liệu, thiết lập những chuẩn mực mới trong phân loại ảnh và khơi dậy sự quan tâm rộng rãi đến CNN.

• VGGNet (2014): Bằng cách sử dụng các bộ lọc tích chập nhỏ hơn (3x3), VGGNet đạt kết quả ấn tượng trong các tác vụ phân loại ảnh, củng cố tầm quan trọng của độ sâu mạng đối với việc nâng cao độ chính xác.

• ResNet (2015): ResNet giải quyết vấn đề suy giảm trong các mạng sâu bằng cách đưa vào phương pháp học phần dư. Đổi mới này cho phép huấn luyện các mạng sâu hơn nhiều, mang lại hiệu năng tiên tiến nhất trong nhiều tác vụ thị giác máy tính.

• YOLO (Bạn chỉ nhìn một lần): YOLO đã cách mạng hóa phát hiện đối tượng bằng cách mô hình hóa tác vụ này thành một bài toán hồi quy duy nhất, trực tiếp dự đoán bounding box và xác suất lớp từ toàn bộ ảnh chỉ trong một lần đánh giá. Cách tiếp cận này cho phép phát hiện đối tượng theo thời gian thực với tốc độ và độ chính xác chưa từng có, phù hợp với các ứng dụng cần xử lý tức thời như xe tự hành và giám sát.

Các ứng dụng của thị giác máy tính#

Chăm sóc sức khỏe#

Thị giác máy tính có rất nhiều ứng dụng. Chẳng hạn, các model thị giác như Ultralytics YOLOv8 được sử dụng trong chẩn đoán hình ảnh y khoa để phát hiện các bệnh như ung thư và bệnh võng mạc tiểu đường. Các model này phân tích ảnh X-quang, MRI và CT với độ chính xác cao, giúp phát hiện sớm những bất thường. Khả năng phát hiện sớm này cho phép can thiệp kịp thời và cải thiện kết quả điều trị cho bệnh nhân.

Hình 5. Phát hiện khối u não bằng Ultralytics YOLOv8.

Bảo vệ môi trường#

Các model thị giác máy tính hỗ trợ giám sát và bảo vệ các loài có nguy cơ tuyệt chủng bằng cách phân tích ảnh và video từ sinh cảnh động vật hoang dã. Các model này nhận diện và theo dõi hành vi của động vật, cung cấp dữ liệu về quần thể và sự di chuyển của chúng. Công nghệ này hỗ trợ xây dựng chiến lược bảo tồn và đưa ra quyết định chính sách nhằm bảo vệ những loài như hổ và voi.

Với sự trợ giúp của vision AI, các mối đe dọa môi trường khác như cháy rừng và nạn phá rừng cũng có thể được giám sát, giúp chính quyền địa phương phản ứng nhanh chóng.

Hình 6. Ảnh vệ tinh chụp đám cháy rừng.

Thách thức và định hướng tương lai#

Mặc dù đã đạt được nhiều thành tựu đáng kể, do độ phức tạp cao và quá trình phát triển đòi hỏi nhiều công sức, các model thị giác vẫn phải đối mặt với nhiều thách thức cần được giải quyết thông qua nghiên cứu liên tục và những tiến bộ trong tương lai.

Khả năng diễn giải và giải thích#

Các model thị giác, đặc biệt là model deep learning, thường được xem như "hộp đen" với mức độ minh bạch hạn chế. Nguyên nhân là do các model này vô cùng phức tạp. Việc thiếu khả năng diễn giải cản trở lòng tin và trách nhiệm giải trình, đặc biệt trong các ứng dụng quan trọng như chăm sóc sức khỏe.

Yêu cầu về năng lực tính toán#

Việc huấn luyện và triển khai các model AI tiên tiến nhất đòi hỏi nguồn lực tính toán đáng kể. Điều này đặc biệt đúng với các model thị giác, vốn thường cần xử lý lượng lớn dữ liệu ảnh và video. Ảnh và video độ phân giải cao, thuộc nhóm dữ liệu đầu vào huấn luyện tiêu tốn nhiều tài nguyên nhất, làm tăng thêm gánh nặng tính toán. Ví dụ, một ảnh HD có thể chiếm vài megabyte dung lượng lưu trữ, khiến quá trình huấn luyện tiêu tốn nhiều tài nguyên và thời gian.

Điều này đòi hỏi phần cứng mạnh mẽ và các thuật toán thị giác máy tính được tối ưu hóa để xử lý lượng dữ liệu lớn cùng những phép tính phức tạp cần thiết cho việc phát triển các model thị giác hiệu quả. Nghiên cứu về kiến trúc hiệu quả hơn, nén model và bộ tăng tốc phần cứng như GPU và TPU là những lĩnh vực then chốt giúp định hình tương lai của các model thị giác.

Những cải tiến này nhằm giảm yêu cầu tính toán và nâng cao hiệu quả xử lý. Ngoài ra, việc tận dụng các model được huấn luyện trước tiên tiến như Ultralytics YOLOv8 có thể giảm đáng kể nhu cầu huấn luyện quy mô lớn, tinh giản quy trình phát triển và nâng cao hiệu quả.

Lĩnh vực không ngừng phát triển#

Ngày nay, các model thị giác được ứng dụng rộng rãi, từ chăm sóc sức khỏe, chẳng hạn như phát hiện khối u, đến các ứng dụng thường ngày như giám sát giao thông. Những model tiên tiến này đã thúc đẩy đổi mới trong vô số ngành công nghiệp nhờ mang lại độ chính xác, hiệu quả và năng lực vượt xa những gì trước đây có thể tưởng tượng.

Khi công nghệ tiếp tục tiến bộ, tiềm năng đổi mới và cải thiện nhiều khía cạnh của đời sống và công nghiệp nhờ các model thị giác vẫn là vô hạn. Quá trình phát triển liên tục này nhấn mạnh tầm quan trọng của việc tiếp tục nghiên cứu và phát triển trong lĩnh vực thị giác máy tính.

Bạn tò mò về tương lai của vision AI? Để tìm hiểu thêm về những tiến bộ mới nhất, hãy khám phá Tài liệu Ultralytics và xem các dự án trên GitHub của Ultralytics cùng GitHub của YOLOv8. Ngoài ra, để tìm hiểu về các ứng dụng AI trong nhiều ngành công nghiệp, các trang giải pháp về Xe tự lái và Sản xuất cung cấp thông tin đặc biệt hữu ích.