Lịch sử phát triển của các mô hình thị giác

Thị giác máy tính là gì?

Hãy tưởng tượng bước vào một cửa hàng nơi máy ảnh nhận dạng khuôn mặt của bạn, phân tích tâm trạng của bạn và đề xuất các sản phẩm phù hợp với sở thích của bạn—tất cả đều diễn ra trong thời gian thực. Đây không phải là khoa học viễn tưởng mà là một thực tế được hỗ trợ bởi các mô hình thị giác hiện đại. Theo 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 sẽ tăng từ 25,41 tỷ USD vào năm 2024 lên 175,72 tỷ USD vào năm 2032, phản ánh những tiến bộ nhanh chóng và việc áp dụng ngày càng tăng của công nghệ này trong nhiều ngành công nghiệp khác nhau.

Lĩnh vực thị giác máy tính cho phép máy tính phát hiện, xác định và phân tích các đối tượng trong hình ảnh. Tương tự như các lĩnh vực liên quan đến AI khác, thị giác máy tính đã trải qua quá trình phát triển nhanh chóng trong vài thập kỷ qua, đạt được những tiến bộ vượt bậc. 

Lịch sử của thị giác máy tính rất phong phú. Trong những năm đầu, các mô hình thị giác máy tính có khả năng phát hiện các hình dạng và cạnh đơn giản, thường giới hạn ở các tác vụ cơ bản như nhận dạng các mẫu hình học hoặc phân biệt giữa các vùng sáng và tối. Tuy nhiên, các mô hình ngày nay có thể thực hiện các tác vụ phức tạp như phát hiện đối tượng theo thời gian thực, nhận dạng khuôn mặt và thậm chí giải thích cảm xúc từ biểu cảm khuôn mặt với độ chính xác và hiệu quả vượt trội. Sự tiến triển vượt bậc này làm nổi bật những bước tiến đáng kinh ngạc trong sức mạnh tính toán, sự tinh vi của thuật toán và sự sẵn có của lượng lớn dữ liệu để huấn luyện.

Trong bài viết này, chúng ta sẽ khám phá những cột mốc quan trọng trong quá trình phát triển của thị giác máy tính. Chúng ta sẽ đi qua những khởi đầu ban đầu, đi sâu vào tác động mang tính chuyển đổi của Mạng nơ-ron tích chập (CNN) và xem xét những tiến bộ đáng kể sau đó.

Những khởi đầu ban đầu của thị giác máy tính

Cũng như các lĩnh vực AI khác, sự phát triển ban đầu của thị giác máy tính bắt đầu bằng các nghiên cứu nền tảng và công trình lý thuyết. Một cột mốc quan trọng là công trình tiên phong của Lawrence G. Roberts về nhận dạng đối tượng 3D, được ghi lại trong luận án của ông "Machine Perception of Three-Dimensional Solids" vào đầu những năm 1960. Những đóng góp của ông đã đặt nền móng cho những tiến bộ trong tương lai trong lĩnh vực này.

Các thuật toán đầu tiên - phát hiện cạnh

Nghiên cứu ban đầu về thị giác máy tính tập trung vào các kỹ thuật xử lý ảnh, chẳng hạn như phát hiện cạnh và trích xuất đặc trưng. Các thuật toán như toán tử Sobel, được phát triển vào cuối những năm 1960, là một trong những thuật toán đầu tiên phát hiện các cạnh bằng cách tính toán độ dốc của cường độ ảnh.

‍

‍

‍

Các kỹ thuật như bộ dò cạnh Sobel và Canny đóng vai trò quan trọng trong việc xác định ranh giới trong ảnh, điều này rất cần thiết để nhận dạng đối tượng và hiểu cảnh.

Học máy và thị giác máy tính

Nhận dạng mẫu

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

‍

Một trong những phương pháp ban đầu để nhận dạng mẫu liên quan đến so khớp mẫu, trong đó một hình ảnh được so sánh với một tập hợp các mẫu để tìm ra kết quả phù hợp nhất. Cách tiếp cận này bị hạn chế bởi độ nhạy của nó đối với các biến thể về tỷ lệ, xoay và nhiễu.

‍

Các hệ thống thị giác máy tính ban đầu bị hạn chế bởi sức mạnh tính toán hạn chế vào thời điểm đó. Máy tính trong những năm 1960 và 1970 cồng kềnh, đắt tiền và có khả năng xử lý hạn chế.

Thay đổi cuộc chơi với Deep Learning

Học sâu và Mạng nơ-ron tích chập

Học sâu và Mạng nơ-ron tích chập (CNN) đánh dấu một thời điểm quan trọng trong lĩnh vực thị giác máy tính. Những tiến bộ này đã thay đổi đáng kể cách máy tính diễn giải và phân tích dữ liệu trực quan, cho phép một loạt các ứng dụng mà trước đây được cho là không thể.

CNN hoạt động như thế nào?

‍

1. Các lớp tích chập: Mạng CNN sử dụng các lớp tích chập, một loại mô hình học sâu được thiết kế để xử lý dữ liệu dạng lưới có cấu trúc, chẳng hạn như hình ảnh hoặc chuỗi, bằng cách tự động học các mẫu phân cấp, để quét một hình ảnh bằng các bộ lọc hoặc kernel. Các bộ lọc này phát hiện các đặc trưng khác nhau như cạnh, họa tiết và màu sắc bằng cách trượt trên hình ảnh và tính toán các tích vô hướng. Mỗi bộ lọc kích hoạt các mẫu cụ thể trong hình ảnh, cho phép mô hình học các đặc trưng phân cấp.
   ‍
2. Hàm kích hoạt (Activation Functions): Sau phép tích chập, các hàm kích hoạt như ReLU (Rectified Linear Unit), một hàm kích hoạt phổ biến trong deep learning, xuất trực tiếp đầu vào nếu dương và bằng không nếu âm, giúp các mạng nơ-ron học các mối quan hệ phi tuyến tính trong dữ liệu một cách hiệu quả. Điều này giúp mạng học các mẫu và biểu diễn phức tạp.
   ‍
3. Lớp Pooling: Lớp Pooling cung cấp một phép toán giảm kích thước giúp giảm số chiều của bản đồ đặc trưng, giúp trích xuất các đặc trưng phù hợp nhất đồng thời giảm chi phí tính toán và overfitting.
   ‍
4. Các lớp kết nối đầy đủ: Các lớp cuối cùng của CNN là các lớp kết nối đầy đủ, diễn giải các đặc trưng được trích xuất bởi các lớp tích chập và gộp để đưa ra dự đoán. Các lớp này tương tự như các lớp trong mạng nơ-ron truyền thống.

Sự phát triển của các mô hình thị giác CNN

‍Hành trình của các mô hình thị giác đã rất rộng lớn, nổi bật với một số mô hình đáng chú ý nhất:

• LeNet (1989): LeNet là một trong những kiến trúc CNN sớm nhất, chủ yếu được sử dụng để nhận dạng chữ số trong séc viết tay. Thành công của nó 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 hơn đáng kể so với các mô hình hiện có trong cuộc thi ImageNet, thể hiện sức mạnh của học sâu. Mô hình này sử dụng các hàm kích hoạt ReLU, dropout và tăng cường dữ liệu, thiết lập các chuẩn mực mới trong phân loại hình 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 đã đạt được kết quả ấn tượng trong các tác vụ phân loại hình ảnh, củng cố tầm quan trọng của độ sâu mạng trong việc đạt được độ chính xác cao hơn.
  

• ResNet (2015): ResNet giải quyết vấn đề suy giảm trong các mạng sâu bằng cách giới thiệu học tập dư (residual learning). Sự đổi mới này cho phép huấn luyện các mạng sâu hơn nhiều, dẫn đến hiệu suất hiện đại trong các tác vụ thị giác máy tính khác nhau.
  ‍
• YOLO (Bạn Chỉ Nhìn Một Lần): YOLO đã cách mạng hóa phát hiện đối tượng bằng cách đóng khung nó như một bài toán hồi quy duy nhất, dự đoán trực tiếp khung giới hạn và xác suất lớp từ toàn bộ hình ảnh 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, làm cho nó phù hợp với các ứng dụng yêu cầu xử lý tức thời, chẳng hạn như lái xe tự động và giám sát.

Các ứng dụng của thị giác máy tính

Chăm sóc sức khỏe

‍Các ứng dụng của thị giác máy tính là vô số. Ví dụ, các mô hình thị giác như Ultralytics YOLOv8 được sử dụng trong chẩn đoán hình ảnh y tế để phát hiện các bệnh như ung thư và bệnh võng mạc do tiểu đường. Chúng phân tích phim chụp X-quang, MRI và CT với độ chính xác cao, xác định các bất thường sớm. Khả năng phát hiện sớm này cho phép can thiệp kịp thời và cải thiện kết quả cho bệnh nhân.

‍

Bảo tồn môi trường

Các mô hình thị giác máy tính giúp theo dõi và bảo vệ các loài có nguy cơ tuyệt chủng bằng cách phân tích hình ảnh và video từ môi trường sống của động vật hoang dã. Chúng xác định và theo dõi hành vi của động vật, cung cấp dữ liệu về số lượng và sự di chuyển của chúng. Công nghệ này cung cấp thông tin cho các chiến lược bảo tồn và các quyết định chính sách để bảo vệ các loài như hổ và voi.

Với sự trợ giúp của AI thị giác, các mối đe dọa môi trường khác như cháy rừng và phá rừng có thể được theo dõi, đảm bảo thời gian phản ứng nhanh chóng từ chính quyền địa phương.

‍

Những thách thức và định hướng tương lai

Mặc dù đã đạt được những thành tựu đáng kể, do tính phức tạp cực độ và bản chất khắt khe của quá trình phát triển, các mô hình thị giác phải đối mặt với nhiều thách thức đòi hỏi nghiên cứu liên tục và những tiến bộ trong tương lai.

Tính giải thích và khả năng diễn giải

Các mô hình Vision, đặc biệt là các mô hình deep learning, thường được xem là "hộp đen" với tính minh bạch hạn chế. Điều này là do các mô hình này cực kỳ phức tạp. Việc thiếu khả năng diễn giải cản trở sự tin tưởng và trách nhiệm giải trình, đặc biệt là trong các ứng dụng quan trọng như chăm sóc sức khỏe.

Yêu cầu về mặt tính toán

Việc huấn luyện và triển khai các mô hình AI hiện đại đòi hỏi các tài nguyên tính toán đáng kể. Điều này đặc biệt đúng đối với các mô hình thị giác, thường yêu cầu xử lý lượng lớn dữ liệu hình ảnh và video. Hình ảnh và video độ phân giải cao, là một trong những đầu vào huấn luyện sử dụng nhiều dữ liệu nhất, làm tăng thêm gánh nặng tính toán. Ví dụ: một hình ảnh HD duy nhất có thể chiếm vài megabyte dung lượng lưu trữ, làm cho quá trình huấn luyện 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 dữ liệu mở rộng và các tính toán phức tạp liên quan đến việc phát triển các mô hình thị giác hiệu quả. Nghiên cứu về các kiến trúc hiệu quả hơn, nén mô hình và các bộ tăng tốc phần cứng như GPU và TPU là những lĩnh vực then chốt sẽ thúc đẩy tương lai của các mô hình thị giác.

Những cải tiến này nhằm mục đích giảm nhu cầu tính toán và tăng hiệu quả xử lý. Hơn nữa, việc tận dụng các mô hình được đào tạo trước tiên tiến như YOLOv8 có thể giảm đáng kể nhu cầu đào tạo mở rộng, hợp lý hóa quy trình phát triển và nâng cao hiệu quả.

Một bối cảnh không ngừng phát triển

Ngày nay, các ứng dụng của mô hình thị giác rất phổ biến, từ chăm sóc sức khỏe, chẳng hạn như phát hiện khối u, đến các mục đích sử dụng hàng ngày như giám sát giao thông. Các mô hình tiên tiến này đã mang lại sự đổi mới cho vô số ngành công nghiệp bằng cách cung cấp độ chính xác, hiệu quả và khả năng nâng cao mà trước đây không thể tưởng tượng được.

Khi công nghệ tiếp tục phát triển, tiềm năng để các mô hình thị giác đổi mới và cải thiện các khía cạnh khác nhau của cuộc sống và ngành công nghiệp vẫn là vô hạn. Sự phát triển không ngừng 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 biết thêm thông tin về những tiến bộ mới nhất, hãy khám phá Tài liệu Ultralytics và xem các dự án của họ trên Ultralytics GitHub và YOLOv8 GitHub. Ngoài ra, để hiểu rõ hơn về các ứng dụng AI trong các ngành khác nhau, các trang giải pháp về Xe tự lái và Sản xuất cung cấp thông tin đặc biệt hữu ích.