Lịch sử các model thị giác

Thị giác máy tính là gì#

Hãy tưởng tượng bạn bước vào cửa hàng, 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 thực tế nhờ các model thị giác hiện đại. Theo báo cáo của Fortune Business Insights, quy mô thị trường thị giác máy tính toàn cầu được định giá 20,75 tỷ USD vào năm 2025 và dự kiến tăng từ 24,14 tỷ USD vào năm 2026 lên 72,80 tỷ USD vào năm 2034, phản ánh những tiến bộ 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 đối tượng trong hình ảnh. Giống như các lĩnh vực khác liên quan đến AI, thị giác máy tính đã phát triển nhanh chóng trong vài thập kỷ qua.

Lịch sử thị giác máy tính rất lâu đời. Trong những năm đầu, các model thị giác máy tính có thể phát hiện hình dạng và đường viền đơn giản, thường chỉ giới hạn ở các tác vụ cơ bản như nhận diện mẫu hình học hoặc phân biệt vùng sáng và 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 sức mạnh tính toán, mức độ tinh vi của thuật toán và lượng dữ liệu khổng lồ sẵn có để huấn luyện đã được cải thiện đáng kể.

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 hình ảnh được so sánh với một tập hợp mẫu để tìm kết quả khớp nhất. Phương pháp này bị hạn chế do nhạy cảm với những thay 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 để quét hình ảnh bằng các bộ lọc hoặc kernel. Những bộ lọc này phát hiện nhiều đặc trưng như đường viền, kết cấu và màu sắc bằng cách trượt qua hình ảnh và tính tích vô hướng. Mỗi bộ lọc kích hoạt các mẫu hình cụ thể trong ảnh, giúp model học các đặc trưng theo cấp bậc.
2. Hàm kích hoạt: Sau phép tích chập, các hàm kích hoạt như ReLU (Đơn vị tuyến tính chỉnh lưu)—trả về trực tiếp giá trị đầu vào nếu giá trị đó dương và trả về 0 trong trường hợp ngược lại—tạo ra tính phi tuyến. 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#

Sự phát triển của các model thị giác dựa trên CNN bao gồm một số kiến trúc đáng chú ý:

• 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: YOLO đã thay đổi cách tiếp cận phát hiện đối tượng bằng cách xây dựng bài toán thành một bài toán hồi quy đơn, trực tiếp dự đoán các hộp giới hạn và xác suất lớp từ toàn bộ hình 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 cao, phù hợp với các ứng dụng cần xử lý tức thời như lái 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 tế 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, 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 giúp giám sát 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 nhận diện động vật và theo dõi hành vi của chúng, cung cấp dữ liệu về số lượng quần thể và sự di chuyển. Công nghệ này cung cấp cơ sở cho chiến lược bảo tồn và quyết định chính sách nhằm bảo vệ các 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 đạt được những thành tựu đáng kể, các model thị giác vẫn phải đối mặt với nhiều thách thức do độ phức tạp và yêu cầu cao trong quá trình phát triển; những thách thức này cần được nghiên cứu liên tục.

Khả năng diễn giải và giải thích#

Các model thị giác, đặc biệt là model học sâu, thường được xem như "hộp đen" thiếu minh bạch do có độ phức tạp cao. Khả năng diễn giải hạn chế này làm suy giảm niềm tin và trách nhiệm giải trình, đặc biệt trong các ứng dụng trọng yếu như y tế.

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 và thuật toán thị giác máy tính được tối ưu hóa để xử lý lượng dữ liệu lớn cùng các phép tính phức tạp cần thiết khi phát triển 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 yếu tố then chốt để thúc đẩy sự phát triển của model thị giác.

Những cải tiến này nhằm giảm yêu cầu tính toán và tăng hiệu quả xử lý. Ngoài ra, việc sử dụng các model tiên tiến được huấn luyện trước như Ultralytics YOLOv8 và các thế hệ kế nhiệm, chẳng hạn như Ultralytics YOLO26, có thể giảm đáng kể nhu cầu huấn luyện quy mô lớn, tinh gọn quy trình phát triển và nâng cao hiệu quả.

Lĩnh vực không ngừng phát triển#

Ngày nay, các ứng dụng của model thị giác rất phổ biến, từ y tế, chẳng hạn như phát hiện khối u, đến các ứng dụng hằng ngày như giám sát giao thông. Những model tiên tiến này đã thúc đẩy đổi mới trong vô số ngành bằng cách mang lại độ chính xác, hiệu quả và năng lực vượt xa những gì trước đây có thể đạt được.

Khi công nghệ tiếp tục phát triển, tiềm năng của model thị giác trong việc cải thiện nhiều khía cạnh của đời sống và ngành công nghiệp cũng không ngừng tăng lên. Sự 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.

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, đồng thời xem các dự án của chúng tôi trên Ultralytics GitHub và YOLOv8 GitHub. Ngoài ra, các trang giải pháp về ứng dụng AI trong nhiều ngành như Xe tự lái và Sản xuất cung cấp thông tin đặc biệt hữu ích.