Học chủ động giúp phát triển thị giác máy tính nhanh hơn

Huấn luyện model thị giác máy tính cũng giống như dạy trẻ nhận biết màu sắc. Trước tiên, bạn cần một bộ sưu tập các vật thể có màu. Sau đó, bạn hướng dẫn trẻ xác định chính xác từng màu, một công việc thường vừa tốn thời gian vừa lặp đi lặp lại.

Cũng như trẻ cần nhiều ví dụ để học, model thị giác cần một tập dữ liệu lớn đã được gán nhãn để nhận diện các mẫu và vật thể trong ảnh. Tuy nhiên, việc gán nhãn lượng dữ liệu khổng lồ đòi hỏi rất nhiều thời gian, công sức và cả tài nguyên. Các kỹ thuật như học chủ động có thể giúp đơn giản hóa quá trình này.

Học chủ động là quy trình từng bước, trong đó những dữ liệu quan trọng nhất trong một tập dữ liệu lớn được chọn ra và gán nhãn. Model học từ dữ liệu đã gán nhãn này, nhờ đó trở nên chính xác và hiệu quả hơn. Chỉ tập trung vào dữ liệu giá trị nhất giúp giảm lượng dữ liệu cần gán nhãn và đẩy nhanh quá trình phát triển model.

Trong bài viết này, chúng ta sẽ tìm hiểu cách học chủ động hỗ trợ huấn luyện model, giảm chi phí gán nhãn và cải thiện độ chính xác tổng thể của model.

Không dễ xây dựng bộ dữ liệu ảnh#

Bộ dữ liệu là nền tảng cho các model thị giác máy tính và deep learning. Những bộ dữ liệu phổ biến như ImageNet cung cấp hàng triệu ảnh với nhiều danh mục đối tượng đa dạng. Tuy nhiên, việc tạo và duy trì khối lượng bộ dữ liệu chất lượng cao khổng lồ như vậy đi kèm nhiều thách thức.

Chẳng hạn, việc thu thập và gán nhãn dữ liệu tốn thời gian, tài nguyên và cần những người gán nhãn có chuyên môn, khiến quy trình trở nên khó khăn tùy theo ứng dụng cụ thể. Cần có các giải pháp sáng tạo và hiệu quả hơn để đáp ứng nhu cầu ngày càng tăng về bộ dữ liệu ảnh, và học chủ động chính là phương pháp hướng đến giải quyết vấn đề đó.

Học chủ động giải quyết vấn đề này bằng cách tối ưu hóa quy trình gán nhãn dữ liệu. Bằng cách lựa chọn có chiến lược những điểm dữ liệu giàu thông tin nhất để chú giải, học chủ động tối đa hóa hiệu năng model đồng thời giảm thiểu công sức gán nhãn.

Học chủ động là gì?#

Học chủ động là một kỹ thuật machine learning lặp, trong đó model chọn ra những điểm dữ liệu quan trọng nhất cần gán nhãn từ một tập lớn dữ liệu chưa gán nhãn. Những điểm dữ liệu được chọn này sẽ được gán nhãn thủ công và bổ sung vào tập dữ liệu huấn luyện.

Sau đó, model được huấn luyện lại trên tập dữ liệu đã cập nhật và chọn nhóm điểm dữ liệu tiếp theo cần gán nhãn. Quy trình này lặp lại, model liên tục cải thiện bằng cách tập trung vào những điểm dữ liệu giàu thông tin nhất. Chu kỳ tiếp tục cho đến khi model đạt độ chính xác mong muốn hoặc đáp ứng các tiêu chí gán nhãn đã đặt ra trước.

Hình 1. Tổng quan về học chủ động.

Tìm hiểu cách học chủ động hoạt động#

Có thể bạn đang tự hỏi kỹ thuật học chủ động quyết định điểm dữ liệu nào cần được gán nhãn thủ công và điểm nào nên gán nhãn tiếp theo như thế nào. Hãy tìm hiểu cách học chủ động hoạt động bằng cách so sánh với việc ôn thi: bạn tập trung vào những chủ đề mình chưa nắm chắc, đồng thời đảm bảo ôn nhiều môn để chuẩn bị tốt.

Để lựa chọn dữ liệu ban đầu, học chủ động sử dụng các chiến lược như lấy mẫu theo độ bất định và lấy mẫu dựa trên tính đa dạng. Lấy mẫu theo độ bất định ưu tiên các điểm dữ liệu mà model ít tin cậy nhất vào dự đoán của mình, nhằm cải thiện độ chính xác trong những trường hợp khó. Lấy mẫu dựa trên tính đa dạng chọn các điểm dữ liệu bao quát nhiều đặc điểm, giúp model tổng quát hóa tốt với dữ liệu chưa từng thấy bằng cách cho model tiếp xúc với các ví dụ đa dạng.

Hình 2. Lấy mẫu theo độ bất định (bên trái) và lấy mẫu dựa trên tính đa dạng (bên phải).

Sau bước chọn dữ liệu ban đầu, học chủ động sử dụng hai phương pháp gán nhãn chính: lấy mẫu dựa trên tập hợp và lấy mẫu dựa trên luồng. Hai phương pháp này tương tự cách giáo viên giúp học sinh tập trung vào những nội dung quan trọng nhất.

Trong lấy mẫu dựa trên pool, model quét một tập dữ liệu lớn chưa gán nhãn và chọn những ví dụ khó hoặc giàu thông tin nhất để gán nhãn, tương tự như học sinh ưu tiên các thẻ ghi nhớ khó nhất. Trong lấy mẫu theo luồng, model xử lý dữ liệu khi dữ liệu đến, quyết định có gán nhãn hay bỏ qua, tương tự như học sinh chỉ nhờ giúp đỡ khi gặp khó. Trong cả hai trường hợp, dữ liệu đã gán nhãn được thêm vào tập huấn luyện và model tự huấn luyện lại, cải thiện dần qua từng vòng lặp.

Khám phá các ứng dụng của học chủ động#

Học chủ động đóng vai trò then chốt trong các ứng dụng thị giác máy tính, chẳng hạn như chẩn đoán hình ảnh y tế và lái xe tự hành, nhờ cải thiện độ chính xác của model và tinh giản quy trình gán nhãn dữ liệu. Một ví dụ thú vị là các model thị giác máy tính được dùng trên xe tự lái để phát hiện người đi bộ hoặc vật thể trong điều kiện thiếu sáng hay sương mù. Học chủ động có thể tăng độ chính xác bằng cách tập trung vào các tình huống lái xe đa dạng và khó khăn.

Cụ thể, học chủ động có thể được dùng để xác định dữ liệu hoặc khung hình không chắc chắn trong những tình huống đó nhằm chọn lọc để gán nhãn. Việc thêm các ví dụ đã gán nhãn này vào tập huấn luyện giúp model nhận diện người đi bộ và vật thể tốt hơn trong môi trường khó khăn, chẳng hạn khi thời tiết bất lợi hoặc lái xe ban đêm.

Chẳng hạn, NVIDIA đã sử dụng học chủ động để cải thiện khả năng phát hiện người đi bộ vào ban đêm trong các model xe tự lái. Bằng cách lựa chọn có chiến lược dữ liệu giàu thông tin nhất để huấn luyện, đặc biệt trong những tình huống khó khăn, hiệu suất của model được cải thiện đáng kể.

Hình 3. Phát hiện người đi bộ cầm ô bằng học chủ động.

Học chủ động có thể giảm chi phí gán nhãn#

Một khía cạnh quan trọng khác của học chủ động là khả năng giảm chi phí gán nhãn. Phương pháp này tập trung vào những điểm dữ liệu quan trọng nhất thay vì yêu cầu chú giải toàn bộ tập dữ liệu. Cách tiếp cận có trọng tâm này giúp tiết kiệm thời gian, công sức và chi phí. Bằng cách tập trung vào các mẫu không chắc chắn hoặc đa dạng, học chủ động giảm số lượng chú giải cần thiết mà vẫn duy trì độ chính xác cao của model.

Trên thực tế, nghiên cứu cho thấy học chủ động có thể giảm chi phí gán nhãn từ 40-60% mà không làm giảm hiệu suất. Điều này đặc biệt hữu ích trong các ngành như chăm sóc sức khỏe và sản xuất, nơi việc gán nhãn dữ liệu rất tốn kém. Bằng cách đơn giản hóa quy trình chú giải, học chủ động giúp doanh nghiệp phát triển model nhanh hơn và triển khai hiệu quả hơn mà vẫn duy trì độ chính xác.

Lợi ích của học chủ động#

Dưới đây là một số lợi ích quan trọng khác mà học chủ động có thể mang lại:

• Giải quyết mất cân bằng lớp: Học chủ động có thể giúp xử lý vấn đề mất cân bằng lớp bằng cách gán nhãn các mẫu thuộc những lớp dữ liệu thiểu số. Model có thể hoạt động tốt hơn trong các tình huống hiếm gặp khi dữ liệu hạn chế.
• Rút ngắn chu kỳ phát triển: Gán nhãn ít dữ liệu hơn đồng nghĩa gián tiếp với việc đẩy nhanh quá trình phát triển các model machine learning và thị giác máy tính, dành thêm thời gian và tài nguyên cho các vòng lặp và thử nghiệm bổ sung.
• Khả năng thích ứng: Phương pháp này có thể liên tục cải thiện dữ liệu huấn luyện bằng cách lặp lại trên các mẫu không chắc chắn hoặc trường hợp biên, nhờ đó phù hợp với các tập dữ liệu biến động hoặc không ngừng thay đổi.

Học chủ động và AutoML có thể phối hợp với nhau#

Học máy tự động (AutoML) tập trung tự động hóa các tác vụ tốn thời gian và lặp đi lặp lại liên quan đến việc xây dựng và triển khai model machine learning. Phương pháp này đơn giản hóa quy trình machine learning bằng cách tự động hóa các tác vụ như chọn model và đánh giá hiệu suất, qua đó giảm nhu cầu thao tác thủ công.

Khi được tích hợp với học chủ động, AutoML có thể đẩy nhanh và tối ưu hóa vòng đời phát triển model. Thành phần học chủ động lựa chọn có chiến lược những điểm dữ liệu giàu thông tin nhất để gán nhãn, trong khi AutoML hoàn thiện model bằng cách tự động hóa việc chọn kiến trúc, tham số và tinh chỉnh.

Hình 4. Quy trình làm việc của AutoML.

Hãy cùng tìm hiểu sự kết hợp giữa các công nghệ này qua một ví dụ.

Giả sử bạn đang cố gắng phát hiện các tình trạng hiếm gặp trong chẩn đoán hình ảnh y tế, một trường hợp sử dụng có bộ dữ liệu gán nhãn hạn chế và tốn kém để thu thập. Học chủ động có thể xác định và chọn dữ liệu không chắc chắn, chẳng hạn những thay đổi tinh vi trong ảnh X-quang mà model không phân loại được. Sau đó, dữ liệu không chắc chắn có thể được ưu tiên để chú giải thủ công nhằm cải thiện khả năng hiểu của model.

Với dữ liệu đã chú giải, AutoML có thể tối ưu hóa model bằng cách thử nghiệm nhiều kiến trúc, siêu tham số và kỹ thuật tăng cường dữ liệu. Quy trình lặp này đẩy nhanh quá trình phát triển các model thị giác đáng tin cậy như Ultralytics YOLO11, giúp chuyên gia chăm sóc sức khỏe đưa ra chẩn đoán chính xác.

Những thách thức của học chủ động#

Học chủ động và các kỹ thuật của phương pháp này mang lại nhiều lợi ích, nhưng cần lưu ý một số vấn đề khi triển khai các chiến lược này:

• Lựa chọn chiến lược truy vấn: Học chủ động bao gồm nhiều kỹ thuật, và việc chọn phương pháp phù hợp nhất ảnh hưởng đáng kể đến hiệu quả của model. Lựa chọn chiến lược không phù hợp có thể làm giảm hiệu suất của model trong một ứng dụng cụ thể.
• Chi phí huấn luyện lại: Tính chất lặp của học chủ động đòi hỏi tài nguyên tính toán tốn kém, đặc biệt với các tập dữ liệu lớn. Model được huấn luyện lại sau mỗi vòng gán nhãn, làm tăng độ phức tạp của quy trình.
• Chất lượng model ban đầu: Hiệu quả của học chủ động phụ thuộc vào chất lượng của model ban đầu. Model ban đầu có hiệu suất kém có thể không xác định chính xác các điểm dữ liệu giàu thông tin, dẫn đến các yêu cầu gán nhãn không đạt yêu cầu và làm giảm hiệu suất tổng thể.

Triển vọng của học chủ động và AutoML#

Với những tiến bộ gần đây trong AI và thị giác máy tính, học chủ động được kỳ vọng sẽ giải quyết các thách thức phức tạp hơn và tinh giản quy trình machine learning. Việc kết hợp học chủ động với các kỹ thuật như học liên kết và học tự giám sát có thể tiếp tục nâng cao hiệu quả và khả năng mở rộng của các model thị giác.

Học liên kết cho phép huấn luyện model trên nhiều thiết bị hoặc máy chủ bằng framework phân tán mà không cần đưa dữ liệu ra khỏi vị trí ban đầu. Trong các ngành như chăm sóc sức khỏe, nơi quyền riêng tư dữ liệu rất quan trọng, học liên kết cho phép huấn luyện trực tiếp trên dữ liệu nhạy cảm tại chỗ mà vẫn bảo mật dữ liệu. Thay vì chia sẻ dữ liệu thô, chỉ các bản cập nhật hoặc thông tin chuyên sâu về model được chia sẻ, đảm bảo thông tin riêng tư vẫn được bảo vệ nhưng vẫn đóng góp vào quá trình huấn luyện.

Trong khi đó, học tự giám sát giúp giảm nhu cầu về dữ liệu có nhãn bằng cách tiền huấn luyện model trên dữ liệu chưa gán nhãn. Quá trình này tạo nền tảng vững chắc cho model. Sau đó, học chủ động có thể phát huy nền tảng này bằng cách xác định và lựa chọn những điểm dữ liệu quan trọng nhất để con người gán nhãn, qua đó tiếp tục tinh chỉnh model.

Từ học chủ động đến tác động thực tiễn#

Học chủ động mang đến một phương thức thiết thực để giải quyết những thách thức lớn trong thị giác máy tính, chẳng hạn như chi phí gán nhãn dữ liệu cao và nhu cầu về các model chính xác hơn. Bằng cách chỉ tập trung gán nhãn những điểm dữ liệu có giá trị nhất, phương pháp này giảm công sức của con người đồng thời nâng cao hiệu suất của model.

Khi kết hợp với các công nghệ như AutoML, học chủ động tinh giản quá trình phát triển model bằng cách tự động hóa các tác vụ tốn thời gian. Khi công nghệ tiếp tục phát triển, học chủ động sẽ trở thành công cụ thiết yếu để xây dựng hệ thống thị giác máy tính thông minh và hiệu quả hơn. Để tìm hiểu những công cụ hiện hỗ trợ vòng lặp này, hãy đọc bài so sánh của chúng tôi về công cụ gán nhãn tự động và học chủ động.

Khám phá repository GitHub và tham gia cộng đồng của chúng tôi để tìm hiểu thêm về AI và các model thị giác máy tính. Khám phá thêm các ứng dụng của thị giác máy tính trong sản xuất và y tế trên các trang giải pháp của chúng tôi. Bạn cũng có thể xem các tùy chọn cấp phép để bắt đầu hành trình AI thị giác ngay hôm nay.