Active learning giúp tăng tốc phát triển computer vision

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

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

Học chủ động là một quy trình từng bước, trong đó dữ liệu quan trọng nhất từ một dataset lớn được lựa chọn và gán nhãn. Model học từ dữ liệu đã gán nhãn này, qua đó trở nên chính xác và hiệu quả hơn. Chỉ tập trung vào dữ liệu có 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 quá trình huấn luyện model, giảm chi phí gán nhãn và cải thiện độ chính xác tổng thể của model.

Dataset hình ảnh không dễ xây dựng#

Dataset là nền tảng của các model thị giác máy tính và deep learning. Các dataset phổ biến như ImageNet cung cấp hàng triệu hình ảnh với nhiều nhóm vật thể đa dạng. Tuy nhiên, việc tạo và duy trì khối lượng khổng lồ các dataset chất lượng cao như vậy đi kèm với nhiều thách thức.

Chẳng hạn, việc thu thập và gán nhãn dữ liệu đòi hỏi thời gian, tài nguyên và các chuyên gia gán nhãn có kỹ năng, khiến quy trình trở nên khó khăn tùy theo ứng dụng cụ thể. Cần có những giải pháp sáng tạo và hiệu quả hơn để đáp ứng nhu cầu ngày càng tăng về dataset hình ảnh, và đó chính là vấn đề mà học chủ động hướng tới giải quyết.

Học chủ động mang đến một giải pháp hiệu quả 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 annotation, học chủ động tối đa hóa hiệu năng của 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 để gán nhãn từ một tập lớn dữ liệu chưa gán nhãn. Các điểm dữ liệu được chọn này sẽ được gán nhãn thủ công và thêm vào dataset huấn luyện.

Sau đó, model được huấn luyện lại trên dataset đã cập nhật và chọn tập điểm dữ liệu tiếp theo để gán nhãn. Quy trình này được lặp lại, trong đó 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 từ trước.

Hình 1. Tổng quan về học chủ động.

Tìm hiểu cách học chủ động hoạt động#

Có thể bạn đang thắc mắc kỹ thuật học chủ động quyết định điểm dữ liệu nào cần được gán nhãn thủ công và điểm nào sẽ được 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 chắc chắn, đồng thời đảm bảo ôn tập đa dạng môn học để chuẩn bị tốt.

Trong các quy trình lựa chọn dữ liệu ban đầu, học chủ động sử dụng những 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 tự tin nhất về dự đoán của mình, nhằm cải thiện độ chính xác trong những trường hợp khó. Lấy mẫu dựa trên tính đa dạng lựa chọn các điểm dữ liệu bao quát nhiều đặc điểm, giúp model khái quát hóa tốt trên dữ liệu chưa từng thấy bằng cách tiếp cận 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 lựa chọn dữ liệu ban đầu, học chủ động sử dụng hai phương pháp chính để gán nhãn: lấy mẫu dựa trên pool và lấy mẫu dựa trên stream. Hai phương pháp này tương tự cách giáo viên giúp học sinh tập trung vào những điều quan trọng nhất.

Trong lấy mẫu dựa trên pool, model quét một pool lớn dữ liệu chưa gán nhãn và chọn những ví dụ khó hoặc giàu thông tin nhất để gán nhãn, tương tự như việc học sinh ưu tiên các flashcard mà mình thấy khó nhất. Với lấy mẫu dựa trên stream, model xử lý dữ liệu khi dữ liệu đến, quyết định gán nhãn hoặc bỏ qua dữ liệu đó, tương tự như việc học sinh chỉ yêu cầu trợ giúp khi gặp bế tắc. Trong cả hai trường hợp, dữ liệu đã gán nhãn được thêm vào tập huấn luyện và model tự huấn luyện lại, liên tục cải thiện sau mỗi vòng lặp.

Khám phá các ứng dụng của học chủ động#

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

Cụ thể, học chủ động có thể được sử dụng để xác định dữ liệu hoặc các frame không chắc chắn từ những tình huống như vậy nhằm gán nhãn có chọn lọc. Việc thêm các ví dụ đã gán nhãn này vào tập huấn luyện giúp model nhận biết tốt hơn người đi bộ và vật thể trong môi trường khó, chẳng hạn như 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 của mình. Bằng cách lựa chọn có chiến lược dữ liệu giàu thông tin nhất để huấn luyện, đặc biệt trong những tình huống khó, hiệu năng 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 chỉ tập trung vào những điểm dữ liệu quan trọng nhất thay vì yêu cầu annotation cho toàn bộ dataset. Cách tiếp cận có mục tiêu 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 annotation cần thiết mà vẫn duy trì độ chính xác cao cho model.

Trên thực tế, nghiên cứu cho thấy học chủ động có thể cắt giảm chi phí gán nhãn 40-60% mà không làm giảm hiệu năng. 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 annotation, học chủ động giúp doanh nghiệp phát triển model nhanh hơn và triển khai chúng hiệu quả hơn mà vẫn duy trì độ chính xác.

Lợi ích của học chủ động#

Dưới đây là một số lợi thế chính khác mà học chủ động có thể mang lại:

• Giải quyết mất cân bằng lớp: Học chủ động có thể giúp giải quyết vấn đề mất cân bằng lớp bằng cách gán nhãn các instance thuộc những lớp dữ liệu thiểu số. Model có thể hoạt động tốt hơn trong các tình huống hiếm gặp với dữ liệu hạn chế.
• Chu kỳ phát triển nhanh hơn: Việc gán nhãn ít dữ liệu hơn gián tiếp giúp đẩy nhanh quy 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 trên các mẫu không chắc chắn hoặc các trường hợp biên, phù hợp với các dataset biến động hoặc liên tục phát triển.

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

Học máy tự động (AutoML) tập trung vào việc tự động hóa các tác vụ tốn thời gian và lặp đi lặp lại trong quá trình xây dựng và triển khai model machine learning. Phương pháp này đơn giản hóa các workflow machine learning bằng cách tự động hóa những tác vụ như lựa chọn model và đánh giá hiệu năng, qua đó giảm nhu cầu thực hiện 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 tinh chỉnh model bằng cách tự động hóa việc lựa chọn kiến trúc, tham số và quá trình tuning.

Hình 4. Workflow AutoML.

Hãy 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 khoa (một trường hợp sử dụng trong đó dataset đã gán nhãn bị hạn chế và tốn kém để thu thập). Học chủ động có thể xác định và lựa chọn dữ liệu không chắc chắn, chẳng hạn như những thay đổi nhỏ trong ảnh X-quang mà model không phân loại được. Sau đó, dữ liệu không chắc chắn có thể được ưu tiên để annotation thủ công nhằm cải thiện khả năng hiểu của model.

Với dữ liệu đã annotation, AutoML có thể tối ưu hóa model bằng cách khám phá nhiều kiến trúc, hyperparameter và các kỹ thuật tăng cường dữ liệu khác. Quy trình lặp này đẩy nhanh việc phát triển các model thị giác đáng tin cậy như Ultralytics YOLO11, giúp chuyên gia y tế đưa ra chẩn đoán chính xác.

Thách thức của học chủ động#

Học chủ động và các kỹ thuật của phương pháp này mang lại nhiều lợi thế, nhưng có một số yếu tố cần lưu ý 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 tốt nhất ảnh hưởng đáng kể đến hiệu quả của model. Lựa chọn chiến lược không phù hợp có thể làm giảm hiệu năng của model đối với một ứng dụng cụ thể.
• Chi phí huấn luyện lại: Tính lặp của học chủ động đòi hỏi tài nguyên tính toán tốn kém, đặc biệt với các dataset 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. Một model ban đầu hoạt động kém có thể không xác định chính xác các điểm dữ liệu giàu thông tin, dẫn đến yêu cầu gán nhãn không đạt chuẩn và làm giảm hiệu năng tổng thể.

Tương lai 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 gọn workflow 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 một model trên nhiều thiết bị hoặc server theo framework phân tán mà không yêu cầu dữ liệu rời 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 cục bộ nhạy cảm mà vẫn bảo mật dữ liệu. Thay vì chia sẻ dữ liệu thô, chỉ các bản cập nhật hoặc thông tin thu được từ model được chia sẻ, đảm bảo thông tin riêng tư vẫn được bảo vệ trong khi tiếp tục đóng góp vào quá trình huấn luyện.

Trong khi đó, học tự giám sát giúp giảm nhu cầu về dữ liệu đã gán nhãn bằng cách pre-train model trên dữ liệu chưa gán nhãn. Quy trình này tạo nền tảng vững chắc cho model. Sau đó, học chủ động có thể phát triển dựa trên nền tảng này bằng cách xác định và lựa chọn những điểm dữ liệu quan trọng nhất để con người annotation, tiếp tục tinh chỉnh model.

Từ học chủ động đến tác động chủ động#

Học chủ động mang đến một phương thức thiết thực để giải quyết những thách thức lớn trong thị giác máy tính, như chi phí annotation 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 con người cần bỏ ra đồng thời nâng cao hiệu năng của model.

Khi kết hợp với các công nghệ như AutoML, học chủ động tinh gọn quá trình phát triển model bằng cách tự động hóa các tác vụ tốn thời gian. Khi những tiến bộ tiếp tục được thúc đẩy, học chủ động được kỳ vọng sẽ trở thành công cụ thiết yếu để xây dựng các hệ thống thị giác máy tính thông minh và hiệu quả hơn.

Khám phá repository GitHub của chúng tôi và tham gia cộng đồng 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 chăm sóc sức khỏe 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.