Xây dựng các sản phẩm thông minh với Ultralytics YOLO26 và vision AI

Hàng nghìn giờ video được ghi lại mỗi ngày bởi các camera tích hợp trong thiết bị, máy móc và cơ sở hạ tầng công cộng. Hầu hết các đoạn phim đó chỉ được lưu trữ, xem lướt qua hoặc xem lại khi có sự cố xảy ra.

Thông thường, dữ liệu hình ảnh luôn sẵn có nhưng lại thiếu khả năng diễn giải theo thời gian thực. Khi các sản phẩm ngày càng trở nên kết nối và hướng dữ liệu hơn, hạn chế này càng trở nên rõ rệt.

Người dùng mong đợi các hệ thống không chỉ ghi lại sự kiện hoặc tuân theo các hướng dẫn cố định. Ví dụ, họ mong đợi các smart products nhận diện được những gì đang xảy ra và phản hồi ngay lập tức, thay vì chờ đợi đánh giá thủ công hoặc dựa vào các bộ quy tắc cứng nhắc.

Những tiến bộ gần đây trong trí tuệ nhân tạo đang giúp thu hẹp khoảng cách đó. Đặc biệt, computer vision cho phép máy móc diễn giải hình ảnh và video, giúp hệ thống phân tích hiện trường và phản hồi trong thời gian thực.

Tuy nhiên, để đưa khả năng này vào sản phẩm, cần có các model vừa nhanh vừa đáng tin cậy. Các model computer vision hiện đại như Ultralytics YOLO26 được xây dựng cho mục đích này, mang lại tốc độ và độ chính xác cần thiết cho việc triển khai thời gian thực.

YOLO26 hỗ trợ các tác vụ vision cốt lõi như object detection, instance segmentation và object tracking, giúp sản phẩm có thể diễn giải dữ liệu hình ảnh và phản hồi một cách thông minh.

Hình 1. Phát hiện các đối tượng trong ảnh bằng YOLO26 (Source)

Trong bài viết này, chúng ta sẽ khám phá cách computer vision và Ultralytics YOLO26 có thể được sử dụng để xây dựng các sản phẩm thông minh hơn và hỗ trợ tự động hóa thông minh trong các ứng dụng thực tế. Hãy bắt đầu ngay!

Link to this sectionNhững khoảng trống trong phát triển sản phẩm truyền thống#

Trước khi tìm hiểu sâu về cách computer vision giúp xây dựng các sản phẩm thông minh hơn, hãy xem xét kỹ những thách thức mà các nhóm phải đối mặt khi dựa vào các hệ thống dựa trên quy tắc truyền thống và các thuật toán cũ hơn.

Dưới đây là một số thách thức chính của việc phát triển sản phẩm truyền thống:

• Các hệ thống dựa trên quy tắc cứng nhắc: Logic được lập trình sẵn (hard-coded) có thể hoạt động trong môi trường được kiểm soát, nhưng các bối cảnh thực tế hiếm khi có thể dự đoán trước. Những thay đổi nhỏ về ánh sáng, góc camera hoặc sự xuất hiện của đối tượng có thể nhanh chóng phá vỡ các quy tắc được xác định trước và làm giảm độ chính xác.
• Khả năng thích ứng kém với sự biến thiên thực tế: Các hệ thống truyền thống không điều chỉnh tốt với các tình huống mới hoặc bất ngờ. Các bản cập nhật thường đòi hỏi việc điều chỉnh thủ công và tối ưu hóa lặp đi lặp lại, điều này làm chậm quá trình cải tiến sản phẩm và tăng nỗ lực bảo trì.
• Hạn chế về khả năng mở rộng: Khi khối lượng dữ liệu hình ảnh và video tăng lên, các pipeline xử lý hình ảnh cũ gặp khó khăn trong việc theo kịp. Việc xử lý trở nên chậm hơn, gây khó khăn cho việc duy trì hiệu suất thời gian thực trên các luồng video.
• Độ trễ cao trong các kịch bản thời gian thực: Nhiều phương pháp truyền thống không thể xử lý các luồng hình ảnh liên tục đủ nhanh. Đầu ra bị trễ làm suy yếu khả năng tự động hóa và giảm khả năng phản hồi tổng thể.
• Yêu cầu về tính toán đắt đỏ: Để đạt được độ chính xác chấp nhận được thường đòi hỏi tài nguyên phần cứng đáng kể, bao gồm các đơn vị xử lý đồ họa (GPU) chuyên dụng, điều này làm tăng chi phí cơ sở hạ tầng.

Link to this sectionVai trò của computer vision trong việc xây dựng sản phẩm thông minh hơn#

Tiếp theo, hãy xem cách computer vision có thể hỗ trợ hành vi sản phẩm thông minh hơn.

Hầu hết các sản phẩm kết nối hiện nay đều đã thu thập dữ liệu hình ảnh như một phần của quy trình vận hành bình thường. Camera được tích hợp vào nhiều thiết bị khác nhau, được lắp đặt trong các không gian vật lý và được liên kết thông qua các hệ thống Internet vạn vật (IoT).

Kết quả là, hình ảnh và video liên tục được ghi lại trong nền. Thách thức không nằm ở việc thu thập dữ liệu này.

Phần khó khăn là hiểu được dữ liệu đã thu thập trong thời gian thực. Nếu không có trí tuệ thị giác, các đoạn phim chỉ đơn giản là được lưu trữ và xem lại sau đó, thường là sau khi vấn đề đã xảy ra.

Computer vision thay đổi điều đó. Bằng cách sử dụng các neural network được huấn luyện để nhận diện mẫu, các hệ thống có thể phân tích hình ảnh và video theo thời gian thực. Thay vì dựa vào các quy tắc cố định hoặc kiểm tra thủ công, các sản phẩm có thể diễn giải những gì đang xảy ra trong cảnh và phản hồi ngay khi sự kiện diễn ra.

Để đưa khả năng thị giác này vào sản phẩm, các đội ngũ có thể dựa vào các computer vision models hiệu quả như Ultralytics YOLO26. YOLO26 hỗ trợ các tác vụ vision chính và có thể giúp sản phẩm diễn giải thông tin hình ảnh đủ nhanh để cho phép đưa ra các quyết định trong thời gian thực.

Link to this sectionCác khối xây dựng của sản phẩm hướng thị giác#

Dưới đây là phân tích nhanh về cách computer vision tasks có thể đóng góp vào các sản phẩm thông minh hơn:

• Object detection: Tác vụ này có thể nhận diện và xác định vị trí các đối tượng liên quan trong mỗi khung hình bằng cách sử dụng bbox và gán điểm số tin cậy (confidence score), giúp hiểu rõ những gì hiện diện trong ảnh.
• Object tracking: Tác vụ này có thể được sử dụng để theo dõi các đối tượng cụ thể qua nhiều khung hình, cho phép hệ thống vision hiểu được chuyển động và thay đổi theo thời gian.
• Image classification: Tác vụ này gán một nhãn cho toàn bộ hình ảnh dựa trên nội dung chính của nó. Nó phân loại các cảnh hoặc xác định các điều kiện cụ thể trong khung hình.
• Instance segmentation: Tác vụ này có thể phác thảo chính xác các đối tượng ở cấp độ pixel, cho phép sản phẩm diễn giải hình dạng, ranh giới và mối quan hệ không gian tốt hơn.
• Pose estimation: Tác vụ này phát hiện các điểm chính trên cơ thể người hoặc các đối tượng có khớp nối khác. Nó ghi lại tư thế, chuyển động và tương tác vật lý trong thời gian thực.
• Oriented bounding box (OBB) detection: Tác vụ này có thể phát hiện các đối tượng sử dụng các bbox xoay thay vì các bbox ngang tiêu chuẩn. Nó cải thiện độ chính xác định vị khi các đối tượng xuất hiện ở các góc nghiêng hoặc trong các môi trường dày đặc.

Khi các khả năng này được áp dụng cho dữ liệu hình ảnh liên tục, sản phẩm có thể phản hồi nhanh hơn, tự động hóa đáng tin cậy hơn và mang lại trải nghiệm cảm giác như có nhận thức thay vì chỉ phản ứng. Thay vì chờ đợi các sự kiện được xem xét sau đó, hệ thống có thể hiểu và hành động ngay tại thời điểm đó.

Link to this sectionCách các model vision thời gian thực kích hoạt hành vi sản phẩm thông minh#

Khi tìm hiểu thêm về các sản phẩm hướng thị giác, bạn có thể tự hỏi làm thế nào một hệ thống chuyển từ việc chỉ đơn giản ghi lại video sang thực sự phản hồi trong thời gian thực.

Mọi thứ bắt đầu bằng việc nhận diện những gì ở trước camera. Khi video truyền vào, một model vision phân tích từng khung hình và xác định các yếu tố quan trọng, chẳng hạn như các đối tượng hoặc con người cụ thể. Thay vì phản ứng với mọi chuyển động, hệ thống chỉ tập trung vào các tín hiệu liên quan.

Một khía cạnh quan trọng khác là tốc độ. Các hệ thống thời gian thực phải xử lý từng khung hình một cách nhanh chóng và nhất quán, đảm bảo rằng việc phát hiện và đưa ra quyết định diễn ra mà không có độ trễ đáng chú ý.

Ví dụ, dòng model Ultralytics YOLO (You Only Look Once) được xây dựng để xử lý dữ liệu hình ảnh trong thời gian thực. Các model như Ultralytics YOLO26 được xây dựng dựa trên các phiên bản trước đó như Ultralytics YOLOv5, Ultralytics YOLOv8 và Ultralytics YOLO11, kết hợp các cải tiến về kiến trúc, tối ưu hóa hiệu suất và nâng cao hiệu quả. Kết quả là cải thiện cả tốc độ và độ chính xác, ngay cả trong các điều kiện thực tế khắt khe.

Khi được tích hợp vào một sản phẩm, các model này chạy liên tục trong nền, phân tích từng khung hình khi nó đến. Hệ thống kiểm tra các điều kiện đã xác định trước và một khi được đáp ứng, có thể kích hoạt ngay lập tức một cảnh báo, cập nhật quy trình làm việc hoặc bắt đầu một hành động.

Điều này giúp các hệ thống hướng thị giác phản hồi nhanh hơn, có khả năng mở rộng và thiết thực để tích hợp vào các môi trường từ robot và xe tự lái đến các hệ thống nhà thông minh và an ninh. Đối với các nhà lãnh đạo doanh nghiệp, điều này chuyển đổi thành các phản hồi nhanh hơn, ít kiểm tra thủ công hơn và sự tự động hóa mang lại cảm giác đáng tin cậy thay vì chỉ phản ứng.

Link to this sectionSử dụng YOLO26 để cung cấp năng lượng cho trí tuệ thị giác thời gian thực trong sản phẩm#

Các model Ultralytics YOLO, bao gồm cả YOLO26, có sẵn dưới dạng các model đã được huấn luyện trước (pre-trained). Điều này có nghĩa là chúng đã được huấn luyện trên các tập dữ liệu lớn, được sử dụng rộng rãi như tập dữ liệu COCO.

Nhờ việc huấn luyện trước này, YOLO26 có thể nhận diện ngay lập tức các đối tượng thông thường trong thế giới thực. Điều này mang lại cho các đội ngũ sản phẩm một điểm khởi đầu thiết thực, nghĩa là họ có thể xây dựng các tính năng thị giác mà không cần huấn luyện model từ đầu.

Đối với các nhu cầu sản phẩm cụ thể hơn, các model pre-trained này có thể được fine-tune thêm bằng cách sử dụng dữ liệu đặc thù của miền với các chú thích chất lượng cao.

Ví dụ, hãy cân nhắc một nhà hàng được trang bị camera trên trần nhà. Một model AI thị giác được huấn luyện tùy chỉnh như YOLO26 có thể phát hiện bao nhiêu người đang ở bên trong không gian đó. Nó có thể xác định bàn nào đang được sử dụng và ghế nào còn trống.

Hình 2. YOLO26 cho phép phát hiện thời gian thực người, không gian mở và quầy thu ngân có nhân viên trong các cửa hàng bán lẻ. (Source)

Trong loại kịch bản này, YOLO26 hoạt động như một công cụ thị giác chạy liên tục trong nền. Các đội ngũ cũng có thể triển khai các model như vậy trên edge devices, tùy thuộc vào nhu cầu hiệu suất và mục tiêu hiệu quả năng lượng.

Link to this sectionCác ứng dụng thực tế của các model YOLO trong các sản phẩm thông minh#

Bây giờ chúng ta đã hiểu rõ hơn về cách các model vision thời gian thực hoạt động, hãy xem cách các model Ultralytics YOLO có thể được áp dụng trong các sản phẩm thông minh cho các trường hợp sử dụng khác nhau để làm cho chúng nhận thức tốt hơn, phản hồi nhanh hơn và có khả năng hành động dựa trên những gì chúng thấy.

Link to this sectionTrí tuệ sản phẩm chăm sóc sức khỏe với YOLO#

Khi nói đến đào tạo phẫu thuật trong chăm sóc sức khỏe, hàng giờ cảnh quay thủ thuật thường được xem xét thủ công để đánh giá việc xử lý công cụ và quy trình làm việc. Quá trình này có thể tốn thời gian và phụ thuộc nhiều vào quan sát của con người.

Với một model vision dựa trên YOLO được tích hợp vào hệ thống, các luồng video có thể được phân tích tự động khi các thủ thuật diễn ra. Model có thể phát hiện các dụng cụ phẫu thuật trong thời gian thực và xác định chúng được sử dụng ở đâu và khi nào.

Điều này cho phép ghi nhật ký có cấu trúc, phân tích cải tiến và thông tin chi tiết về hiệu suất chất lượng cao mà không cần kiểm tra thủ công liên tục. Trên thực tế, nghiên cứu sử dụng model YOLO11, vốn là tiền thân của model YOLO26 mới nhất, cho thấy việc laparoscopic instrument detection thời gian thực có thể chạy hiệu quả ngay cả trên các hệ thống nhúng.

Hình 3. Phát hiện dụng cụ nội soi thời gian thực sử dụng YOLO (Source)

Model duy trì độ chính xác cao trong khi chạy đủ nhanh cho các thiết lập phẫu thuật trực tiếp. Điều này cho thấy cách deep learning có thể hỗ trợ phản hồi thị giác thời gian thực đáng tin cậy trong quá trình thực hiện các thủ thuật.

Link to this sectionTạo ra trải nghiệm bán lẻ thông minh được điều khiển bởi YOLO#

Tất cả chúng ta đều đã từng đứng trước một kệ siêu thị đông đúc cố gắng tìm sản phẩm phù hợp. Nhiều mặt hàng trông giống nhau, nhãn mác nhỏ và sản phẩm thường được đặt sai chỗ.

Đối với các nhà bán lẻ, điều này làm cho việc hiển thị kệ hàng thời gian thực trở nên khó khăn. Các giải pháp Vision AI và model object detection YOLO có thể hỗ trợ các hệ thống cửa hàng hiểu những gì thực sự có trên kệ thông qua các luồng camera và luồng video trực tiếp. Điều này làm giảm sự phụ thuộc vào việc quét mã vạch và kiểm tra thủ công, giúp việc theo dõi kệ hàng chính xác và phản hồi nhanh hơn.

Hình 4. Phát hiện và phân đoạn sản phẩm trên kệ siêu thị với YOLO26

Với độ chính xác như thế này, các nhà bán lẻ không còn phải dựa vào các đợt kiểm tra thủ công định kỳ. Các kệ hàng có thể được theo dõi liên tục thông qua video trực tiếp.

Hàng tồn kho thấp có thể được đánh dấu ngay lập tức, sản phẩm đặt nhầm chỗ có thể được phát hiện nhanh hơn và quy trình thanh toán có thể diễn ra suôn sẻ hơn. Điều này mang lại cho các nhà bán lẻ quyền kiểm soát hoạt động tốt hơn đồng thời tạo ra trải nghiệm mua sắm liền mạch hơn cho khách hàng.

Link to this sectionVision AI và điều hướng tự hành#

Các hệ thống tự hành có thể đạt hiệu quả cao, nhưng chúng thường dựa vào các tuyến đường cố định hoặc tọa độ được cài đặt sẵn. Mặc dù điều này hiệu quả trong các môi trường ổn định, các điều kiện thực tế hiếm khi giữ nguyên.

Các giải pháp Vision AI, được cung cấp sức mạnh bởi các model deep learning, cho phép máy móc hiểu môi trường xung quanh và điều chỉnh theo thời gian thực. Với computer vision kết hợp với các thuật toán thích ứng, các hệ thống có thể phản ứng với các thay đổi ngay khi chúng xảy ra thay vì dựa vào các hướng dẫn cứng nhắc, được lập trình sẵn.

Vậy, điều này hoạt động như thế nào trong các thiết lập thực tế? Hãy lấy ví dụ về một robot hoạt động trong kho hàng. Camera liên tục ghi lại môi trường xung quanh và một model vision thực hiện phát hiện đối tượng thời gian thực để xác định chướng ngại vật, kệ hàng và lối đi.

Những phát hiện này hỗ trợ định vị, giúp robot xác định vị trí chính xác của nó trong cơ sở. Dựa trên dữ liệu đầu vào hình ảnh này, các thuật toán tối ưu hóa sẽ điều chỉnh tuyến đường của nó ngay lập tức, cho phép nó điều hướng hiệu quả và duy trì sự tự động hóa trơn tru ngay cả khi điều kiện thay đổi.

Link to this sectionGiám sát cơ sở hạ tầng và phát hiện lỗi thông minh hơn#

Các đường dây điện và thiết bị lưới điện cần được kiểm tra thường xuyên để đảm bảo an toàn và tin cậy. Hầu hết thời gian, các utility inspections này vẫn bao gồm các kiểm tra thủ công, vốn mất thời gian và khó quản lý trên các khu vực rộng lớn hoặc hẻo lánh.

Vision AI cung cấp một cách đơn giản hơn để theo dõi cơ sở hạ tầng mà không chỉ phụ thuộc vào các chuyến thăm địa điểm theo lịch trình. Các model như YOLO26 có thể phát hiện các lỗi trên sứ cách điện của đường dây điện, bao gồm các vết nứt, ăn mòn hoặc hư hỏng có thể nhìn thấy, trực tiếp từ hình ảnh được ghi lại trong điều kiện ngoài trời thực tế.

Bằng cách phân tích dữ liệu hình ảnh trong thời gian thực, các hệ thống như vậy có thể gắn cờ các vấn đề tiềm ẩn mà nếu không có thể bị bỏ qua. Việc xác định các vấn đề này sớm sẽ giảm rủi ro hư hỏng thiết bị, giảm thiểu mất điện bất ngờ và hỗ trợ các hoạt động bảo trì chủ động hơn.

Link to this sectionĐo lường ROI của các sản phẩm thông minh dựa trên thị giác#

Đối với các nhà lãnh đạo doanh nghiệp, Vision AI không chỉ là về hiệu suất kỹ thuật. Đó là về tác động kinh doanh có thể đo lường được.

Khi được triển khai một cách chu đáo, các hệ thống hướng thị giác có thể cải thiện hiệu quả, giảm chi phí và tăng độ chính xác. Những lợi ích này cũng góp phần mang lại trải nghiệm người dùng tốt hơn và hiệu suất tổng thể mạnh mẽ hơn.

Dưới đây là một vài lĩnh vực mà tác động đó trở nên rõ ràng:

• Giảm nỗ lực thủ công: Các hệ thống thị giác tự động hóa các tác vụ kiểm tra, giám sát và xác minh lặp đi lặp lại, giảm sự phụ thuộc vào các quy trình thủ công và giải phóng các đội ngũ để tập trung vào công việc chiến lược hơn.
• Chu kỳ quyết định nhanh hơn: Phân tích hình ảnh thời gian thực cho phép các hệ thống phát hiện các vấn đề hoặc kích hoạt các hành động ngay lập tức, rút ngắn thời gian phản hồi và giữ cho các hoạt động diễn ra suôn sẻ.
• Ít lỗi vận hành hơn: Phát hiện tự động mang lại sự nhất quán. Bằng cách giảm sự giám sát của con người trong các tác vụ định kỳ, các tổ chức thường thấy ít lỗi hơn và kết quả đáng tin cậy hơn.
• Tăng cường sự tương tác của người dùng: Các sản phẩm có thể nhìn thấy và phản hồi một cách thông minh mang lại cảm giác tương tác và phù hợp hơn. Điều này dẫn đến lòng tin của người dùng mạnh mẽ hơn, trải nghiệm tốt hơn và tỷ lệ áp dụng lâu dài cao hơn.

Link to this sectionCác điểm chính cần lưu ý#

Vision AI cho phép sản phẩm diễn giải thông tin thị giác trong thời gian thực, hỗ trợ tự động hóa thông minh hơn và trải nghiệm phản hồi tốt hơn. Với các khả năng như phát hiện, theo dõi và phân đoạn, các hệ thống vượt ra ngoài các quy tắc cơ bản để đi đến các quyết định nhận thức ngữ cảnh. Các model hiệu quả như Ultralytics YOLO26 giúp việc xây dựng các sản phẩm hướng thị giác có khả năng mở rộng và cạnh tranh trở nên thiết thực.

Tham gia community năng động của chúng tôi và khám phá các đổi mới như AI in manufacturing và vision AI in retail. Hãy truy cập GitHub repository của chúng tôi và bắt đầu với computer vision ngay hôm nay bằng cách kiểm tra các licensing options của chúng tôi.