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

Mỗi ngày, camera được tích hợp trong các thiết bị, máy móc và hạ tầng công cộng ghi lại hàng nghìn giờ video. Phần lớn cảnh quay đó chỉ được lưu trữ, xem lướt hoặc xem lại khi có sự cố xảy ra.

Thông thường, dữ liệu hình ảnh có sẵn nhưng khả năng diễn giải dữ liệu đó theo thời gian thực lại thiếu hụt. Khi các sản phẩm ngày càng được kết nối và vận hành dựa trên dữ liệu, hạn chế này càng trở nên rõ rệt.

Người dùng kỳ vọng các hệ thống làm được nhiều hơn việc chỉ ghi lại sự kiện hoặc tuân theo các hướng dẫn cố định. Chẳng hạn, họ kỳ vọng các sản phẩm thông minh có thể nhận biết điều gì đang xảy ra và phản hồi ngay lập tức mà không cần chờ con người xem xét hoặc phụ thuộc vào các tập luật cứng nhắc.

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

Tuy nhiên, để đưa năng lực này vào một sản phẩm, cần có các model vừa nhanh vừa đáng tin cậy. Những model thị giác máy tính tiên tiến như Ultralytics YOLO26 được xây dựng cho mục đích này, mang lại tốc độ và độ chính xác cần thiết để triển khai theo thời gian thực.

Ultralytics YOLO26 hỗ trợ các tác vụ thị giác cốt lõi như phát hiện đối tượng, phân đoạn instance và tracking đối tượng, giúp sản phẩm có thể diễn giải dữ liệu hình ảnh và phản hồi một cách thông minh.

Hình 1. Phát hiện đối tượng trong hình ảnh bằng YOLO26 (Nguồn)

Trong bài viết này, chúng ta sẽ tìm hiểu cách thị giác máy tính 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!

Khoảng trống trong quá trình phát triển sản phẩm truyền thống#

Trước khi tìm hiểu cách thị giác máy tính hỗ trợ xây dựng các sản phẩm thông minh hơn, hãy cùng xem xét kỹ những thách thức mà các nhóm gặp phải khi dựa vào các hệ thống truyền thống dựa trên luật và các thuật toán cũ hơn.

Dưới đây là một số thách thức chính trong quá trình phát triển sản phẩm truyền thống:

• Hệ thống cứng nhắc dựa trên luật: Logic được hard-code có thể hoạt động trong môi trường được kiểm soát, nhưng bối cảnh thực tế hiếm khi có thể dự đoán. Những thay đổi nhỏ về ánh sáng, góc camera hoặc diện mạo đối tượng có thể nhanh chóng làm hỏng các luật được định nghĩa trước và làm giảm độ chính xác.
• Khả năng thích ứng kém với biến thiên thực tế: Các hệ thống truyền thống không điều chỉnh tốt trước những tình huống mới hoặc bất ngờ. Việc cập nhật thường đòi hỏi tinh chỉnh thủ công và tối ưu hóa lặp lại, làm chậm quá trình cải tiến sản phẩm và tăng công sức 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. Quá trình xử lý trở nên chậm hơn, gây khó khăn cho việc duy trì hiệu năng theo thời gian thực trên các luồng video.
• Độ trễ cao trong các tình huống thời gian thực: Nhiều phương pháp truyền thống không thể xử lý các luồng hình ảnh liên tục đủ nhanh. Kết quả bị trì hoãn làm suy yếu khả năng tự động hóa và giảm mức độ phản hồi tổng thể.
• Yêu cầu tài nguyên tính toán tốn kém: Để đạt độ chính xác chấp nhận được thường cần tài nguyên phần cứng đáng kể, bao gồm các bộ xử lý đồ họa chuyên dụng (GPUs), làm tăng chi phí hạ tầng.

Vai trò của thị giác máy tính trong việc xây dựng các sản phẩm thông minh hơn#

Tiếp theo, hãy xem thị giác máy tính có thể hỗ trợ hành vi thông minh hơn của sản phẩm như thế nào.

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

Do đó, hình ảnh và video liên tục được ghi lại ở chế độ nền. Thách thức không nằm ở việc thu thập dữ liệu này.

Phần khó là diễn giải dữ liệu đã thu thập theo thời gian thực. Nếu không có năng lực hiểu hình ảnh, cảnh quay chỉ được lưu trữ và xem lại sau đó, thường là khi sự cố đã xảy ra.

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

Để đưa năng lực hình ảnh này vào sản phẩm, các nhóm có thể dựa vào những model thị giác máy tính hiệu quả như Ultralytics YOLO26. YOLO26 hỗ trợ các tác vụ thị giác quan trọng và có thể giúp sản phẩm diễn giải thông tin hình ảnh đủ nhanh để đưa ra quyết định theo thời gian thực.

Các thành phần nền tảng của sản phẩm vận hành dựa trên thị giác#

Dưới đây là phân tích nhanh về cách các tác vụ thị giác máy tính có thể góp phần tạo nên những sản phẩm thông minh hơn:

• Phát hiện đối tượng: Tác vụ này có thể xác định và định vị các đối tượng liên quan trong từng frame bằng bounding box, đồng thời gán điểm confidence, giúp làm rõ những gì hiện diện trong hình ảnh.
• Tracking đối tượng: Tác vụ này có thể được dùng để theo dõi các đối tượng cụ thể qua nhiều frame, giúp hệ thống thị giác hiểu chuyển động và thay đổi theo thời gian.
• Phân loại hình ảnh: Tác vụ này gán một nhãn cho toàn bộ hình ảnh dựa trên nội dung chính. Nó phân loại các cảnh hoặc xác định những điều kiện cụ thể trong frame.
• Phân đoạn instance: Tác vụ này có thể phác thảo chính xác các đối tượng ở cấp độ pixel, giúp sản phẩm diễn giải tốt hơn hình dạng, ranh giới và các mối quan hệ không gian.
• Ước tính pose: Tác vụ này phát hiện các keypoint trên cơ thể người hoặc những đối tượng có khớp nối khác. Nó ghi nhận tư thế, chuyển động và các tương tác vật lý theo thời gian thực.
• Phát hiện oriented bounding box (OBB): Tác vụ này có thể phát hiện đối tượng bằng các bounding box xoay thay vì bounding box ngang tiêu chuẩn. Nó cải thiện độ chính xác định vị khi đối tượng xuất hiện ở góc nghiêng hoặc trong môi trường có mật độ dày đặc.

Khi những năng lực 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 có vẻ nhận biết được bối cảnh thay vì chỉ phản ứng. Thay vì chờ sự kiện được xem lại sau đó, hệ thống có thể hiểu và hành động ngay tại thời điểm diễn ra.

Cách các model thị giác theo thời gian thực tạo ra hành vi sản phẩm thông minh#

Khi tìm hiểu thêm về các sản phẩm vận hành dựa trên thị giác, bạn có thể thắc mắc hệ thống chuyển từ việc chỉ ghi lại video sang thực sự phản hồi theo thời gian thực như thế nào.

Quá trình bắt đầu bằng việc nhận biết những gì ở phía trước camera. Khi video được truyền vào, model thị giác phân tích từng frame và xác định các yếu tố quan trọng, chẳng hạn như những 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. Hệ thống thời gian thực phải xử lý từng frame nhanh chóng và nhất quán, đảm bảo việc phát hiện và ra quyết định diễn ra mà không có độ trễ đáng kể.

Ví dụ, dòng model Ultralytics YOLO (Chỉ nhìn một lần) được xây dựng để xử lý dữ liệu hình ảnh theo thời gian thực. Các model như Ultralytics YOLO26 kế thừa những phiên bản trước đó như Ultralytics YOLOv5, Ultralytics YOLOv8 và Ultralytics YOLO11, đồng thời tích hợp các cải tiến về kiến trúc, tối ưu hóa hiệu năng và nâng cao hiệu quả. Kết quả là tốc độ và độ chính xác được cải thiện, ngay cả trong những điều kiện thực tế đòi hỏi cao.

Khi được tích hợp vào sản phẩm, các model này chạy liên tục ở chế độ nền và phân tích từng frame ngay khi frame đó đến. Hệ thống kiểm tra các điều kiện được định nghĩa trước và khi các điều kiện được đáp ứng, có thể ngay lập tức kích hoạt cảnh báo, cập nhật workflow hoặc bắt đầu một hành động.

Điều này giúp các hệ thống vận hành dựa trên thị giác phản hồi nhanh hơn, có khả năng mở rộng tốt hơn và thực tế hơn khi tích hợp vào các môi trường từ robot và xe tự hành đến hệ thống nhà thông minh và an ninh. Đối với lãnh đạo doanh nghiệp, điều này đồng nghĩa với phản hồi nhanh hơn, ít kiểm tra thủ công hơn và khả năng tự động hóa đáng tin cậy thay vì chỉ phản ứng.

Sử dụng Ultralytics YOLO26 để cung cấp năng lực hiểu hình ảnh theo thời gian thực cho sản phẩm#

Các model Ultralytics YOLO, bao gồm YOLO26, có sẵn dưới dạng model được huấn luyện trước. Điều này có nghĩa là chúng đã được huấn luyện trên các dataset lớn và được sử dụng rộng rãi như dataset COCO.

Nhờ được huấn luyện trước, Ultralytics YOLO26 có thể ngay lập tức nhận biết các đối tượng phổ biến trong thế giới thực. Đây là điểm khởi đầu thiết thực cho các nhóm phát triển sản phẩm, giúp họ xây dựng các tính năng hình ảnh mà không cần huấn luyện model từ đầu.

Đối với các nhu cầu cụ thể hơn của sản phẩm, những model được huấn luyện trước này có thể tiếp tục được fine-tune bằng dữ liệu chuyên biệt theo lĩnh vực với annotation chất lượng cao.

Ví dụ, hãy xem xét một nhà hàng được trang bị camera gắn trên trần. Một model AI thị giác được huấn luyện tùy chỉnh như Ultralytics YOLO26 có thể phát hiện có bao nhiêu người trong không gian. Model cũng có thể xác định bàn nào đang có người và ghế nào đang trống.

Hình 2. Ultralytics YOLO26 cho phép phát hiện người, không gian trống và quầy thanh toán có nhân viên theo thời gian thực trong các cửa hàng bán lẻ. (Nguồn)

Trong loại tình huống này, Ultralytics YOLO26 hoạt động như một engine thị giác chạy liên tục ở chế độ nền. Các nhóm cũng có thể triển khai những model như vậy trên thiết bị edge, tùy thuộc vào nhu cầu hiệu năng và mục tiêu tiết kiệm năng lượng.

Các ứng dụng thực tế của model YOLO trong sản phẩm thông minh#

Giờ đây khi đã hiểu rõ hơn cách các model thị giác theo thời gian thực hoạt động, hãy cùng xem các model Ultralytics YOLO có thể được áp dụng trong sản phẩm thông minh cho nhiều use case khác nhau như thế nào để sản phẩm nhận biết tốt hơn, phản hồi nhanh hơn và có khả năng hành động dựa trên những gì chúng nhìn thấy.

Năng lực thông minh cho sản phẩm chăm sóc sức khỏe với YOLO#

Trong đào tạo phẫu thuật thuộc lĩnh vực chăm sóc sức khỏe, hàng giờ cảnh quay quy trình thường được xem xét thủ công để đánh giá cách sử dụng dụng cụ và workflow. Quá trình này có thể tốn nhiều thời gian và phụ thuộc đáng kể vào việc quan sát của con người.

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

Điều này cho phép ghi log có cấu trúc, cải thiện việc phân tích và cung cấp thông tin chi tiết chất lượng cao về hiệu suất mà không cần xem xét thủ công liên tục. Trên thực tế, nghiên cứu sử dụng model Ultralytics YOLO11, tiền thân của model YOLO26 mới nhất, cho thấy phát hiện dụng cụ nội soi ổ bụng theo thời gian thực có thể hoạt động hiệu quả ngay cả trên các hệ thống nhúng.

Hình 3. Phát hiện dụng cụ nội soi ổ bụng theo thời gian thực bằng YOLO (Nguồn)

Model duy trì độ chính xác cao trong khi chạy đủ nhanh cho môi trường phẫu thuật trực tiếp. Điều này cho thấy deep learning có thể hỗ trợ phản hồi hình ảnh theo thời gian thực đáng tin cậy trong quá trình thực hiện.

Tạo trải nghiệm bán lẻ thông minh vận hành bằng YOLO#

Tất cả chúng ta đều từng đứng trước một kệ hàng siêu thị chật kín và cố tìm đúng sản phẩm. Nhiều mặt hàng trông giống nhau, nhãn nhỏ và sản phẩm thường bị đặt sai vị trí.

Đối với nhà bán lẻ, điều này khiến việc quan sát kệ hàng theo thời gian thực trở nên khó khăn. AI thị giác và các model phát hiện đối tượng YOLO có thể hỗ trợ hệ thống cửa hàng hiểu chính xác những gì đang có trên kệ thông qua nguồn camera và các luồng video trực tiếp. Điều này làm giảm sự phụ thuộc vào quét mã vạch và kiểm tra thủ công, giúp việc giám sát kệ hàng chính xác và phản hồi nhanh hơn.

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

Với độ chính xác như vậy, nhà bán lẻ không còn phải chỉ dựa vào các cuộc kiểm tra thủ công định kỳ. Kệ hàng có thể được giám sát liên tục thông qua video trực tiếp.

Tình trạng sắp hết hàng có thể được đánh dấu ngay lập tức, sản phẩm đặt sai vị trí có thể được phát hiện nhanh hơn và quy trình thanh toán có thể diễn ra suôn sẻ hơn. Điều này giúp nhà bán lẻ kiểm soát vận hành tốt hơn, đồng thời tạo ra trải nghiệm mua sắm liền mạch hơn cho khách hàng.

AI thị giác và điều hướng tự hành#

Các hệ thống tự hành có thể đạt hiệu quả cao, nhưng thường dựa vào các tuyến đường cố định hoặc tọa độ được thiết lập trước. Dù cách này hoạt động trong môi trường ổn định, điều kiện thực tế hiếm khi giữ nguyên.

Các giải pháp AI thị giác được hỗ trợ bởi model deep learning cho phép máy móc hiểu môi trường xung quanh và điều chỉnh theo thời gian thực. Khi kết hợp thị giác máy tính với các thuật toán thích ứng, hệ thống có thể phản hồi trước những thay đổi ngay khi chúng xảy ra thay vì dựa vào các hướng dẫn cứng nhắc được lập trình trước.

Vậy cách này hoạt động trong bối cảnh thực tế như thế nào? Hãy lấy ví dụ một robot vận hành trong nhà kho. Camera liên tục ghi lại môi trường xung quanh, còn model thị giác thực hiện phát hiện đối tượng theo thời gian thực để xác định chướng ngại vật, kệ hàng và lối đi.

Các kết quả phát hiện này hỗ trợ định vị, giúp robot xác định vị trí chính xác trong cơ sở. Dựa trên đầu vào hình ảnh đó, các thuật toán tối ưu hóa lập tức điều chỉnh tuyến đường, cho phép robot điều hướng hiệu quả và duy trì quá trình tự động hóa mượt mà ngay cả khi điều kiện thay đổi.

Giám sát hạ tầng và phát hiện lỗi thông minh hơn#

Đường dây điện và thiết bị lưới điện cần được kiểm tra thường xuyên để duy trì an toàn và độ tin cậy. Phần lớn thời gian, các hoạt động kiểm tra hạ tầng điện vẫn bao gồm kiểm tra thủ công, vốn tốn thời gian và khó quản lý trên các khu vực rộng lớn hoặc vùng xa.

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

Bằng cách phân tích dữ liệu hình ảnh theo thời gian thực, các hệ thống như vậy có thể đánh dấu những vấn đề tiềm ẩn mà nếu không có thể bị bỏ sót. Việc xác định sớm các vấn đề này giúp giảm nguy cơ hỏng thiết bị, hạn chế sự cố mất điện ngoài dự kiến và hỗ trợ hoạt động bảo trì chủ động hơn.

Đo lường ROI của các sản phẩm thông minh dựa trên thị giác#

Đối với lãnh đạo doanh nghiệp, AI thị giác không chỉ là vấn đề hiệu năng kỹ thuật. Đó còn là tác động kinh doanh có thể đo lường.

Khi được triển khai có chủ đích, các hệ thống vận hành dựa trên thị giác có thể cải thiện hiệu quả, giảm chi phí và tăng độ chính xác. Những lợi ích này cũng góp phần tạo ra trải nghiệm người dùng tốt hơn và hiệu suất tổng thể cao hơn.

Dưới đây là một số lĩnh vực thể hiện rõ tác động đó:

• Giảm công sức thủ công: Các hệ thống thị giác tự động hóa những tác vụ kiểm tra, giám sát và xác minh lặp đi lặp lại, giảm sự phụ thuộc vào quy trình thủ công và giúp các nhóm tập trung vào công việc mang tính chiến lược hơn.
• Chu kỳ ra quyết định nhanh hơn: Phân tích hình ảnh theo thời gian thực cho phép hệ thống phát hiện vấn đề hoặc kích hoạt hành động ngay lập tức, rút ngắn thời gian phản hồi và giúp hoạt động vận hành diễn ra suôn sẻ.
• Ít lỗi vận hành hơn: Phát hiện tự động mang lại tính nhất quán. Bằng cách giảm sự giám sát của con người trong các tác vụ thường nhật, tổ chức thường mắc ít lỗi hơn và đạt được kết quả đáng tin cậy hơn.
• Tăng mức độ tương tác của người dùng: Những sản phẩm có thể nhìn và phản hồi thông minh tạo cảm giác tương tác và phù hợp hơn. Điều này dẫn đến niềm tin của người dùng cao hơn, trải nghiệm tốt hơn và mức độ chấp nhận lâu dài cao hơn.

Những điểm chính#

AI thị giác cho phép sản phẩm diễn giải thông tin hình ảnh theo thời gian thực, hỗ trợ tự động hóa thông minh hơn và trải nghiệm phản hồi nhanh hơn. Với các năng lực như phát hiện, tracking và phân đoạn, hệ thống vượt ra ngoài các luật cơ bản để đưa ra quyết định nhận biết bối cảnh. Những model hiệu quả như Ultralytics YOLO26 giúp việc xây dựng các sản phẩm dựa trên thị giác có khả năng mở rộng và sức cạnh tranh trở nên thiết thực.

Tham gia cộng đồng năng động của chúng tôi và khám phá những đổi mới như AI trong sản xuất và AI thị giác trong bán lẻ. Truy cập repository GitHub của chúng tôi và bắt đầu với thị giác máy tính ngay hôm nay bằng cách tìm hiểu các tùy chọn cấp phép.