Tìm hiểu về phát hiện biên trong xử lý ảnh

Là con người, chúng ta tự nhiên nhận ra các cạnh của vật thể, theo dõi đường cong của chúng và nhận biết kết cấu trên bề mặt khi quan sát một hình ảnh. Tuy nhiên, đối với máy tính, quá trình hiểu bắt đầu ở cấp độ từng pixel.

Pixel, đơn vị nhỏ nhất của ảnh kỹ thuật số, lưu trữ màu sắc và độ sáng tại một điểm duy nhất. Bằng cách theo dõi những thay đổi trong các giá trị pixel trên toàn bộ hình ảnh, máy tính có thể phát hiện các mẫu cho thấy những chi tiết quan trọng.

Cụ thể, xử lý ảnh sử dụng dữ liệu pixel để làm nổi bật các đặc trưng thiết yếu và loại bỏ yếu tố gây nhiễu. Một kỹ thuật xử lý ảnh phổ biến là phát hiện biên, giúp xác định các điểm mà độ sáng hoặc màu sắc thay đổi mạnh để phác thảo vật thể, đánh dấu ranh giới và bổ sung cấu trúc.

Điều này cho phép máy tính tách các hình dạng, đo kích thước và diễn giải cách các phần của một cảnh kết nối với nhau. Phát hiện biên thường là bước đầu tiên trong phân tích ảnh nâng cao.

Hình 1. Ví dụ về ảnh gốc cùng với đầu ra từ các phương pháp phát hiện biên khác nhau. (Nguồn)

Trong bài viết này, chúng ta sẽ tìm hiểu phát hiện biên là gì, cách thức hoạt động và các ứng dụng trong thực tế. Hãy bắt đầu!

Các khái niệm về phát hiện biên#

Phát hiện biên tập trung vào việc tìm kiếm những vị trí trong ảnh mà độ sáng hoặc màu sắc thay đổi đáng kể từ điểm này sang điểm kế tiếp. Nếu thay đổi nhỏ, khu vực đó có vẻ mượt. Nếu thay đổi đột ngột, nó thường đánh dấu ranh giới giữa hai vùng khác nhau.

Dưới đây là một số lý do khiến những thay đổi pixel này xảy ra:

• Gián đoạn pháp tuyến bề mặt: Khi hai bề mặt gặp nhau theo một góc, chẳng hạn như góc tường hoặc cạnh hộp, sự thay đổi đột ngột về hướng này tạo ra một ranh giới rõ ràng trong ảnh.
• Gián đoạn độ sâu: Chúng xuất hiện khi các vật thể ở những khoảng cách khác nhau so với camera, tạo ra sự phân tách hữu hình giúp hệ thống phân biệt chúng.
• Thay đổi màu sắc hoặc kết cấu bề mặt: Điều này xảy ra khi một khu vực có màu sắc hoặc kết cấu khác với khu vực liền kề, tạo ra sự phân tách hữu hình.
• Thay đổi chiếu sáng: Hiện tượng này phát sinh từ những thay đổi về ánh sáng, bao gồm bóng đổ hoặc vùng sáng trên bề mặt, tạo ra sự phân tách hữu hình ngay cả khi bản thân các bề mặt mượt hoặc liên tục.

Hình 2. Các loại gián đoạn biên khác nhau trong ảnh. (Nguồn)

Cơ chế nhận diện phát hiện biên hoạt động như thế nào#

Phát hiện biên thường bắt đầu bằng việc chuyển ảnh màu thành ảnh grayscale, trong đó mỗi điểm chỉ thể hiện độ sáng. Điều này giúp thuật toán dễ tập trung vào sự khác biệt sáng tối thay vì màu sắc.

Tiếp theo, các bộ lọc đặc biệt có thể quét ảnh để tìm những vị trí mà độ sáng thay đổi đột ngột. Các bộ lọc này tính độ dốc của sự thay đổi độ sáng, gọi là gradient. Gradient cao hơn là kết quả của sự chênh lệch lớn hơn giữa các điểm lân cận, thường báo hiệu một biên.

Sau đó, thuật toán tiếp tục tinh chỉnh ảnh, loại bỏ các chi tiết nhỏ và chỉ giữ lại những đường nét, hình dạng quan trọng nhất. Kết quả là một đường viền rõ ràng và ảnh đầu ra có thể được sử dụng cho các bước phân tích tiếp theo.

Sự phát triển của phát hiện biên và xử lý ảnh#

Trước khi tìm hiểu chi tiết hơn về phát hiện biên, hãy cùng thảo luận về quá trình phát triển của kỹ thuật này theo thời gian.

Xử lý ảnh bắt đầu với các phương pháp đơn giản dựa trên quy tắc như thresholding và filtering để làm sạch và cải thiện hình ảnh. Trong thời kỳ analog, điều này có nghĩa là xử lý ảnh chụp hoặc phim bằng bộ lọc quang học, kính phóng đại hoặc phương pháp hóa học để làm nổi bật chi tiết.

Các kỹ thuật như điều chỉnh độ tương phản, giảm nhiễu, điều chỉnh cường độ ảnh và phát hiện biên cơ bản giúp ảnh đầu vào rõ hơn, đồng thời làm nổi bật hình dạng và kết cấu. Trong thập niên 1960 và 1970, quá trình chuyển đổi từ xử lý analog sang kỹ thuật số đã mở đường cho hoạt động phân tích hiện đại trong các lĩnh vực như thiên văn học, chẩn đoán hình ảnh y khoa và giám sát vệ tinh.

Đến thập niên 1980 và 1990, máy tính nhanh hơn cho phép xử lý các tác vụ phức tạp hơn như trích xuất đặc trưng, phát hiện hình dạng và nhận diện vật thể cơ bản. Các thuật toán như toán tử Sobel và Canny cung cấp khả năng phát hiện biên chính xác hơn, trong khi nhận dạng mẫu được ứng dụng từ tự động hóa công nghiệp đến đọc văn bản in thông qua nhận dạng ký tự quang học.

Phát hiện biên và thị giác máy tính trong thế kỷ 21#

Ngày nay, những tiến bộ liên tục trong công nghệ đã dẫn đến sự phát triển của thị giác máy tính. Vision AI, hay thị giác máy tính, là một nhánh của AI tập trung vào việc dạy máy móc diễn giải và hiểu thông tin hình ảnh.

Trong khi xử lý ảnh truyền thống, chẳng hạn như double thresholding (giúp ảnh rõ hơn bằng cách giữ lại các biên mạnh và loại bỏ các biên yếu) và phát hiện biên, tuân theo các quy tắc cố định và chỉ xử lý được những tác vụ cụ thể, thị giác máy tính sử dụng các model dựa trên dữ liệu có thể học từ ví dụ và thích ứng với tình huống mới.

Ngày nay, các hệ thống xử lý ảnh đã vượt xa việc chỉ cải thiện hình ảnh hoặc phát hiện biên. Chúng có thể nhận diện vật thể, theo dõi chuyển động và hiểu ngữ cảnh của toàn bộ cảnh.

Một trong những kỹ thuật then chốt giúp thực hiện điều này là convolution. Phép convolution là quá trình trong đó các bộ lọc nhỏ (còn gọi là kernel) quét ảnh để tìm những mẫu quan trọng như biên, góc và kết cấu. Những mẫu này trở thành các khối nền tảng mà model thị giác máy tính sử dụng để nhận diện và hiểu vật thể.

Ví dụ, các model thị giác máy tính như Ultralytics YOLO11 sử dụng các đặc trưng dựa trên convolution này để thực hiện các tác vụ nâng cao như instance segmentation. Kỹ thuật này có liên hệ chặt chẽ với phát hiện biên vì instance segmentation yêu cầu phác thảo chính xác ranh giới của từng vật thể trong ảnh.

Trong khi phát hiện biên tập trung vào việc tìm các thay đổi cường độ tại các pixel biên để đánh dấu cạnh vật thể, instance segmentation phát triển dựa trên ý tưởng đó để phát hiện biên, phân loại và tách từng vật thể thành vùng riêng.

Hình 3. Tổng quan về việc sử dụng Ultralytics YOLO11 và instance segmentation. (Nguồn)

Các thuật toán và phương pháp tiếp cận phát hiện biên#

Ngay cả khi thị giác máy tính phát triển, xử lý ảnh vẫn là một phần quan trọng trong nhiều ứng dụng. Đó là vì thị giác máy tính thường xây dựng trên các bước tiền xử lý ảnh cơ bản.

Trước khi phát hiện vật thể hoặc hiểu một cảnh, các hệ thống thường làm sạch ảnh, giảm nhiễu và tìm biên để làm nổi bật những chi tiết quan trọng. Các bước này giúp những model nâng cao đạt độ chính xác và hiệu quả cao hơn.

Tiếp theo, hãy cùng khám phá một số thuật toán xử lý ảnh phổ biến nhất được dùng để phát hiện biên và cách chúng hoạt động.

Phát hiện biên Sobel#

Phát hiện biên Sobel là một phương pháp quan trọng được sử dụng để tìm đường viền của vật thể trong ảnh. Thay vì phân tích mọi chi tiết cùng lúc, phương pháp này tập trung vào những khu vực mà độ sáng thay đổi mạnh từ một pixel sang pixel lân cận tiếp theo.

Những thay đổi đột ngột này thường đánh dấu điểm mà một vật thể kết thúc và vật thể khác bắt đầu, hoặc nơi vật thể tiếp giáp với nền. Bằng cách cô lập các biên này, Sobel biến một ảnh phức tạp thành đường viền rõ hơn, giúp các hệ thống khác dễ xử lý cho những tác vụ như theo dõi chuyển động, phát hiện hình dạng hoặc nhận diện vật thể.

Có thể hình dung phát hiện biên Sobel như một bộ phát hiện gradient đo cách cường độ thay đổi trên toàn ảnh. Về cốt lõi, phương pháp này hoạt động thông qua phép convolution: trượt các ma trận nhỏ, gọi là kernel, trên ảnh và tính tổng có trọng số của các giá trị pixel lân cận.

Các kernel này được thiết kế để làm nổi bật những thay đổi về độ sáng theo hướng ngang và dọc. Không giống các model deep learning, trong đó kernel được học từ dữ liệu, Sobel sử dụng kernel cố định để làm nổi bật biên một cách hiệu quả mà không cần training.

Dưới đây là cái nhìn chi tiết hơn về cách hoạt động của phương pháp phát hiện biên Sobel:

• Sử dụng hai bộ lọc 3×3: Phương pháp này sử dụng hai lưới 3×3 nhỏ, gọi là bộ lọc. Hãy hình dung chúng như các khuôn mẫu trượt trên ảnh theo hướng ngang (hướng x) và dọc (hướng y). Một lưới được thiết kế để tìm biên ngang, lưới còn lại tìm biên dọc.
• Tính gradient: Mỗi bộ lọc xác định tốc độ thay đổi của độ sáng và hướng gradient. Thay đổi lớn cho thấy khả năng xuất hiện một biên.
• Kết hợp kết quả: Kết quả theo hướng ngang và dọc được kết hợp để xác định độ mạnh và hướng tổng thể của biên tại mỗi pixel.
• Phát hiện biên: Các pixel có độ lớn gradient cao được đánh dấu là biên mạnh.
• Phác thảo ranh giới: Những biên này giúp xác định hình dạng vật thể và tách các vùng khác nhau trong ảnh.

Hình 4. Phát hiện biên Sobel có thể làm nổi bật các đường viền chính của ảnh đầu vào và tạo ra bản đồ biên. (Nguồn)

Phát hiện biên Canny#

Phát hiện biên Canny là một phương pháp phổ biến khác để tìm biên trong ảnh. Phương pháp này nổi tiếng với khả năng tạo ra đường viền rõ ràng và chính xác. Không giống các kỹ thuật phát hiện biên cơ bản, Canny thực hiện một chuỗi bước được thiết kế cẩn thận để lọc nhiễu, làm sắc nét ranh giới và tập trung vào những biên quan trọng nhất.

Dưới đây là tổng quan nhanh về cách hoạt động của bộ phát hiện biên Canny:

• Làm mượt ảnh: Trước tiên, ảnh được làm mờ bằng bộ lọc Gaussian, một kỹ thuật làm mượt giúp giảm nhiễu và các chi tiết nhỏ có thể bị nhầm là biên.
• Phát hiện thay đổi độ sáng: Sau đó, thuật toán quét các thay đổi đột ngột về độ sáng, sử dụng phép tính gradient để đo độ mạnh và hướng của những thay đổi đó.
• Làm mảnh biên: Chỉ những điểm mạnh nhất dọc theo mỗi đường được phát hiện được giữ lại, trong khi các điểm yếu hơn bị loại bỏ, tạo ra các biên sắc nét và rõ ràng.
• Phân loại biên: Mỗi pixel được gán nhãn là biên mạnh, biên yếu hoặc không phải biên, dựa trên các giá trị ngưỡng của thay đổi độ sáng.
• Làm sạch cuối cùng: Các biên yếu kết nối với biên mạnh được giữ lại; tất cả các biên khác bị loại bỏ, chỉ để lại những ranh giới rõ ràng và liên thông.

Hình 5. Ảnh gốc và ảnh đầu ra tương ứng sau khi sử dụng bộ phát hiện biên Canny. (Nguồn)

Vì cung cấp kết quả chính xác đồng thời lọc nhiễu, phát hiện biên Canny được sử dụng rộng rãi trong những lĩnh vực coi trọng độ chính xác. Ví dụ, phương pháp này được dùng trong các ngành như chẩn đoán hình ảnh y khoa, lập bản đồ vệ tinh, quét tài liệu và thị giác robot.

Phát hiện biên dựa trên gradient so với dựa trên Gaussian#

Cho đến nay, hai ví dụ về phát hiện biên mà chúng ta đã xem xét là Sobel và Canny. Mặc dù cả hai đều nhằm tìm biên, chúng tiếp cận bài toán theo những cách khác nhau.

Các phương pháp dựa trên gradient (như Sobel, Prewitt và Scharr) phát hiện biên bằng cách tìm những thay đổi mạnh về độ sáng, được gọi là gradient. Chúng quét ảnh và đánh dấu những vị trí có thay đổi mạnh nhất. Các phương pháp này đơn giản, nhanh và hoạt động tốt khi ảnh rõ nét. Tuy nhiên, chúng nhạy với nhiễu - những biến thiên rất nhỏ về độ sáng có thể bị nhầm là biên.

Các phương pháp dựa trên Gaussian (như Canny hoặc Laplacian of Gaussian) bổ sung một bước để xử lý vấn đề này: làm mờ ảnh trước. Việc làm mượt này, thường được thực hiện bằng bộ lọc Gaussian, làm giảm những biến thiên nhỏ có thể tạo ra biên giả. Sau khi làm mượt, các phương pháp này vẫn tìm những thay đổi mạnh về độ sáng, nhưng cho kết quả sạch và chính xác hơn đối với ảnh nhiễu hoặc chất lượng thấp.

Hình 6. Phát hiện biên dựa trên gradient so với dựa trên Gaussian. Hình ảnh do tác giả thực hiện.

Các ứng dụng thực tế của phát hiện biên#

Sau khi hiểu rõ hơn về cách hoạt động của phát hiện biên, hãy cùng khám phá cách kỹ thuật này được áp dụng trong thực tế.

Sử dụng phát hiện biên để xác định vết nứt#

Việc kiểm tra các kết cấu bê tông lớn, chẳng hạn như cầu và tòa nhà cao tầng, thường là một nhiệm vụ khó khăn và nguy hiểm. Những kết cấu này có thể trải dài trên khoảng cách lớn hoặc vươn đến độ cao đáng kể, khiến các phương pháp kiểm tra truyền thống trở nên chậm, tốn kém và rủi ro. Các cuộc kiểm tra này cũng thường yêu cầu giàn giáo, tiếp cận bằng dây, đo thủ công ở cự ly gần hoặc chụp ảnh.

Một phương pháp đáng chú ý được nghiên cứu vào năm 2019, khi các nhà nghiên cứu thử nghiệm cách an toàn và nhanh hơn bằng cách sử dụng drone trang bị camera độ phân giải cao để chụp ảnh đầu vào chi tiết của bề mặt bê tông. Sau đó, những hình ảnh này được xử lý bằng nhiều kỹ thuật phát hiện biên khác nhau để tự động xác định vết nứt.

Nghiên cứu cho thấy phương pháp này giảm đáng kể nhu cầu con người phải trực tiếp tiếp cận các khu vực nguy hiểm và rút ngắn thời gian kiểm tra. Tuy nhiên, độ chính xác vẫn phụ thuộc vào các yếu tố như điều kiện chiếu sáng, độ rõ của ảnh và khả năng vận hành drone ổn định. Trong một số trường hợp, vẫn cần con người đánh giá để loại bỏ các kết quả dương tính giả.

Ứng dụng phát hiện biên trong chẩn đoán hình ảnh y khoa#

Ảnh X-quang và MRI thường chứa các nhiễu hình ảnh, khiến những chi tiết nhỏ khó quan sát hơn. Đây là thách thức đối với bác sĩ khi cố gắng phát hiện rìa khối u, truy vết đường viền cơ quan hoặc theo dõi những thay đổi tinh vi theo thời gian.

Một nghiên cứu về chẩn đoán hình ảnh y khoa gần đây đã kiểm tra khả năng xử lý ảnh nhiễu của các phương pháp phát hiện biên phổ biến như Sobel, Canny, Prewitt và Laplacian. Các nhà nghiên cứu thêm nhiều loại và mức độ nhiễu khác nhau vào ảnh, rồi đánh giá mức độ chính xác của từng phương pháp trong việc phác thảo các đặc trưng quan trọng.

Canny thường tạo ra các biên sạch nhất, ngay cả khi nhiễu ở mức cao, nhưng không phải lúc nào cũng là phương pháp tốt nhất. Một số phương pháp hoạt động hiệu quả hơn với những mẫu nhiễu nhất định, vì vậy không có một giải pháp hoàn hảo duy nhất.

Hình 7. Canny (d–f) cung cấp các biên rõ hơn Sobel (g–i) khi nhiễu tăng. (Nguồn)

Điều này cho thấy vì sao các công nghệ như thị giác máy tính lại quan trọng đến vậy. Bằng cách kết hợp các thuật toán nâng cao và model Vision AI, những giải pháp này có thể vượt xa phát hiện biên cơ bản để cung cấp kết quả chính xác và đáng tin cậy hơn, ngay cả trong điều kiện khó khăn.

Ưu điểm của phát hiện biên#

Dưới đây là một số lợi ích của việc sử dụng phát hiện biên và xử lý ảnh:

• Nén dữ liệu tốt hơn: Phát hiện biên cho phép biểu diễn ảnh chỉ bằng các đặc trưng chính, giảm kích thước file mà vẫn giữ lại thông tin thiết yếu. Điều này giúp việc lưu trữ và truyền dữ liệu hiệu quả hơn.
• Định vị vật thể chính xác hơn: Bằng cách xác định chính xác ranh giới vật thể, phát hiện biên cải thiện khả năng định vị và theo dõi vật thể của hệ thống, mang lại lợi ích cho các ứng dụng như AI trong robot và phương tiện tự hành.
• Phát hiện đặc trưng đa tỷ lệ: Các kỹ thuật phát hiện biên có thể phân tích ảnh ở nhiều tỷ lệ khác nhau, nắm bắt cả chi tiết nhỏ lẫn hình dạng lớn. Tính linh hoạt này hữu ích trong nhiều tác vụ, từ phân tích kết cấu đến hiểu cảnh.

Hạn chế của việc sử dụng xử lý ảnh để phát hiện biên#

Mặc dù phát hiện biên trong xử lý ảnh mang lại nhiều lợi ích, kỹ thuật này cũng đi kèm một số thách thức. Dưới đây là những hạn chế chính cần cân nhắc:

• Vấn đề với kết cấu phức tạp: Trong những ảnh có các mẫu phức tạp hoặc lặp lại, phát hiện biên thường tạo ra nhiều biên giả hoặc không liên quan, làm phức tạp quá trình phân tích tiếp theo và giảm độ tin cậy.
• Nhạy với điều kiện chiếu sáng: Các biến thiên về độ sáng, bóng đổ và phản xạ có thể khiến bộ phát hiện biên diễn giải sai những thay đổi ánh sáng thành ranh giới vật thể, dẫn đến kết quả không nhất quán.
• Không nhận diện vật thể: Mặc dù các biên làm nổi bật nơi vật thể bắt đầu và kết thúc, chúng không cho biết vật thể là gì. Cần xử lý bổ sung để gán ý nghĩa hoặc nhãn cho các biên được phát hiện.

Khi nào có thể sử dụng thị giác máy tính để phát hiện biên#

Phát hiện biên được lấy cảm hứng từ cách mắt và não phối hợp để diễn giải thế giới. Đối với thị giác người, các neuron chuyên biệt trong vỏ não thị giác đặc biệt nhạy với biên, đường thẳng và ranh giới.

Những tín hiệu hình ảnh này giúp chúng ta nhanh chóng xác định nơi một vật thể kết thúc và vật thể khác bắt đầu. Đây là lý do ngay cả một hình vẽ đường nét đơn giản cũng có thể được nhận ra ngay lập tức - não bộ của chúng ta phụ thuộc rất nhiều vào các biên để nhận diện hình dạng và vật thể.

Thị giác máy tính hướng tới việc mô phỏng khả năng này nhưng tiến xa hơn một bước. Các model như Ultralytics YOLO11 vượt xa việc chỉ làm nổi bật biên và cải thiện hình ảnh cơ bản. Chúng có thể phát hiện vật thể, phác thảo chúng một cách chính xác và theo dõi chuyển động theo thời gian thực. Mức độ hiểu sâu hơn này khiến chúng trở nên thiết yếu trong những tình huống mà chỉ phát hiện biên là chưa đủ.

Sử dụng Ultralytics YOLO11 để phát hiện biên chính xác hơn#

Dưới đây là một số tác vụ thị giác máy tính chính được Ultralytics YOLO11 hỗ trợ, xây dựng trên nền tảng phát hiện biên và vượt xa kỹ thuật này:

• Phát hiện vật thể: Xác định và định vị nhiều vật thể trong ảnh hoặc video bằng cách vẽ bounding box quanh từng vật thể, cung cấp cái nhìn rõ ràng về những gì hiện diện và vị trí của từng vật thể.
• Instance segmentation: Phân tách vật thể đến cấp độ pixel, tạo ra đường viền rõ ràng và chính xác ngay cả khi các vật thể chồng lấn hoặc có hình dạng không đều.
• Ước tính tư thế: Mục tiêu ở đây là xác định vị trí, hướng hoặc tư thế của một vật thể hay một người, qua đó hỗ trợ theo dõi chuyển động hoặc phát hiện những thay đổi về cấu trúc theo thời gian.
• Theo dõi vật thể: Tác vụ này theo dõi một vật thể khi nó di chuyển qua các khung hình video, đảm bảo nhận dạng nhất quán để quan sát chính xác trong thời gian dài.
• Phân loại hình ảnh: Tác vụ này gán nhãn cho các vật thể hoặc toàn bộ hình ảnh dựa trên các đặc điểm thị giác, giúp tổ chức và diễn giải các tập dữ liệu lớn dễ dàng hơn.

Phát hiện biên trong cơ sở hạ tầng bằng computer vision#

Một ví dụ điển hình về việc computer vision nâng cao một ứng dụng vốn dựa vào phát hiện biên là phát hiện vết nứt trong cơ sở hạ tầng và tài sản công nghiệp. Các model computer vision như Ultralytics YOLO11 có thể được huấn luyện để xác định chính xác các vết nứt trên đường bộ, cầu và đường ống. Kỹ thuật tương tự cũng có thể được áp dụng trong bảo trì máy bay, kiểm tra tòa nhà và kiểm soát chất lượng sản xuất, giúp đẩy nhanh quá trình kiểm tra và cải thiện an toàn.

Hình 8. Ví dụ sử dụng YOLO11 để phân đoạn vết nứt. (Nguồn)

Những điểm chính#

Phát hiện biên đã có những bước tiến đáng kể, từ các phương pháp đơn giản thời kỳ đầu đến những kỹ thuật tiên tiến có thể nhận diện cả các ranh giới tinh tế trong những hình ảnh phức tạp. Kỹ thuật này giúp làm nổi bật các chi tiết quan trọng, nhấn mạnh những khu vực then chốt và chuẩn bị hình ảnh cho quá trình phân tích chuyên sâu hơn, qua đó trở thành một phần cốt lõi của xử lý hình ảnh.

Trong computer vision, phát hiện biên đóng vai trò quan trọng trong việc xác định hình dạng, tách các vật thể và trích xuất thông tin hữu ích. Kỹ thuật này được sử dụng trong nhiều lĩnh vực như chẩn đoán hình ảnh y tế, kiểm tra công nghiệp, lái xe tự động và an ninh để cung cấp khả năng nhận biết trực quan chính xác và đáng tin cậy.

Hãy tham gia cộng đồng của chúng tôi và khám phá repository GitHub của chúng tôi để tìm hiểu thêm về AI. Nếu bạn muốn bắt đầu dự án vision AI của riêng mình, hãy xem các tùy chọn cấp phép của chúng tôi. Tìm hiểu thêm về các ứng dụng như AI trong chăm sóc sức khỏe và vision AI trong bán lẻ bằng cách truy cập các trang giải pháp của chúng tôi.