Mọi điều bạn cần biết về thị giác máy tính trong năm 2025

Hai mươi năm trước, ý tưởng về việc máy móc và máy tính có thể nhìn và hiểu thế giới chỉ là khoa học viễn tưởng. Ngày nay, nhờ những tiến bộ trong trí tuệ nhân tạo (AI), khái niệm đó đã trở thành hiện thực. Cụ thể, computer vision (CV), một nhánh của AI, cho phép máy móc hiểu và phân tích hình ảnh cũng như video. Dù là nhận diện đối tượng theo thời gian thực, cải thiện hệ thống an ninh hay tự động hóa các tác vụ phức tạp, tiềm năng của công nghệ này đang mở rộng ranh giới của những gì có thể đạt được.

Computer vision đang định hình nhanh chóng tương lai của công nghệ khi các ngành công nghiệp khác nhau khám phá các cách khác nhau để áp dụng các tính năng độc đáo của nó. market size of computer vision toàn cầu đã đạt 19,83 tỷ USD vào năm 2024 và dự kiến sẽ tăng trưởng 19,8% hàng năm trong những năm tới.

Fig 1. Quy mô thị trường computer vision toàn cầu.

Trong bài viết này, chúng ta sẽ tìm hiểu kỹ hơn về thị giác máy tính, bao gồm nó là gì, quá trình phát triển ra sao và cách thức hoạt động hiện nay. Chúng ta cũng sẽ khám phá một số ứng dụng thú vị nhất của nó. Hãy bắt đầu thôi!

Thị giác máy tính là gì?#

Thị giác máy tính là một lĩnh vực con của AI, tận dụng máy học và mạng thần kinh để dạy máy tính hiểu nội dung của dữ liệu thị giác, chẳng hạn như hình ảnh hoặc tệp video. Những hiểu biết thu thập được từ hình ảnh đã qua xử lý có thể được sử dụng để đưa ra các quyết định tốt hơn. Ví dụ, thị giác máy tính có thể được sử dụng trong bán lẻ để theo dõi mức tồn kho bằng cách phân tích hình ảnh kệ hàng hoặc nâng cao trải nghiệm mua sắm với các hệ thống thanh toán tự động. Nhiều doanh nghiệp đang sử dụng công nghệ thị giác máy tính cho các ứng dụng khác nhau, từ những tác vụ như thêm bộ lọc vào ảnh trên điện thoại thông minh đến kiểm soát chất lượng trong sản xuất.

Bạn có thể đang thắc mắc: tại sao lại có nhu cầu lớn về các giải pháp thị giác máy tính đến vậy? Các tác vụ đòi hỏi sự chú ý liên tục, như phát hiện lỗi hoặc nhận diện mô hình, có thể rất khó khăn đối với con người. Mắt có thể mệt mỏi và các chi tiết có thể bị bỏ lỡ, đặc biệt là trong các môi trường nhịp độ nhanh hoặc phức tạp.

Trong khi con người giỏi nhận diện các đối tượng ở nhiều kích thước, màu sắc, ánh sáng hoặc góc độ khác nhau, họ thường gặp khó khăn trong việc duy trì sự nhất quán dưới áp lực. Ngược lại, các giải pháp thị giác máy tính hoạt động không ngừng nghỉ, xử lý lượng lớn dữ liệu thị giác một cách nhanh chóng và chính xác. Ví dụ, nó có thể phân tích giao thông theo thời gian thực để phát hiện ùn tắc, tối ưu hóa thời gian đèn tín hiệu hoặc thậm chí xác định tai nạn nhanh hơn so với người quan sát là con người.

Tìm hiểu lịch sử của thị giác máy tính#

Qua nhiều năm, thị giác máy tính đã phát triển từ một khái niệm lý thuyết thành một công nghệ đáng tin cậy thúc đẩy đổi mới trong nhiều ngành công nghiệp. Hãy cùng xem xét một số cột mốc quan trọng đã định hình sự phát triển của nó:

• Thập niên 1950 - 1960: Các nhà nghiên cứu bắt đầu phát triển các thuật toán để xử lý và phân tích dữ liệu thị giác, nhưng tiến độ còn chậm do sức mạnh tính toán hạn chế.

• Thập niên 1970: Thập kỷ này đã chứng kiến những cải tiến lớn về thuật toán, như Hough Transform, giúp cải thiện khả năng phát hiện các đường thẳng và hình dạng hình học trong hình ảnh. Nhận dạng ký tự quang học (OCR) cũng xuất hiện, giúp máy móc có thể đọc được văn bản in.

• Thập niên 1980 - 1990: Máy học bắt đầu đóng vai trò trong thị giác máy tính, mở đường cho những khả năng tiên tiến hơn và những đột phá trong tương lai.

• Thập niên 2000 - 2010: Học sâu (deep learning) đã mang lại một chiều hướng mới cho thị giác máy tính, trang bị cho máy móc khả năng diễn giải dữ liệu thị giác hiệu quả hơn. Nó nâng cao các khả năng như nhận diện đối tượng, phân tích chuyển động và thực hiện các tác vụ phức tạp.

Ngày nay, computer vision đang tiến bộ nhanh chóng và chuyển đổi cách chúng ta giải quyết các vấn đề trong các lĩnh vực như chăm sóc sức khỏe, xe tự hành và thành phố thông minh. Ultralytics YOLO (You Only Look Once) models, được thiết kế cho computer vision tasks thời gian thực, giúp việc triển khai vision AI hiệu quả và chính xác hơn trên các ngành công nghiệp khác nhau. Khi AI và phần cứng tiếp tục cải thiện, các model này đang giúp các doanh nghiệp đưa ra quyết định thông minh hơn và tối ưu hóa quy trình vận hành bằng cách sử dụng phân tích dữ liệu trực quan nâng cao.

Phân tích cách thức hoạt động của thị giác máy tính#

Các hệ thống thị giác máy tính hoạt động bằng cách sử dụng các mạng thần kinh, là các thuật toán lấy cảm hứng từ cách bộ não con người làm việc, để phân tích hình ảnh. Một loại cụ thể, gọi là Mạng thần kinh tích chập (CNN), đặc biệt giỏi trong việc nhận diện các mô hình như cạnh và hình dạng trong ảnh.

Để đơn giản hóa dữ liệu trực quan, các kỹ thuật như pooling tập trung vào các phần quan trọng nhất của hình ảnh, trong khi các layer bổ sung xử lý thông tin này để thực hiện các tác vụ như nhận diện tính năng hoặc phát hiện đối tượng. Các model nâng cao như Ultralytics YOLO11, được thiết kế cho tốc độ và độ chính xác, giúp xử lý hình ảnh thời gian thực trở nên khả thi.

Fig 2. Ví dụ về việc sử dụng Ultralytics YOLO11 cho object detection.

Một ứng dụng thị giác máy tính điển hình bao gồm nhiều bước để chuyển đổi hình ảnh thô thành thông tin hữu ích. Dưới đây là bốn giai đoạn chính:

• Thu thập hình ảnh: Dữ liệu thị giác được thu thập bằng camera hoặc cảm biến, và chất lượng hình ảnh phụ thuộc vào loại cảm biến được sử dụng.

• Xử lý hình ảnh: Dữ liệu thu thập được sau đó được tăng cường thông qua các kỹ thuật tiền xử lý như giảm nhiễu và làm nổi bật các cạnh để dễ dàng phân tích hơn.

• Trích xuất đặc trưng: Các chi tiết quan trọng, như hình dạng và kết cấu, được chọn ra, tập trung vào những phần quan trọng nhất của hình ảnh.

• Nhận diện mô hình: Các đặc trưng được xác định sẽ được phân tích bằng máy học để hoàn thành các tác vụ như phát hiện đối tượng, theo dõi chuyển động hoặc nhận diện mô hình.

Khám phá các tác vụ thị giác máy tính#

Bạn có thể đã nhận thấy rằng khi nói về cách thức hoạt động của thị giác máy tính, chúng tôi đã đề cập đến các tác vụ thị giác máy tính. Các model như Ultralytics YOLO11 được xây dựng để hỗ trợ các tác vụ này, cung cấp các giải pháp nhanh chóng và chính xác cho các ứng dụng thực tế. Từ phát hiện đối tượng đến theo dõi chuyển động của chúng, YOLO11 xử lý các tác vụ này một cách hiệu quả. Hãy cùng khám phá một số tác vụ thị giác máy tính chính mà nó hỗ trợ và cách chúng hoạt động.

Phát hiện đối tượng#

Object detection là một computer vision task quan trọng, được sử dụng để xác định các đối tượng quan tâm trong một hình ảnh. Đầu ra của một tác vụ object detection là tập hợp các bounding box (các hình chữ nhật được vẽ xung quanh các đối tượng được phát hiện trong hình ảnh), cùng với nhãn lớp (danh mục hoặc loại của mỗi đối tượng, chẳng hạn như "car" hoặc "person") và điểm tin cậy (một giá trị số cho biết mức độ chắc chắn của model về mỗi lần phát hiện). Ví dụ, object detection có thể được sử dụng để nhận diện và xác định vị trí của một người đi bộ trên đường phố hoặc một chiếc xe hơi đang lưu thông.

Hình 3. Ultralytics YOLO11 đang được sử dụng để phát hiện đối tượng.

Phân loại hình ảnh#

Mục tiêu chính của image classification là gán một nhãn hoặc danh mục được định nghĩa trước cho một hình ảnh đầu vào dựa trên nội dung tổng thể của nó. Tác vụ này thường bao gồm việc xác định đối tượng hoặc tính năng chiếm ưu thế trong hình ảnh. Ví dụ, image classification có thể được sử dụng để xác định xem một hình ảnh có chứa mèo hay chó. Các computer vision model như YOLO11 thậm chí có thể được custom-trained để phân loại từng giống mèo hay chó cụ thể, như được hiển thị bên dưới.

Fig 4. Phân loại các giống mèo khác nhau bằng cách sử dụng YOLO11.

Phân đoạn thực thể#

Instance segmentation là một computer vision task quan trọng khác được sử dụng trong nhiều ứng dụng khác nhau. Nó liên quan đến việc chia nhỏ hình ảnh thành các phân đoạn và nhận diện từng đối tượng riêng lẻ, ngay cả khi có nhiều đối tượng cùng loại. Khác với object detection, instance segmentation tiến thêm một bước bằng cách phác 3thảo ranh giới chính xác của từng đối tượng. Ví dụ, trong sản xuất và sửa chữa ô tô, instance segmentation có thể giúp nhận diện và dán nhãn từng bộ phận ô tô một cách riêng biệt, giúp quy trình trở nên chính xác và hiệu quả hơn.

Fig 5. Phân đoạn bộ phận ô tô bằng cách sử dụng YOLO11.

Ước tính tư thế#

Mục tiêu của pose estimation là xác định vị trí và hướng của một người hoặc đối tượng bằng cách dự đoán vị trí của các điểm khóa, chẳng hạn như tay, đầu và khuỷu tay. Điều này cực kỳ hữu ích trong các ứng dụng cần hiểu các hành động thể chất trong thời gian thực. Human pose estimation thường được sử dụng trong các lĩnh vực như phân tích thể thao, animal behavior monitoring và robot.

Fig 6. YOLO11 có thể hỗ trợ thực hiện human pose estimation.

Để khám phá các computer vision task khác được hỗ trợ bởi YOLO11, bạn có thể tham khảo official Ultralytics documentation. Nó cung cấp thông tin chi tiết về cách YOLO11 xử lý các tác vụ như object tracking và oriented bounding box (OBB) object detection.

Các model thị giác máy tính phổ biến hiện nay#

Mặc dù có rất nhiều computer vision model ngoài kia, series Ultralytics YOLO vẫn nổi bật nhờ hiệu suất mạnh mẽ và tính linh hoạt. Theo thời gian, các Ultralytics YOLO model đã được cải thiện, trở nên nhanh hơn, chính xác hơn và có khả năng xử lý nhiều tác vụ hơn. Khi Ultralytics YOLOv5 được giới thiệu, việc triển khai model trở nên dễ dàng hơn với các framework vision AI như PyTorch. Nó cho phép nhiều đối tượng người dùng hơn làm việc với vision AI nâng cao, kết hợp độ chính xác cao với sự dễ sử dụng.

Tiếp theo, Ultralytics YOLOv8 tiến xa hơn bằng cách bổ sung các tính năng mới như instance segmentation, pose estimation và image classification. Trong khi đó, phiên bản mới nhất, YOLO11, mang lại hiệu suất đỉnh cao trên nhiều computer vision task. Với số lượng tham số ít hơn 22% so với YOLOv8m, YOLO11m đạt được mean average precision (mAP) cao hơn trên COCO dataset, đồng nghĩa với việc nó có thể phát hiện đối tượng chính xác và hiệu quả hơn. Cho dù bạn là một developer có kinh nghiệm hay mới làm quen với AI, YOLO11 cung cấp một giải pháp mạnh mẽ cho các nhu cầu computer vision của bạn.

Vai trò của thị giác máy tính trong cuộc sống hàng ngày#

Trước đây, chúng ta đã thảo luận về cách các model computer vision như Ultralytics YOLO11 có thể được ứng dụng trong nhiều ngành công nghiệp khác nhau. Bây giờ, hãy cùng khám phá thêm các trường hợp sử dụng đang thay đổi cuộc sống hàng ngày của chúng ta.

AI thị giác trong chăm sóc sức khỏe#

Có rất nhiều ứng dụng cho computer vision in healthcare. Các tác vụ như object detection và classification được sử dụng trong hình ảnh y tế để giúp việc phát hiện bệnh nhanh chóng và chính xác hơn. Trong phân tích X-quang, computer vision có thể nhận diện các mẫu có thể quá tinh vi đối với mắt người.

Nó cũng được sử dụng trong việc phát hiện ung thư để so sánh các tế bào ung thư với các tế bào khỏe mạnh. Tương tự, đối với các bản chụp CT và MRI, thị giác máy tính có thể được sử dụng để phân tích hình ảnh với độ chính xác gần như con người. Nó giúp các bác sĩ đưa ra quyết định tốt hơn và cuối cùng là cứu được nhiều mạng sống hơn.

Fig 7. YOLO11 đang được sử dụng để phân tích các bản chụp y tế.

AI trong ngành công nghiệp ô tô#

Computer vision đóng vai trò quan trọng đối với xe tự hành, giúp chúng phát hiện các đối tượng như biển báo giao thông và đèn giao thông. Các kỹ thuật như optical character recognition (OCR) cho phép xe đọc văn bản từ các biển báo đường bộ. Nó cũng được sử dụng cho việc phát hiện người đi bộ, nơi các tác vụ object detection nhận diện mọi người trong thời gian thực.

Ngoài ra, thị giác máy tính thậm chí có thể phát hiện các vết nứt và ổ gà trên bề mặt đường, cho phép giám sát tốt hơn các điều kiện đường sá đang thay đổi. Nhìn chung, công nghệ thị giác máy tính có thể đóng vai trò then chốt trong việc cải thiện quản lý giao thông, tăng cường an toàn vận tải và hỗ trợ quy hoạch thành phố thông minh.

Fig 8. Hiểu về giao thông bằng cách sử dụng YOLO11.

Thị giác máy tính trong nông nghiệp#

Giả sử nông dân có thể tự động gieo hạt, tưới nước và thu hoạch mùa màng đúng hạn mà không phải lo lắng gì. Đó chính xác là những gì computer vision brings to agriculture. Nó hỗ trợ giám sát cây trồng theo thời gian thực để nông dân có thể phát hiện các vấn đề như dịch bệnh hoặc thiếu hụt dinh dưỡng chính xác hơn con người.

Ngoài việc giám sát, các máy làm cỏ tự động dựa trên AI được tích hợp thị giác máy tính có thể nhận diện và loại bỏ cỏ dại, giúp cắt giảm chi phí nhân công và tăng năng suất cây trồng. Sự kết hợp công nghệ này giúp nông dân tối ưu hóa tài nguyên, cải thiện hiệu quả và bảo vệ mùa màng.

Fig 9. Ví dụ về việc sử dụng Ultralytics YOLO11 trong nông nghiệp.

Tự động hóa các quy trình sản xuất với AI#

Trong sản xuất, computer vision giúp giám sát sản xuất, kiểm tra chất lượng sản phẩm và theo dõi công nhân tự động. Vision AI giúp quy trình diễn ra nhanh hơn, chính xác hơn trong khi giảm thiểu lỗi, dẫn đến việc cắt giảm chi phí.

Cụ thể, đối với đảm bảo chất lượng, phát hiện đối tượng và phân đoạn thực thể thường được sử dụng. Các hệ thống phát hiện lỗi thực hiện kiểm tra cuối cùng trên các sản phẩm đã hoàn thiện để đảm bảo chỉ những sản phẩm tốt nhất mới đến tay khách hàng. Bất kỳ sản phẩm nào có vết lõm hoặc vết nứt đều được xác định và loại bỏ tự động. Các hệ thống này cũng theo dõi và đếm sản phẩm trong thời gian thực, cung cấp khả năng giám sát liên tục trên dây chuyền lắp ráp.

Fig 10. Giám sát dây chuyền lắp ráp bằng cách sử dụng computer vision.

Giáo dục trở nên ấn tượng hơn với thị giác máy tính#

Một trong những cách computer vision được sử dụng trong lớp học là thông qua nhận diện cử chỉ - tính năng này cá nhân hóa việc học bằng cách phát hiện chuyển động của học sinh. Các model như Ultralytics YOLO11 rất phù hợp cho tác vụ này. Chúng có thể nhận diện chính xác các cử chỉ như giơ tay hoặc biểu cảm bối rối theo thời gian thực.

Khi các cử chỉ như vậy được phát hiện, bài học đang diễn ra có thể được điều chỉnh bằng cách cung cấp thêm sự trợ giúp hoặc sửa đổi nội dung để phù hợp hơn với nhu cầu của học sinh. Điều này tạo ra một môi trường học tập năng động và linh hoạt hơn, giúp giáo viên tập trung vào việc giảng dạy trong khi hệ thống hỗ trợ trải nghiệm học tập của từng học sinh.

Các xu hướng gần đây trong thị giác máy tính#

Bây giờ chúng ta đã khám phá một số ứng dụng của thị giác máy tính trong nhiều ngành công nghiệp khác nhau, hãy cùng đi sâu vào các xu hướng chính đang thúc đẩy sự tiến bộ của nó.

Một trong những xu hướng lớn là edge computing, một framework điện toán phân tán xử lý dữ liệu gần nguồn của nó hơn. Ví dụ, edge computing trang bị cho các thiết bị như camera và cảm biến khả năng xử lý dữ liệu trực quan trực tiếp, mang lại thời gian phản hồi nhanh hơn, giảm độ trễ và cải thiện quyền riêng tư.

Một xu hướng chính khác trong thị giác máy tính là sử dụng thực tế hỗn hợp. Nó kết hợp thế giới vật lý với các yếu tố kỹ thuật số, sử dụng thị giác máy tính để làm cho các đối tượng ảo hòa quyện một cách mượt mà với thế giới thực. Nó có thể được sử dụng để cải thiện trải nghiệm trong chơi game, giáo dục và đào tạo.

Ưu và nhược điểm của thị giác máy tính#

Dưới đây là một số lợi ích chính mà thị giác máy tính có thể mang lại cho các ngành công nghiệp khác nhau:

• Tiết kiệm chi phí: Tự động hóa các tác vụ với thị giác máy tính giúp giảm chi phí vận hành, cải thiện năng suất và giảm thiểu sai sót.

• Khả năng mở rộng: Sau khi được triển khai, các hệ thống thị giác máy tính có thể dễ dàng mở rộng để xử lý lượng dữ liệu lớn, giúp chúng phù hợp cho các doanh nghiệp đang phát triển hoặc các hoạt động quy mô lớn.

• Tùy chỉnh theo ứng dụng cụ thể: Các model thị giác máy tính có thể được tinh chỉnh (fine-tune) bằng dataset của bạn, mang lại cho bạn các giải pháp chuyên biệt cao đáp ứng các yêu cầu của ứng dụng.

Trong khi những lợi ích này làm nổi bật cách thị giác máy tính có thể tác động đến nhiều ngành công nghiệp, điều quan trọng là phải xem xét các thách thức liên quan đến việc triển khai nó. Dưới đây là một số thách thức chính:

• Các vấn đề về quyền riêng tư dữ liệu: Việc sử dụng dữ liệu thị giác, đặc biệt là trong các lĩnh vực nhạy cảm như giám sát hoặc chăm sóc sức khỏe, có thể làm dấy lên các vấn đề về quyền riêng tư và an ninh.

• Các hạn chế về môi trường: Các hệ thống thị giác máy tính có thể gặp khó khăn khi hoạt động bình thường trong các môi trường đầy thử thách, chẳng hạn như ánh sáng kém, hình ảnh chất lượng thấp hoặc phông nền phức tạp.

• Chi phí ban đầu cao: Việc phát triển và triển khai các hệ thống thị giác máy tính có thể đắt đỏ do cần có phần cứng, phần mềm và chuyên môn chuyên biệt.

Các điểm chính cần lưu ý#

Thị giác máy tính đang tái tạo cách máy móc tương tác với thế giới bằng cách cho phép chúng nhìn và hiểu thế giới giống như con người. Nó đã được sử dụng trong nhiều lĩnh vực, như cải thiện an toàn trong xe tự lái, giúp các bác sĩ chẩn đoán bệnh nhanh hơn, làm cho việc mua sắm được cá nhân hóa hơn và thậm chí hỗ trợ nông dân giám sát mùa màng.

Khi công nghệ tiếp tục cải thiện, các xu hướng mới như điện toán biên và thực tế hỗn hợp đang mở ra nhiều khả năng hơn nữa. Mặc dù vẫn còn một số thách thức như định kiến và chi phí cao, thị giác máy tính có tiềm năng tạo ra tác động tích cực to lớn cho nhiều ngành công nghiệp trong tương lai.

Để tìm hiểu thêm, hãy truy cập GitHub repository của chúng tôi và kết nối với community của chúng tôi. Khám phá các cải tiến trong các lĩnh vực như AI in self-driving cars và computer vision in agriculture trên các trang giải pháp của chúng tôi. 🚀