Mọi điều cần biết về thị giác máy tính năm 2025

Hai mươi năm trước, ý tưởng về máy móc và máy tính có thể nhìn và hiểu thế giới chỉ có trong khoa học viễn tưởng. Ngày nay, nhờ những tiến bộ trong trí tuệ nhân tạo (AI), ý tưởng đó đã trở thành hiện thực. Cụ thể, thị giác máy tính (CV), một nhánh của AI, giúp máy móc hiểu và phân tích hình ảnh, video. Từ nhận diện đối tượng theo thời gian thực đến cải thiện hệ thống bảo mật hay tự động hóa các tác vụ phức tạp, thị giác máy tính liên tục mở rộng khả năng của máy móc.

Thị giác máy tính đang nhanh chóng định hình tương lai công nghệ khi nhiều ngành khám phá những cách khác nhau để ứng dụng các khả năng độc đáo của lĩnh vực này. Quy mô thị trường công nghệ thị giác máy tính toàn cầu đạt 19,83 tỷ USD vào năm 2024 và dự kiến tăng trưởng 19,8% mỗi năm trong những năm tới.

Hình 1. Quy mô thị trường thị giác máy tính toàn cầu.

Trong bài viết này, chúng ta sẽ tìm hiểu kỹ hơn về thị giác máy tính, bao gồm khái niệm, quá trình phát triển và cách thức hoạt động hiện nay. Chúng ta cũng sẽ khám phá một số ứng dụng thú vị nhất của công nghệ này.

Thị giác máy tính là gì?#

Thị giác máy tính là một nhánh của AI sử dụng machine learning và mạng nơ-ron để dạy máy tính hiểu nội dung của dữ liệu hình ảnh, chẳng hạn như ảnh hoặc tệp video. Thông tin thu được từ ảnh đã xử lý có thể được dùng để đưa ra quyết định tốt hơn. Ví dụ, trong lĩnh vực bán lẻ, thị giác máy tính có thể theo dõi mức tồn kho bằng cách phân tích hình ảnh kệ hàng hoặc cải thiện trải nghiệm mua sắm bằng hệ thống thanh toán tự động. Nhiều doanh nghiệp đã sử dụng công nghệ thị giác máy tính cho các ứng dụng khác nhau, từ thêm bộ lọc vào ảnh trên smartphone đến kiểm soát chất lượng trong sản xuất.

Có thể bạn đang thắc mắc: tại sao lại cần các giải pháp thị giác máy tính đến vậy? Những tác vụ đòi hỏi sự chú ý liên tục, như phát hiện lỗi hoặc nhận dạng mẫu, có thể gây khó khăn cho con người. Mắt có thể mỏi và các chi tiết dễ bị bỏ sót, đặc biệt trong môi trường có nhịp độ nhanh hoặc phức tạp.

Con người có khả năng nhận diện đối tượng ở các kích thước, màu sắc, điều kiện ánh sáng hoặc góc độ khác nhau, nhưng thường khó duy trì tính nhất quán khi chịu áp lực. Ngược lại, các giải pháp thị giác máy tính hoạt động liên tục, xử lý nhanh chóng và chính xác khối lượng lớn dữ liệu trực quan. Ví dụ, giải pháp có thể phân tích giao thông theo thời gian thực để phát hiện ùn tắc, tối ưu thời gian đèn tín hiệu hoặc thậm chí xác định tai nạn nhanh hơn người quan sát.

Tìm hiểu lịch sử thị giác máy tính#

Qua nhiều năm, thị giác máy tính đã phát triển từ một khái niệm lý thuyết thành công nghệ đáng tin cậy, thúc đẩy đổi mới trong nhiều ngành. Hãy cùng điểm qua một số cột mốc quan trọng định hình quá trình phát triển của lĩnh vực này:

• Thập niên 1950 - 1960: Các nhà nghiên cứu bắt đầu phát triển thuật toán để xử lý và phân tích dữ liệu trực quan, nhưng tiến độ chậm do năng lực tính toán còn hạn chế.
• Thập niên 1970: Thập niên này chứng kiến những cải tiến lớn trong thuật toán, chẳng hạn như phép biến đổi Hough, giúp cải thiện khả năng phát hiện đường thẳng và hình dạng hình học trong ảnh. Nhận dạng ký tự quang học (OCR) cũng xuất hiện, giúp máy móc có thể đọc văn bản in.
• Thập niên 1980 - 1990: Machine learning bắt đầu đóng vai trò trong thị giác máy tính, mở đường cho những khả năng tiên tiến hơn và các đột phá trong tương lai.
• Thập niên 2000 - 2010: Deep learning mở ra một chiều hướng mới cho thị giác máy tính, giúp máy móc diễn giải dữ liệu trực quan hiệu quả hơn. Công nghệ này nâng cao các khả năng như nhận diện đối tượng, phân tích chuyển động và thực hiện tác vụ phức tạp.

Ngày nay, thị giác máy tính phát triển nhanh chóng và đang thay đổi cách chúng ta giải quyết vấn đề trong các lĩnh vực như chăm sóc sức khỏe, xe tự hành và thành phố thông minh. Các model Ultralytics YOLO (You Only Look Once), được thiết kế cho tác vụ thị giác máy tính thời gian thực, giúp triển khai AI thị giác hiệu quả và chính xác hơn trong nhiều ngành. Khi AI và phần cứng tiếp tục được cải thiện, các model này đang giúp doanh nghiệp đưa ra quyết định sáng suốt hơn và tinh giản hoạt động nhờ phân tích dữ liệu trực quan tiên tiến.

Tìm hiểu cách thị giác máy tính hoạt động#

Hệ thống thị giác máy tính sử dụng mạng nơ-ron, các thuật toán lấy cảm hứng từ cách hoạt động của bộ não con người, để phân tích hình ảnh. Một loại mạng cụ thể, gọi là mạng nơ-ron tích chập (CNN), đặc biệt phù hợp để nhận diện mẫu như cạnh và hình dạng trong ảnh.

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

Hình 2. Ví dụ sử dụng Ultralytics YOLO11 để phát hiện đối tượng.

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

• Thu nhận ảnh: Dữ liệu trực quan được thu thập bằng camera hoặc cảm biến; chất lượng ảnh phụ thuộc vào loại cảm biến được sử dụng.
• Xử lý ảnh: Dữ liệu thu thập được cải thiện bằng các kỹ thuật tiền xử lý như giảm nhiễu và làm nổi bật cạnh để thuận tiện hơn cho việc phân tích.
• Trích xuất đặc trưng: Các chi tiết quan trọng như hình dạng và kết cấu được xác định, tập trung vào những phần ảnh có ý nghĩa nhất.
• Nhận dạng mẫu: Các đặc trưng đã xác định được phân tích bằng machine learning để thực hiện những tác vụ như phát hiện đối tượng, theo dõi chuyển động hoặc nhận dạng mẫu.

Khám phá các tác vụ thị giác máy tính#

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

Phát hiện đối tượng#

Phát hiện đối tượng là một tác vụ thị giác máy tính quan trọng, được dùng để xác định các đối tượng cần quan tâm trong ảnh. Đầu ra của tác vụ phát hiện đối tượng là một tập hợp hộp giới hạn (các hình chữ nhật được vẽ quanh đối tượng phát hiện được trong ảnh), kèm theo nhãn lớp (danh mục hoặc loại của từng đối tượng, chẳng hạn như "xe hơi" hoặc "người") và điểm tin cậy (giá trị số cho biết model chắc chắn đến mức nào về từng kết quả phát hiện). Ví dụ, có thể dùng phát hiện đối tượng để xác định và tìm vị trí người đi bộ trên đường hoặc xe hơi trong dòng giao thông.

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

Phân loại ảnh#

Mục tiêu chính của phân loại ảnh là gán nhãn hoặc danh mục được xác định trước cho ảnh đầu vào dựa trên nội dung tổng thể của ảnh. Tác vụ này thường bao gồm việc xác định đối tượng hoặc đặc trưng nổi bật nhất trong ảnh. Ví dụ, phân loại ảnh có thể được dùng để xác định ảnh có chứa mèo hay chó. Các model thị giác máy tính như YOLO11 thậm chí có thể được huấn luyện tùy chỉnh để phân loại từng giống mèo hoặc chó, như minh họa bên dưới.

Hình 4. Phân loại các giống mèo khác nhau bằng YOLO11.

Phân đoạn đối tượng riêng lẻ#

Phân đoạn đối tượng riêng lẻ là một tác vụ thị giác máy tính quan trọng khác, được sử dụng trong nhiều ứng dụng. Tác vụ này chia ảnh thành các vùng và xác định từng đối tượng riêng lẻ, ngay cả khi có nhiều đối tượng cùng loại. Khác với phát hiện đối tượng, phân đoạn đối tượng riêng lẻ tiến thêm một bước bằng cách phác thảo đường biên chính xác của từng đối tượng. Ví dụ, trong sản xuất và sửa chữa ô tô, phân đoạn đối tượng riêng lẻ có thể giúp xác định và gắn nhãn riêng từng bộ phận xe, giúp quy trình chính xác và hiệu quả hơn.

Hình 5. Phân đoạn các bộ phận xe bằng YOLO11.

Ước tính tư thế#

Mục tiêu của ước tính tư thế là xác định vị trí và hướng của người hoặc vật thể bằng cách dự đoán vị trí keypoint như bàn tay, đầu và khuỷu tay. Công nghệ này đặc biệt hữu ích trong các ứng dụng cần hiểu hành động thể chất theo thời gian thực. Ước tính tư thế người thường được sử dụng trong các lĩnh vực như phân tích thể thao, giám sát hành vi động vật và robot.

Hình 6. YOLO11 có thể hỗ trợ ước tính tư thế người.

Để tìm hiểu các tác vụ thị giác máy tính khác được YOLO11 hỗ trợ, bạn có thể tham khảo tài liệu chính thức của Ultralytics. Tài liệu cung cấp thông tin chi tiết về cách YOLO11 xử lý các tác vụ như theo dõi đối tượng và phát hiện đối tượng bằng hộp giới hạn định hướng (OBB).

Các model thị giác máy tính phổ biến hiện nay#

Dù có rất nhiều model thị giác máy tính, dòng Ultralytics YOLO vẫn nổi bật nhờ hiệu năng mạnh mẽ và tính linh hoạt. Theo thời gian, các model Ultralytics YOLO đã được cải thiện, trở nên nhanh hơn, chính xác hơn và có khả năng xử lý nhiều tác vụ hơn. Khi Ultralytics YOLOv5 ra mắt, việc triển khai model trở nên dễ dàng hơn với các framework AI thị giác như PyTorch. Model giúp nhiều người dùng tiếp cận AI thị giác tiên tiến hơn, kết hợp độ chính xác cao với sự dễ sử dụng.

Tiếp theo, Ultralytics YOLOv8 mở rộng khả năng bằng cách bổ sung các tính năng như phân đoạn instance, phân loại ảnh và ước tính tư thế. Sau đó, YOLO11 mang lại hiệu năng mạnh mẽ trên nhiều tác vụ thị giác máy tính. Với số lượng tham số ít hơn YOLOv8m 22%, YOLO11m đạt độ chính xác trung bình trung bình (mAP) cao hơn trên dataset COCO, nghĩa là model phát hiện đối tượng chính xác và hiệu quả hơn. Thế hệ mới nhất, Ultralytics YOLO26, tiếp tục phát triển với suy luận end-to-end tích hợp, không cần NMS và hiệu năng CPU nhanh hơn để triển khai trên thiết bị biên. Dù bạn là nhà phát triển giàu kinh nghiệm hay mới làm quen với AI, các model Ultralytics YOLO đều là điểm khởi đầu thiết thực cho nhu cầu thị giác máy tính.

Vai trò của thị giác máy tính trong đời sống hằng ngày#

Trước đó, chúng ta đã thảo luận cách áp dụng các model thị giác máy tính như Ultralytics YOLO11 trong nhiều ngành khác nhau. Giờ hãy cùng khám phá thêm những trường hợp sử dụng đang thay đổi cuộc sống hằng ngày của chúng ta.

AI thị giác trong chăm sóc sức khỏe#

Có rất nhiều ứng dụng thị giác máy tính trong chăm sóc sức khỏe. Các tác vụ như phát hiện và phân loại đối tượng được sử dụng trong chẩn đoán hình ảnh y tế để phát hiện bệnh nhanh và chính xác hơn. Trong phân tích ảnh X-quang, thị giác máy tính có thể nhận diện những mẫu hình quá tinh vi để mắt người phát hiện.

Công nghệ này cũng được sử dụng để phát hiện ung thư bằng cách so sánh tế bào ung thư với tế bào khỏe mạnh. Tương tự, đối với ảnh chụp CT và MRI, thị giác máy tính có thể phân tích ảnh với độ chính xác gần tương đương con người. Công nghệ này giúp bác sĩ đưa ra quyết định tốt hơn và cuối cùng cứu sống được nhiều người hơn.

Hình 7. YOLO11 được sử dụng để phân tích ảnh chụp y tế.

AI trong ngành ô tô#

Thị giác máy tính đóng vai trò then chốt đối với xe tự lái, giúp xe phát hiện các đối tượng như biển báo đường bộ và đèn giao thông. Các kỹ thuật như nhận dạng ký tự quang học (OCR) cho phép xe đọc văn bản trên biển báo đường bộ. Công nghệ này cũng được dùng để phát hiện người đi bộ, trong đó các tác vụ phát hiện đối tượng nhận diện người theo thời gian thực.

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

Hình 8. Tìm hiểu tình hình giao thông bằng YOLO11.

Thị giác máy tính trong nông nghiệp#

Hãy tưởng tượng nông dân có thể tự động gieo hạt, tưới nước và thu hoạch đúng thời điểm mà không cần lo lắng. Đó chính là cách thị giác máy tính hỗ trợ nông nghiệp. Công nghệ này hỗ trợ giám sát cây trồng theo thời gian thực, giúp nông dân phát hiện sớm hơn các vấn đề như bệnh cây hoặc thiếu hụt chất dinh dưỡng.

Ngoài việc giám sát, máy làm cỏ tự động ứng dụng AI và tích hợp thị giác máy tính có thể nhận diện, loại bỏ cỏ dại, giảm chi phí nhân công và tăng năng suất cây trồng. Sự kết hợp công nghệ này giúp nông dân tối ưu hóa nguồn lực, nâng cao hiệu quả và bảo vệ cây trồng.

Hình 9. Ví dụ về việc ứng dụng Ultralytics YOLO11 trong nông nghiệp.

Tự động hóa quy trình sản xuất bằng AI#

Trong ngành sản xuất, thị giác máy tính giúp tự động giám sát quy trình sản xuất, kiểm tra chất lượng sản phẩm và theo dõi công nhân. AI thị giác giúp quy trình nhanh và chính xác hơn, đồng thời giảm lỗi và chi phí.

Cụ thể, phát hiện đối tượng và phân đoạn instance thường được sử dụng để đảm bảo chất lượng. Hệ thống phát hiện lỗi kiểm tra lần cuối các sản phẩm hoàn thiện để đảm bảo chỉ những sản phẩm tốt nhất đến tay khách hàng. Sản phẩm có vết lõm hoặc vết nứt sẽ được tự động nhận diện và loại bỏ. Những hệ thống này cũng theo dõi và đếm sản phẩm theo thời gian thực, giúp giám sát liên tục trên dây chuyền lắp ráp.

Hình 10. Giám sát dây chuyền lắp ráp bằng thị giác máy tính.

Nâng cao hiệu quả giáo dục bằng thị giác máy tính#

Một ứng dụng của thị giác máy tính trong lớp học là nhận diện cử chỉ - công nghệ 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. Model có thể nhận diện chính xác các cử chỉ như giơ tay hoặc biểu cảm bối rối theo thời gian thực.

Khi phát hiện những cử chỉ này, bài học đang diễn ra có thể được điều chỉnh bằng cách bổ sung trợ giúp hoặc thay đổi nội dung để phù hợp hơn với nhu cầu của học sinh. Điều này tạo ra môi trường học tập năng động và thích ứng 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 mới trong thị giác máy tính#

Sau khi tìm hiểu một số ứng dụng của thị giác máy tính trong nhiều ngành khác nhau, hãy cùng xem xét những xu hướng chính đang thúc đẩy lĩnh vực này phát triển.

Một trong những xu hướng lớn là điện toán biên, một framework điện toán phân tán xử lý dữ liệu gần nguồn phát sinh hơn. Ví dụ, điện toán biên cho phép các thiết bị như camera và cảm biến xử lý dữ liệu hình ảnh trực tiếp, nhờ đó phản hồi nhanh hơn, giảm độ trễ và cải thiện quyền riêng tư.

Một xu hướng quan trọng khác trong thị giác máy tính là thực tế kết hợp. Công nghệ này kết hợp thế giới vật lý với các yếu tố kỹ thuật số, sử dụng thị giác máy tính để hòa trộn liền mạch các vật thể ảo vào thế giới thực. Công nghệ này có thể được dùng để cải thiện trải nghiệm trong lĩnh vực trò chơi, 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 nhiều ngành:

• Tiết kiệm chi phí: Tự động hóa tác vụ bằng thị giác máy tính giúp giảm chi phí vận hành, cải thiện năng suất và giảm thiểu lỗi.
• Khả năng mở rộng: Sau khi triển khai, hệ thống thị giác máy tính có thể dễ dàng mở rộng để xử lý lượng dữ liệu lớn, phù hợp với các doanh nghiệp đang phát triển hoặc hoạt động quy mô lớn.
• Tùy chỉnh theo ứng dụng: Model thị giác máy tính có thể được tinh chỉnh bằng dataset của bạn, tạo ra các giải pháp chuyên biệt đáp ứng yêu cầu của ứng dụng.

Dù những lợi ích này cho thấy thị giác máy tính có thể tác động đến nhiều ngành, điều quan trọng là cũng cần cân nhắc các thách thức khi triển khai. Dưới đây là một số thách thức chính:

• Quan ngại về quyền riêng tư dữ liệu: Việc sử dụng dữ liệu hình ảnh, đặc biệt trong các lĩnh vực nhạy cảm như giám sát hoặc chăm sóc sức khỏe, có thể làm phát sinh vấn đề về quyền riêng tư và an ninh.
• Hạn chế về môi trường: Hệ thống thị giác máy tính có thể gặp khó khăn khi hoạt động hiệu quả trong môi trường khắc nghiệt, chẳng hạn như ánh sáng yếu, hình ảnh chất lượng thấp hoặc phông nền phức tạp.
• Chi phí ban đầu cao: Việc phát triển và triển khai hệ thống thị giác máy tính có thể tốn kém do cần phần cứng, phần mềm và chuyên môn chuyên biệt.

Điểm chính cần ghi nhớ#

Thị giác máy tính đang làm thay đổi cách máy móc tương tác với thế giới bằng cách giúp chúng nhìn và hiểu thế giới như con người. Công nghệ này đã được ứng dụng trong nhiều lĩnh vực, chẳng hạn như cải thiện an toàn cho xe tự lái, giúp bác sĩ chẩn đoán bệnh nhanh hơn, cá nhân hóa trải nghiệm mua sắm và hỗ trợ nông dân giám sát cây trồng.

Khi công nghệ không ngừng cải tiến, các xu hướng mới như điện toán biên và thực tế kết hợp đang mở ra nhiều khả năng hơn nữa. Dù vẫn còn một số thách thức như thiên lệch và chi phí cao, thị giác máy tính có tiềm năng tạo ra tác động tích cực lớn đến nhiều ngành trong tương lai.

Để tìm hiểu thêm, hãy truy cập kho GitHub và tham gia cộng đồng của chúng tôi. Khám phá các đổi mới trong những lĩnh vực như AI cho xe tự lái và thị giác máy tính trong nông nghiệp trên các trang giải pháp của chúng tôi.