Khám phá cách các ứng dụng của thị giác máy tính hoạt động

Khi khám phá lịch sử của các model computer vision, chúng ta đã thấy computer vision phát triển như thế nào và con đường dẫn đến các model thị giác tiên tiến hiện nay. Các model hiện đại như Ultralytics YOLOv8 hỗ trợ nhiều tác vụ computer vision và đang được sử dụng trong nhiều ứng dụng thú vị.

Trong bài viết này, chúng ta sẽ tìm hiểu những kiến thức cơ bản về computer vision và các model thị giác. Chúng ta sẽ đề cập đến cách chúng hoạt động và các ứng dụng đa dạng trong nhiều ngành khác nhau. Những đổi mới trong computer vision hiện diện ở khắp nơi, âm thầm định hình thế giới của chúng ta. Hãy cùng khám phá từng đổi mới một!

Thị giác máy tính là gì?#

Trí tuệ nhân tạo (AI) là một thuật ngữ bao quát nhiều công nghệ nhằm tái tạo một phần trí thông minh của con người. Computer vision là một phân ngành của AI. Computer vision tập trung vào việc cung cấp cho máy móc đôi mắt có thể nhìn, quan sát và hiểu môi trường xung quanh.

Tương tự thị giác của con người, các giải pháp computer vision nhằm phân biệt vật thể, tính toán khoảng cách và phát hiện chuyển động. Tuy nhiên, khác với con người, vốn có cả đời kinh nghiệm hỗ trợ việc nhìn và thấu hiểu, máy tính phải dựa vào khối lượng dữ liệu khổng lồ, camera độ phân giải cao và các thuật toán phức tạp.

Hình 1. So sánh thị giác của con người và computer vision.

Các hệ thống computer vision có thể xử lý và phân tích dữ liệu trực quan như hình ảnh và video với tốc độ và độ chính xác đáng kinh ngạc. Khả năng nhanh chóng và chính xác phân tích khối lượng lớn thông tin trực quan khiến computer vision trở thành một công cụ mạnh mẽ trong nhiều ngành, từ sản xuất đến chăm sóc sức khỏe.

Các model thị giác hỗ trợ nhiều tác vụ computer vision#

Các model computer vision là cốt lõi của mọi ứng dụng computer vision. Về bản chất, chúng là các thuật toán tính toán được hỗ trợ bởi các kỹ thuật deep learning, được thiết kế để mang lại cho máy móc khả năng diễn giải và thấu hiểu thông tin trực quan. Các model thị giác hỗ trợ những tác vụ computer vision quan trọng, từ phân loại hình ảnh đến phát hiện vật thể. Hãy cùng xem xét kỹ hơn một số tác vụ này và các trường hợp sử dụng của chúng.

Phân loại hình ảnh#

Phân loại hình ảnh là quá trình phân nhóm và gán nhãn hình ảnh vào các lớp hoặc danh mục được xác định trước. Một model thị giác như YOLOv8 có thể được huấn luyện trên các dataset lớn gồm những hình ảnh đã gán nhãn. Trong quá trình huấn luyện, model học cách nhận diện các mẫu và đặc trưng gắn với từng lớp. Sau khi được huấn luyện, model có thể dự đoán danh mục của những hình ảnh mới chưa từng thấy bằng cách phân tích các đặc trưng của chúng và so sánh với những mẫu đã học.

Hình 2. Ví dụ về phân loại hình ảnh. (nguồn: towardsdatascience.com)

Có nhiều loại phân loại hình ảnh khác nhau. Ví dụ, khi xử lý hình ảnh y tế, bạn có thể sử dụng phân loại nhị phân để chia hình ảnh thành hai nhóm, chẳng hạn như khỏe mạnh hoặc mắc bệnh. Một loại khác là phân loại đa lớp. Phương pháp này có thể giúp phân loại hình ảnh thành nhiều nhóm, chẳng hạn như phân loại các loài động vật khác nhau trong trang trại gồm lợn, dê và bò. Hoặc giả sử bạn muốn phân loại động vật thành các nhóm và nhóm con, chẳng hạn phân loại thành động vật có vú và chim, rồi tiếp tục phân loại thành các loài như sư tử, hổ, đại bàng và chim sẻ; phân loại phân cấp sẽ là lựa chọn phù hợp nhất.

Phát hiện đối tượng#

Phát hiện vật thể là quá trình xác định và định vị các vật thể trong hình ảnh và các khung hình video bằng computer vision. Quá trình này gồm hai tác vụ: định vị vật thể, tức vẽ các bounding box xung quanh vật thể, và phân loại vật thể, tức xác định danh mục của từng vật thể. Dựa trên các annotation của bounding box, model thị giác có thể học cách nhận diện các mẫu và đặc trưng riêng của từng danh mục vật thể, đồng thời dự đoán sự hiện diện và vị trí của các vật thể đó trong những hình ảnh mới chưa từng thấy.

Hình 3. Phát hiện vật thể bằng YOLOv8 để nhận diện các cầu thủ trên sân bóng đá.

Phát hiện vật thể có nhiều trường hợp sử dụng trong các ngành khác nhau, từ thể thao đến sinh học biển. Ví dụ, trong lĩnh vực bán lẻ, công nghệ Just Walk Out của Amazon sử dụng phát hiện vật thể để tự động hóa quy trình thanh toán bằng cách nhận diện những món hàng khách hàng lấy. Sự kết hợp giữa computer vision và dữ liệu cảm biến cho phép khách hàng lấy hàng rồi rời đi mà không phải xếp hàng chờ đợi.

Dưới đây là phần tìm hiểu kỹ hơn về cách công nghệ này hoạt động:

• Các camera gắn trên trần ghi lại hình ảnh khách hàng di chuyển trong cửa hàng, và đoạn video này được các model thị giác xử lý theo thời gian thực.
• Phát hiện vật thể được sử dụng để phát hiện chính xác sản phẩm khách hàng lấy và đặt vào giỏ, từ đó cập nhật giỏ hàng ảo tương ứng.
• Các cảm biến trọng lượng trên kệ giúp cải thiện độ chính xác bằng cách phát hiện việc lấy hoặc đặt lại sản phẩm.
• Khi khách hàng rời khỏi cửa hàng, công nghệ phát hiện vật thể và nhận diện khuôn mặt có thể được sử dụng để xác nhận khách hàng đã rời đi; thông tin thanh toán của họ, chẳng hạn như thẻ tín dụng, có thể được dùng để tự động tính phí.

Phân đoạn ngữ nghĩa và phân đoạn instance#

Phân đoạn ngữ nghĩa và phân đoạn instance là các tác vụ computer vision giúp chia hình ảnh thành những vùng có ý nghĩa. Phân đoạn ngữ nghĩa phân loại các pixel dựa trên ý nghĩa ngữ nghĩa của chúng và xem mọi vật thể trong cùng một danh mục là một thực thể duy nhất với cùng một nhãn. Phương pháp này phù hợp để gán nhãn cho các vật thể không đếm được như "bầu trời" hoặc "đại dương", hay các cụm như "lá cây" hoặc "cỏ".

Trong khi đó, phân đoạn instance có thể phân biệt các instance khác nhau thuộc cùng một lớp bằng cách gán một nhãn duy nhất cho mỗi vật thể được phát hiện. Bạn có thể sử dụng phân đoạn instance để phân đoạn các vật thể đếm được, trong đó số lượng và tính độc lập của các vật thể là yếu tố quan trọng. Phương pháp này cho phép nhận diện và phân biệt chính xác hơn.

Hình 4. Ví dụ về phân đoạn ngữ nghĩa và phân đoạn instance.

Chúng ta có thể hiểu rõ hơn sự khác biệt giữa phân đoạn ngữ nghĩa và phân đoạn instance qua một ví dụ liên quan đến xe tự lái. Phân đoạn ngữ nghĩa rất phù hợp với các tác vụ yêu cầu hiểu nội dung của một cảnh và có thể được sử dụng trong xe tự hành để phân loại các đặc trưng trên đường, chẳng hạn vạch sang đường cho người đi bộ và biển báo giao thông. Trong khi đó, phân đoạn instance có thể được sử dụng trong xe tự hành để phân biệt từng người đi bộ, phương tiện và chướng ngại vật riêng lẻ.

Ước tính pose#

Ước tính tư thế là một tác vụ computer vision tập trung vào việc phát hiện và theo dõi các điểm chính trong tư thế của vật thể trong hình ảnh hoặc video. Tác vụ này thường được sử dụng nhất để ước tính tư thế người, với các điểm chính bao gồm những vùng như vai và đầu gối. Việc ước tính tư thế con người giúp chúng ta hiểu và nhận diện các hành động, chuyển động quan trọng đối với nhiều ứng dụng.

Hình 5. Ví dụ về ước tính tư thế bằng YOLOv8.

Ước tính tư thế có thể được sử dụng trong thể thao để phân tích cách vận động viên di chuyển. NBA sử dụng ước tính tư thế để nghiên cứu chuyển động và vị trí của cầu thủ trong trận đấu. Bằng cách theo dõi các điểm chính như vai, khuỷu tay, đầu gối và mắt cá chân, ước tính tư thế cung cấp những thông tin chi tiết về chuyển động của cầu thủ. Những thông tin này giúp huấn luyện viên xây dựng chiến thuật tốt hơn, tối ưu hóa chương trình tập luyện và điều chỉnh theo thời gian thực trong trận đấu. Ngoài ra, dữ liệu còn có thể giúp theo dõi tình trạng mệt mỏi và nguy cơ chấn thương của cầu thủ để cải thiện sức khỏe và hiệu suất tổng thể.

Phát hiện vật thể bằng bounding box có hướng#

Phát hiện vật thể bằng Bounding Box có hướng (OBB) sử dụng các hình chữ nhật xoay để xác định và định vị chính xác vật thể trong hình ảnh. Không giống bounding box tiêu chuẩn được căn chỉnh theo các trục của hình ảnh, OBB xoay theo hướng của vật thể. Điều này khiến OBB đặc biệt hữu ích với các vật thể không hoàn toàn nằm ngang hoặc thẳng đứng. OBB có khả năng xác định và cô lập chính xác các vật thể bị xoay, giúp tránh chồng lấn trong những môi trường đông đúc.

Hình 6. Ví dụ về phát hiện Bounding Box có hướng trên ảnh chụp từ trên không các thuyền bằng YOLOv8.

Trong hoạt động giám sát hàng hải, việc xác định và theo dõi tàu thuyền đóng vai trò then chốt đối với an ninh và quản lý tài nguyên. Phát hiện OBB có thể được sử dụng để định vị chính xác tàu thuyền, ngay cả khi chúng tập trung dày đặc hoặc hướng theo nhiều góc khác nhau. Công nghệ này giúp giám sát tuyến hàng hải, quản lý giao thông đường biển và tối ưu hóa hoạt động cảng. Công nghệ này cũng có thể hỗ trợ ứng phó thảm họa bằng cách nhanh chóng xác định và đánh giá thiệt hại đối với tàu thuyền và cơ sở hạ tầng sau các sự kiện như bão hoặc tràn dầu.

Theo dõi vật thể#

Cho đến nay, chúng ta đã thảo luận về các tác vụ computer vision xử lý hình ảnh. Theo dõi vật thể là một tác vụ computer vision có thể theo dõi một vật thể xuyên suốt các khung hình của video. Tác vụ này bắt đầu bằng việc xác định vật thể trong khung hình đầu tiên bằng các thuật toán phát hiện, sau đó liên tục theo dõi vị trí của vật thể khi nó di chuyển trong video. Theo dõi vật thể sử dụng các kỹ thuật như phát hiện vật thể, trích xuất đặc trưng và dự đoán chuyển động để duy trì độ chính xác của quá trình theo dõi.

Hình 7. Sử dụng YOLOv8 để theo dõi cá.

Các model thị giác như YOLOv8 có thể được sử dụng để theo dõi cá trong lĩnh vực sinh học biển. Bằng cách sử dụng camera dưới nước, các nhà nghiên cứu có thể theo dõi chuyển động và hành vi của cá trong môi trường sống tự nhiên. Quy trình bắt đầu bằng việc phát hiện từng con cá trong các khung hình đầu tiên, sau đó theo dõi vị trí của chúng xuyên suốt video. Theo dõi cá giúp các nhà khoa học hiểu được mô hình di cư, hành vi xã hội và tương tác của cá với môi trường. Hoạt động này cũng hỗ trợ các phương pháp đánh bắt bền vững bằng cách cung cấp thông tin về sự phân bố và số lượng cá.

Nhìn lại computer vision#

Computer vision đang tích cực thay đổi cách chúng ta sử dụng công nghệ và tương tác với thế giới. Bằng cách sử dụng các model deep learning và những thuật toán phức tạp để hiểu hình ảnh và video, computer vision giúp các ngành tinh gọn nhiều quy trình. Những tác vụ computer vision như phát hiện vật thể và theo dõi vật thể đang giúp tạo ra các giải pháp trước đây chưa từng được hình dung. Khi công nghệ computer vision tiếp tục phát triển, tương lai sẽ mang đến nhiều ứng dụng đổi mới hơn nữa!

Hãy cùng học hỏi và phát triển! Khám phá repository GitHub của chúng tôi để xem những đóng góp của chúng tôi cho AI. Tìm hiểu cách chúng tôi đang định hình lại các ngành như xe tự hành và nông nghiệp bằng AI. 🚀