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

Khi tìm hiểu về lịch sử của các mô hình thị giác máy tính, chúng ta đã thấy thị giác máy tính đã phát triển ra sao và chặng đường dẫn đến các mô hình thị giác tiên tiến mà chúng ta có ngày nay. Các mô hình hiện đại như Ultralytics YOLOv8 hỗ trợ nhiều tác vụ thị giác máy tính 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 thị giác máy tính và các mô hình thị giác. Chúng ta sẽ đề cập đến cách thức hoạt động và các ứng dụng đa dạng của chúng trong nhiều ngành công nghiệp. Những đổi mới trong thị giác máy tính đang hiện diện ở khắp mọi nơi, âm thầm định hình thế giới của chúng ta. Hãy cùng khám phá từng cái một!

Link to this sectionThị giác máy tính là gì?#

Trí tuệ nhân tạo (AI) là một thuật ngữ bao quát nhiều công nghệ nhằm mô phỏng một phần trí tuệ con người. Một lĩnh vực con của AI là thị giác máy tính. Thị giác máy tính tập trung vào việc cung cấp cho máy móc đôi mắt có thể nhìn, quan sát và hiểu môi trường xung quanh.

Cũng giống như thị giác con người, các giải pháp thị giác máy tính nhằm mục đích phân biệt các đối tượng, tính toán khoảng cách và phát hiện chuyển động. Tuy nhiên, không giống như con người, những người có cả một đời trải nghiệm để giúp họ nhìn và hiểu, máy tính dựa vào lượng dữ liệu khổng lồ, camera độ phân giải cao và các thuật toán phức tạp.

Hình 1. So sánh thị giác con người và thị giác máy tính.

Các hệ thống thị giác máy tính có thể xử lý và phân tích dữ liệu hình ảnh như hình ảnh và video với tốc độ và độ chính xác đáng kinh ngạc. Khả năng phân tích nhanh chóng và chính xác một lượng lớn thông tin hình ảnh khiến thị giác máy tính trở thành một công cụ mạnh mẽ trong nhiều ngành công nghiệp, từ sản xuất đến y tế.

Link to this sectionCác mô hình thị giác hỗ trợ nhiều tác vụ thị giác máy tính#

Các mô hình thị giác máy tính là cốt lõi của bất kỳ ứng dụng thị giác máy tính nào. Về cơ bản, chúng là các thuật toán tính toán được hỗ trợ bởi các kỹ thuật deep learning, được thiết kế để cung cấp cho máy móc khả năng diễn giải và hiểu thông tin hình ảnh. Các mô hình thị giác cho phép thực hiện các tác vụ thị giác máy tính quan trọng từ phân loại hình ảnh đến phát hiện đối tượng. Hãy cùng tìm hiểu chi tiết hơn về một số tác vụ này và các trường hợp sử dụng của chúng.

Link to this sectionPhân loại hình ảnh#

Phân loại hình ảnh bao gồm việc phân loại và dán nhãn hình ảnh vào các lớp hoặc danh mục được xác định trước. Một mô hình thị giác như YOLOv8 có thể được huấn luyện trên các tập dữ liệu lớn gồm các hình ảnh đã dán nhãn. Trong quá trình huấn luyện, mô hình học cách nhận biết các mẫu và đặc điểm liên quan đến từng lớp. Sau khi huấn luyện, nó có thể dự đoán danh mục của các hình ảnh mới, chưa từng thấy bằng cách phân tích các đặc điểm của chúng và so sánh với các 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, như khỏe mạnh hoặc bị bệnh. Một loại khác là phân loại đa lớp. Nó có thể giúp phân loại hình ảnh thành nhiều nhóm, như phân loại các loài động vật khác nhau trong trang trại như lợn, dê và bò. Hoặc, giả sử bạn muốn phân loại động vật thành các nhóm và nhóm con, như phân loại động vật thành động vật có vú và chim, sau đó chia nhỏ hơn thành các loài như sư tử, hổ, đại bàng và chim sẻ; phân loại phân cấp sẽ là lựa chọn tốt nhất.

Link to this sectionPhát hiện đối tượng#

Phát hiện đối tượng là quá trình nhận dạng và định vị các đối tượng trong hình ảnh và khung hình video bằng thị giác máy tính. Nó bao gồm hai tác vụ: định vị đối tượng, vẽ các hộp bao (bounding box) xung quanh đối tượng và phân loại đối tượng, xác định danh mục của từng đối tượng. Dựa trên các chú thích hộp bao, một mô hình thị giác có thể học cách nhận biết các mẫu và đặc điểm cụ thể cho từng danh mục đối tượng và dự đoán sự hiện diện cũng như vị trí của các đối tượng này trong các hình ảnh mới, chưa từng thấy.

Hình 3. YOLOv8 phát hiện đối tượng được sử dụng để phát hiện cầu thủ trên sân bóng đá.

Phát hiện đối tượng có nhiều trường hợp sử dụng trong các ngành công nghiệp khác nhau, từ thể thao đến sinh học biển. Ví dụ, trong bán lẻ, công nghệ Just Walk Out của Amazon sử dụng tính năng phát hiện đối tượng để tự động hóa việc thanh toán bằng cách xác định các mặt hàng khách hàng lấy. Sự kết hợp giữa thị giác máy tính và dữ liệu cảm biến cho phép khách hàng lấy đồ và rời đi mà không cần xếp hàng chờ đợi.

Dưới đây là cái nhìn chi tiết hơn về cách thức hoạt động của nó:

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

Link to this sectionPhân đoạn ngữ nghĩa (Semantic segmentation) và phân đoạn cá thể (Instance segmentation)#

Phân đoạn ngữ nghĩa và phân đoạn cá thể là các tác vụ thị giác máy tính giúp phân chia hình ảnh thành các phân đoạn có ý nghĩa. Phân đoạn ngữ nghĩa phân loại các pixel dựa trên ý nghĩa ngữ nghĩa của chúng và coi tất cả các đối tượng trong cùng một danh mục là một thực thể duy nhất với cùng một nhãn. Nó phù hợp để dán nhãn các đối tượng không đếm được như "bầu trời" hoặc "đại dương" hoặc các cụm như "lá cây" hoặc "cỏ".

Mặt khác, phân đoạn cá thể có thể phân biệt các cá thể khác nhau của cùng một lớp bằng cách gán một nhãn duy nhất cho mỗi đối tượng được phát hiện. Bạn có thể sử dụng phân đoạn cá thể để phân đoạn các đối tượng đếm được, nơi số lượng và sự độc lập của các đối tượng là quan trọng. Nó cho phép nhận dạng và phân biệt chính xác hơn.

Hình 4. Ví dụ về phân đoạn ngữ nghĩa và phân đoạn cá thể.

Chúng ta có thể hiểu sự tương phản giữa phân đoạn ngữ nghĩa và phân đoạn cá thể rõ ràng hơn với một ví dụ liên quan đến xe tự lái. Phân đoạn ngữ nghĩa rất phù hợp cho các tác vụ yêu cầu hiểu nội dung của cảnh và có thể được sử dụng trong các phương tiện tự hành để phân loại các đặc điểm trên đường, như lối đi bộ và biển báo giao thông. Trong khi đó, phân đoạn cá thể có thể được sử dụng trong các phương tiện tự hành để phân biệt giữa từng người đi bộ, phương tiện và chướng ngại vật.

Link to this sectionƯớc tính tư thế#

Ước tính tư thế (Pose estimation) là một tác vụ thị giác máy tính tập trung vào việc phát hiện và theo dõi các điểm chính trên tư thế của đối tượng trong hình ảnh hoặc video. Nó thường được sử dụng nhất cho ước tính tư thế con người, với các điểm chính bao gồm các khu vực như vai và đầu gối. Việc ước tính tư thế của con người giúp chúng ta hiểu và nhận ra các hành động và chuyển động rất quan trọng đối với các ứng dụng khác nhau.

Hình 5. Ví dụ về ước tính tư thế sử dụng 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 các 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 các huấn luyện viên xây dựng chiến lược tốt hơn, tối ưu hóa các chương trình huấn luyện và thực hiện các điều chỉnh thời gian thực trong các trận đấu. Ngoài ra, dữ liệu có thể giúp theo dõi sự mệt mỏi và nguy cơ chấn thương của cầu thủ để cải thiện sức khỏe và hiệu suất tổng thể.

Link to this sectionPhát hiện đối tượng bằng hộp bao xoay (Oriented Bounding Boxes)#

Phát hiện đối tượng bằng hộp bao xoay (OBB) sử dụng các hình chữ nhật xoay để xác định và định vị chính xác các đối tượng trong hình ảnh. Không giống như các hộp bao tiêu chuẩn thẳng hàng với trục hình ảnh, OBB xoay để khớp với hướng của đối tượng. Điều này làm cho chúng đặc biệt hữu ích cho các đối tượng không hoàn toàn nằm ngang hoặc thẳng đứng. Chúng rất hiệu quả trong việc xác định chính xác và tách biệt các đối tượng bị xoay để tránh chồng lấn trong môi trường đông đúc.

Hình 6. Ví dụ về phát hiện hộp bao xoay trên ảnh chụp từ trên không các con tàu sử dụng YOLOv8.

Trong giám sát hàng hải, việc nhận dạng và theo dõi tàu thuyền là chìa khóa cho an ninh và quản lý tài nguyên. Phát hiện OBB có thể được sử dụng để định vị chính xác các con tàu, ngay cả khi chúng tập trung đông đúc hoặc hướng theo nhiều góc độ khác nhau. Nó giúp giám sát các tuyến đường vận tải biển, quản lý giao thông hàng hải và tối ưu hóa hoạt động cảng. Nó 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.

Link to this sectionTheo dõi đối tượng#

Cho đến nay, chúng ta đã thảo luận về các tác vụ thị giác máy tính xử lý hình ảnh. Theo dõi đối tượng là một tác vụ thị giác máy tính có thể theo dõi một đối tượng trong suốt các khung hình của video. Nó bắt đầu bằng việc nhận dạng đối tượng trong khung hình đầu tiên bằng các thuật toán phát hiện và sau đó liên tục theo dõi vị trí của nó khi nó di chuyển trong video. Theo dõi đối tượng bao gồm các kỹ thuật như phát hiện đối tượng, trích xuất đặc điểm và dự đoán chuyển động để giữ cho việc theo dõi luôn chính xác.

Hình 7. Sử dụng YOLOv8 để theo dõi cá.

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

Link to this sectionCái nhìn cuối cùng về thị giác máy tính#

Thị giác máy tính đang tích cực thay đổi cách chúng ta sử dụng công nghệ và tương tác với thế giới. Bằng cách sử dụng các mô hình deep learning và các thuật toán phức tạp để hiểu hình ảnh và video, thị giác máy tính giúp các ngành công nghiệp hợp lý hóa nhiều quy trình. Các tác vụ thị giác máy tính như phát hiện đối tượng và theo dõi đối tượng đang giúp tạo ra các giải pháp chưa từng được tưởng tượng trước đây. Khi công nghệ thị giác máy tính không ngừng cải tiến, tương lai hứa hẹn sẽ có nhiều ứng dụng sáng tạo hơn nữa!

Hãy cùng học hỏi và phát triển! Khám phá GitHub repository của chúng tôi để xem những đóng góp của chúng tôi cho AI. Xem cách chúng tôi đang định nghĩa lại các ngành công nghiệp như xe tự lái và nông nghiệp với AI. 🚀