Khám phá sự khác biệt giữa học có giám sát và học không giám sát trong thị giác máy tính

Trí tuệ nhân tạo (AI) được xây dựng dựa trên khái niệm cốt lõi là dạy máy móc học hỏi và suy luận theo cách tương tự như trí tuệ con người. Tương tự như cách con người học hỏi thông qua các phương pháp khác nhau, chẳng hạn như hướng dẫn trực tiếp hoặc bằng cách quan sát các mô hình và kinh nghiệm, AI và các hệ thống học máy được thiết kế để tuân theo những cách tiếp cận tương tự.

Cụ thể, đối với các thuật toán học máy, hệ thống được huấn luyện để học hỏi từ dữ liệu thay vì được lập trình cụ thể cho từng nhiệm vụ. Thay vì dựa vào các quy tắc cố định, các mô hình học máy xác định các mẫu trong dữ liệu và sử dụng các mẫu đó để đưa ra dự đoán hoặc quyết định.

Ví dụ, thị giác máy tính là một nhánh của trí tuệ nhân tạo và học máy tập trung vào việc cho phép các hệ thống diễn giải và hiểu thông tin trực quan, chẳng hạn như hình ảnh và video. Từ việc nhận dạng đối tượng đến việc xác định các mẫu ẩn trong các tập dữ liệu lớn, các hệ thống này phụ thuộc rất nhiều vào cách chúng được huấn luyện để học.

Nhiều kỹ thuật học máy trí tuệ nhân tạo khác nhau được sử dụng để huấn luyện các hệ thống này, tùy thuộc vào loại dữ liệu có sẵn và vấn đề cần giải quyết. 

Một số mô hình thị giác máy tính học từ dữ liệu được gắn nhãn, trong đó mỗi đầu vào được ghép nối với một câu trả lời chính xác, nghĩa là mỗi hình ảnh hoặc điểm dữ liệu đều đi kèm với một nhãn được xác định trước cho biết nó đại diện cho điều gì. Điều này cho phép mô hình học được mối quan hệ giữa đầu vào và đầu ra mong đợi, cải thiện khả năng đưa ra dự đoán chính xác trên dữ liệu mới, chưa từng thấy.

Các mô hình thị giác khác học từ dữ liệu không được gắn nhãn, trong đó không có câu trả lời được xác định trước, và thay vào đó tập trung vào việc xác định các mẫu và mối quan hệ trong chính dữ liệu đó. Các phương pháp này được gọi tương ứng là học có giám sát và học không giám sát , và chúng tạo thành nền tảng của nhiều hệ thống thị giác máy tính tiên tiến.

Trong bài viết này, chúng ta sẽ cùng tìm hiểu về học có giám sát và học không giám sát, cách chúng được sử dụng trong thị giác máy tính, và cách lựa chọn phương pháp phù hợp nhất với dự án AI thị giác của bạn. Bắt đầu nào!

Cách tiếp cận học máy AI hỗ trợ thị giác máy tính

Bạn có thể hình dung trí tuệ nhân tạo như một chiếc ô, bao phủ một loạt các công nghệ cho phép máy móc thực hiện các nhiệm vụ thường đòi hỏi trí thông minh của con người. Trong chiếc ô này, học máy là một lĩnh vực then chốt giúp các hệ thống học hỏi từ dữ liệu thay vì chỉ dựa vào các quy tắc cố định.

Trong lĩnh vực học máy, các kỹ thuật học khác nhau quyết định cách thức mô hình học hỏi và cải thiện theo thời gian. Các phương pháp như học có giám sát (học từ dữ liệu được gắn nhãn với câu trả lời chính xác), học không giám sát (xác định các mẫu trong dữ liệu không được gắn nhãn), học tăng cường (học thông qua thử và sai bằng cách sử dụng phản hồi hoặc phần thưởng) và học bán giám sát (kết hợp một lượng nhỏ dữ liệu được gắn nhãn với một lượng lớn dữ liệu không được gắn nhãn) xác định cách thức hệ thống xử lý dữ liệu đầu vào và tạo ra dữ liệu đầu ra.

Cụ thể, các hệ thống thị giác máy tính được xây dựng bằng cách sử dụng các phương pháp học tập như vậy để diễn giải và hiểu dữ liệu hình ảnh. Học có giám sát là phương pháp được sử dụng phổ biến nhất, vì nó cho phép các mô hình học hỏi từ các ví dụ được gắn nhãn rõ ràng và tạo ra kết quả chính xác, đáng tin cậy. 

Ví dụ, một mô hình có thể được huấn luyện trên các hình ảnh được gắn nhãn là “mèo” và “chó”, học các đặc điểm như hình dạng, tai và cấu trúc khuôn mặt để nó có thể nhận dạng chính xác. classify Hình ảnh mới được tạo ra bằng thuật toán phân loại. Đồng thời, học không giám sát và học bán giám sát cũng được sử dụng trong thị giác máy tính, thường để khám phá các mẫu trong dữ liệu hoặc để cải thiện hiệu suất khi dữ liệu được gắn nhãn bị hạn chế.

Tìm hiểu về việc sử dụng các mô hình học có giám sát trong thị giác máy tính.

Bạn có thể so sánh các thuật toán học có giám sát với môi trường lớp học, nơi giáo viên cung cấp các ví dụ cùng với câu trả lời đúng để học sinh có thể học được điều gì đúng và điều gì sai. Trong học máy, các mô hình học theo cách tương tự bằng cách sử dụng dữ liệu được gắn nhãn, trong đó mỗi đầu vào được ghép nối với một đầu ra đã biết.

Giả sử bạn đang xây dựng một hệ thống thị giác máy tính tự động phân tích các trận đấu bóng chày. Bạn có thể huấn luyện một mô hình như Ultralytics YOLO26 trên các hình ảnh hoặc khung hình video mà các đối tượng như bóng, gậy và cầu thủ được gắn nhãn. 

Mỗi đối tượng sẽ được đánh dấu vị trí và danh mục của nó, cho phép mô hình học cách tìm kiếm. Theo thời gian, mô hình có thể detect và định vị các đối tượng này trong các cảnh quay mới, hỗ trợ các trường hợp sử dụng như theo dõi bóng và phát hiện người chơi trên nhiều khung hình.

Ngoài việc phát hiện đối tượng, học có giám sát được sử dụng rộng rãi trong nhiều nhiệm vụ thị giác máy tính như phân loại hình ảnh, phân đoạn đối tượng và ước lượng tư thế, nơi độ chính xác và tính nhất quán rất quan trọng. Trong mỗi nhiệm vụ này, các mô hình học từ dữ liệu được gắn nhãn để xác định các mẫu cụ thể và đưa ra dự đoán đáng tin cậy trên các đầu vào mới.

Các mô hình này thường được xây dựng bằng học sâu, một loại học máy sử dụng mạng nơ-ron để học các mẫu trực tiếp từ dữ liệu. Mạng nơ-ron được thiết kế để xử lý thông tin theo cách mô phỏng một cách tương đối cách thức hoạt động của não bộ con người, cho phép các mô hình học được các đặc điểm hình ảnh phức tạp từ các tập dữ liệu lớn.

Các phương pháp thị giác máy tính trước đây thường dựa vào các đặc điểm được thiết kế thủ công kết hợp với các thuật toán như máy vectơ hỗ trợ (SVM là các mô hình...). classify dữ liệu bằng cách tìm ranh giới tốt nhất giữa các danh mục) hoặc cây quyết định (các mô hình đưa ra quyết định bằng cách chia dữ liệu thành các nhánh). 

Ngược lại, các mô hình thị giác máy tính hiện nay sử dụng học sâu để tự động học các đặc điểm này từ dữ liệu, giúp chúng hiệu quả hơn trong việc xử lý các tác vụ hình ảnh quy mô lớn và có độ chi tiết cao.

Hiểu được nhu cầu về các mô hình học không giám sát trong trí tuệ nhân tạo thị giác

Mặc dù học có giám sát là phương pháp được ưa chuộng trong thị giác máy tính, nhưng vẫn có một số ứng dụng thị giác mà dữ liệu được gắn nhãn không có sẵn hoặc việc tạo ra chúng quá tốn kém và mất nhiều thời gian. 

Trong những trường hợp này, các thuật toán học không giám sát có thể là một giải pháp thay thế hữu ích. Giả sử bạn có một bộ sưu tập lớn các bức ảnh chưa được gắn nhãn từ camera quan sát động vật hoang dã. 

Không có nhãn nào cho biết mỗi hình ảnh chứa gì, nhưng bạn vẫn muốn sắp xếp hoặc hiểu dữ liệu. Một mô hình không giám sát có thể phân tích những hình ảnh này và nhóm các hình ảnh tương tự lại với nhau, phân tách các loài động vật trông giống nhau thành các nhóm, ngay cả khi không biết nhãn chính xác của chúng.

Cơ chế hoạt động của học không giám sát trong thị giác máy tính

Vậy, máy học không giám sát hoạt động như thế nào? Thay vì học từ các câu trả lời đúng, mô hình học bằng cách tự xác định các mẫu và cấu trúc trong dữ liệu. Nó tìm kiếm sự tương đồng và khác biệt giữa các dữ liệu mà không cần dựa vào các ví dụ được gắn nhãn.

Một trường hợp sử dụng phổ biến là phát hiện bất thường , trong đó mô hình học cách nhận biết dữ liệu bình thường trông như thế nào và sau đó xác định bất kỳ thứ gì lệch khỏi nó. Phát hiện bất thường và dữ liệu ngoại lai là một trong những ứng dụng công nghiệp có tác động lớn nhất. Ví dụ bao gồm phát hiện các mặt hàng bị lỗi trên dây chuyền sản xuất, gắn cờ các hình ảnh chụp y tế bất thường để bác sĩ X quang xem xét hoặc phát hiện hoạt động đáng ngờ trong đoạn phim giám sát. Bởi vì các lỗi và bất thường thường hiếm gặp và đa dạng, việc gắn nhãn cho mọi trường hợp có thể là không thực tế, do đó các phương pháp không giám sát là lựa chọn phù hợp.

Để hỗ trợ điều này, các kỹ thuật như phân cụm và giảm chiều dữ liệu thường được sử dụng, thường là trên các đặc trưng được trích xuất từ ​​hình ảnh chứ không phải trên chính hình ảnh thô. Các phương pháp phân cụm, như phân cụm k-means, nhóm các hình ảnh tương tự lại với nhau dựa trên các mẫu chung, trong khi các kỹ thuật giảm chiều dữ liệu, chẳng hạn như phân tích thành phần chính (PCA), đơn giản hóa dữ liệu bằng cách tập trung vào các đặc trưng quan trọng nhất. 

Điều này giúp mô hình dễ dàng xác định các mẫu và cấu trúc có ý nghĩa trong các tập dữ liệu lớn và phức tạp. Ưu điểm chính của học không giám sát là nó hoạt động tốt với dữ liệu không được gắn nhãn và có thể tiết lộ các mẫu không dễ nhận thấy ngay lập tức. Tuy nhiên, nó khó đánh giá hơn và cung cấp ít quyền kiểm soát hơn đối với kết quả đầu ra cuối cùng so với học có giám sát.

Học tự giám sát và học bán giám sát trong thị giác máy tính

Khi tìm hiểu về học có giám sát và học không giám sát, bạn có thể tự hỏi liệu có một giải pháp trung gian nào giữa hai loại hình này hay không. Điều thú vị là, học tự giám sát và học bán giám sát chính là cầu nối giữa hai loại hình trên.

Những phương pháp này giúp các mô hình học hỏi từ dữ liệu chưa được gắn nhãn hiệu quả hơn. Thay vì chỉ dựa vào các ví dụ đã được gắn nhãn, chúng tự tạo ra các nhiệm vụ học tập từ dữ liệu hoặc kết hợp một tập dữ liệu nhỏ đã được gắn nhãn với một tập dữ liệu lớn hơn chưa được gắn nhãn.

Trong học tự giám sát , mô hình học bằng cách giải quyết các nhiệm vụ được tạo ra từ chính dữ liệu. Ví dụ, nó có thể được cung cấp một hình ảnh bị thiếu một phần và học cách dự đoán phần nào sẽ lấp đầy khoảng trống đó, hoặc nó có thể học cách nhận biết các góc nhìn khác nhau của cùng một đối tượng. Điều này giúp mô hình học được các đặc điểm hữu ích mà không cần nhãn thủ công.

Mặt khác, trong học bán giám sát , một lượng nhỏ dữ liệu được gán nhãn được sử dụng cùng với một tập dữ liệu lớn hơn chưa được gán nhãn để cải thiện hiệu suất. Trong một số trường hợp, mô hình có thể tạo nhãn cho dữ liệu chưa được gán nhãn và sử dụng chúng để tiếp tục học.

Lợi ích chính của các phương pháp này là chúng giảm thiểu nhu cầu về các tập dữ liệu được gắn nhãn lớn, vốn thường tốn kém và mất nhiều thời gian để tạo ra. Tuy nhiên, chúng có thể phức tạp hơn trong việc thiết kế và đánh giá so với các phương pháp học có giám sát hoàn toàn.

Những điểm khác biệt chính giữa học có giám sát và học không giám sát

Sự khác biệt giữa học có giám sát và học không giám sát nằm ở cách thức mô hình học và mục tiêu mà nó hướng đến. Trong khi học có giám sát dựa vào dữ liệu được gắn nhãn và hướng dẫn rõ ràng để học các nhiệm vụ cụ thể, học không giám sát hoạt động mà không cần câu trả lời được xác định trước và tập trung vào việc khám phá các mẫu và cấu trúc bên trong dữ liệu.

Ví dụ, trong một hệ thống giám sát giao thông, mô hình học có giám sát có thể được huấn luyện trên các hình ảnh được gắn nhãn để detect các phương tiện, người đi bộ hoặc tín hiệu giao thông. Ngược lại, một mô hình không giám sát có thể phân tích lượng lớn video để nhóm các mô hình giao thông tương tự hoặc xác định các sự kiện bất thường, chẳng hạn như tắc nghẽn bất ngờ hoặc chuyển động bất thường, mà không cần được chỉ dẫn cụ thể về những gì cần tìm kiếm.

Khi nào nên sử dụng học có giám sát trong thị giác máy tính?

Học có giám sát là một lựa chọn tuyệt vời cho các tác vụ thị giác máy tính khi mục tiêu được xác định rõ ràng và mô hình cần ánh xạ dữ liệu đầu vào thành đầu ra chính xác. Nó hoạt động đặc biệt hiệu quả khi bạn có một tập dữ liệu được gắn nhãn đáng tin cậy và cần kết quả nhất quán, có thể dự đoán được.

Phương pháp này thường được sử dụng cho các bài toán mà mô hình phải phân biệt giữa các danh mục đã biết hoặc dự đoán các kết quả cụ thể. Thay vì khám phá các mẫu, trọng tâm là học các mối quan hệ chính xác từ dữ liệu được gắn nhãn, giúp dễ dàng hướng dẫn mô hình đến kết quả mong muốn.

Một ưu điểm quan trọng khác là khả năng kiểm soát. Với học có giám sát, việc đo lường hiệu suất trở nên dễ dàng hơn bằng các chỉ số rõ ràng, tinh chỉnh mô hình và đảm bảo hành vi ổn định trong quá trình triển khai. Điều này làm cho nó trở nên hoàn hảo cho các hệ thống yêu cầu tính nhất quán và độ tin cậy theo thời gian.

Tuy nhiên, điều này cũng đi kèm với một sự đánh đổi. Mô hình phụ thuộc rất nhiều vào chất lượng và quy mô của dữ liệu được gắn nhãn, và việc thu thập và chú thích dữ liệu như vậy có thể tốn nhiều thời gian.

Các ví dụ thực tế về thị giác máy tính có giám sát

Các mô hình AI thị giác như mô hình YOLO Ultralytics sử dụng học có giám sát để thực hiện các tác vụ như phát hiện đối tượng với độ chính xác cao, đặc biệt là trong các ứng dụng thời gian thực. Dưới đây là một số trường hợp sử dụng thị giác thực tế phổ biến mà học có giám sát tạo ra sự khác biệt:

• Chăm sóc sức khỏe và hình ảnh y tế: Các bác sĩ có thể sử dụng hệ thống thị giác máy tính được huấn luyện trên các hình ảnh quét đã được dán nhãn, chẳng hạn như ảnh chụp X-quang hoặc MRI, trong đó các thuật toán phân loại được sử dụng để xác định các bệnh lý như khối u hoặc gãy xương, hỗ trợ chẩn đoán nhanh hơn và chính xác hơn.
• Kiểm tra chất lượng công nghiệp: Trong môi trường sản xuất, hệ thống thị giác được huấn luyện bằng dữ liệu được dán nhãn có thể kiểm tra sản phẩm bằng cách phân tích một số đặc điểm liên quan đến chất lượng, chẳng hạn như hình dạng, khuyết tật bề mặt, kết cấu và kích thước. Bằng cách học hỏi từ các ví dụ về cả sản phẩm đạt yêu cầu và sản phẩm bị lỗi, các hệ thống này có thể liên tục xác định lỗi và duy trì các tiêu chuẩn sản xuất.
• Lái xe tự động: Hệ thống lái xe tự động dựa trên các mô hình được huấn luyện bằng dữ liệu lái xe có gắn nhãn để nhận diện làn đường, phương tiện, người đi bộ và biển báo giao thông, giúp xe di chuyển an toàn trong thời gian thực.
• Hệ thống bán lẻ và thanh toán: Các cửa hàng sử dụng mô hình được huấn luyện dựa trên hình ảnh sản phẩm có nhãn để nhận diện các mặt hàng trên kệ hoặc tại quầy thanh toán, cho phép lập hóa đơn tự động và quản lý hàng tồn kho hiệu quả hơn. Các hệ thống này cũng có thể hỗ trợ các nhiệm vụ như phân khúc khách hàng khi kết hợp với dữ liệu bổ sung, giúp doanh nghiệp hiểu rõ hơn về hành vi mua sắm của khách hàng.
• Nông nghiệp và giám sát cây trồng: Nông dân có thể sử dụng các mô hình được huấn luyện trên hình ảnh đã được gắn nhãn để detect Và classify các loại cây trồng, chẳng hạn như việc xác định và đếm số lượng khoai tây khỏe mạnh và bị hư hỏng, cải thiện kiểm soát chất lượng và giảm tổn thất.

Học không giám sát có thể giải quyết những loại vấn đề nào trong lĩnh vực thị giác máy tính?

Học không giám sát rất hữu ích khi bạn không có đủ dữ liệu được gắn nhãn hoặc khi dữ liệu của bạn không cung cấp câu trả lời rõ ràng. Trong những trường hợp này, mục tiêu không phải là đưa ra dự đoán chính xác, mà là để hiểu các mẫu và cấu trúc trong dữ liệu.

Phương pháp này thường được sử dụng khi khám phá một tập dữ liệu chưa được gắn nhãn lần đầu tiên. Thay vì hướng dẫn mô hình tìm kiếm những gì, bạn cho phép nó tự động xác định sự tương đồng, nhóm các hình ảnh liên quan hoặc làm nổi bật các mẫu bất thường.

Trong một bộ sưu tập hình ảnh lớn, phương pháp không giám sát có thể giúp nhóm các hình ảnh tương tự lại với nhau hoặc xác định các hình ảnh ngoại lai cần được chú ý thêm. Điều này làm cho nó trở thành một điểm khởi đầu hữu ích trong các dự án khoa học dữ liệu.

Các mô hình tạo sinh, bao gồm GAN, bộ mã hóa tự động biến phân và mô hình khuếch tán, học phân bố cơ bản của hình ảnh để tạo ra những hình ảnh hoàn toàn mới. Những mô hình này cung cấp sức mạnh cho các ứng dụng như tổng hợp hình ảnh, điền khuyết ảnh, siêu phân giải và chuyển đổi phong cách, và chúng tạo thành xương sống của các hệ thống AI tạo sinh hiện nay.

Phân đoạn không giám sát, một số phương pháp nhóm các pixel hoặc vùng thành các phân đoạn mạch lạc mà không cần dựa vào mặt nạ được gắn nhãn, điều này hữu ích khi việc chú thích quá tốn kém hoặc khi mục tiêu là khám phá cấu trúc hơn là khớp với các danh mục được xác định trước.

Học không giám sát cũng rất hiệu quả khi làm việc với các tập dữ liệu lớn mà việc gắn nhãn tốn nhiều thời gian hoặc không khả thi. Trong những trường hợp như vậy, nó cho phép bạn thu được những hiểu biết từ dữ liệu mà không cần dựa vào dữ liệu huấn luyện đã được gắn nhãn. 

Nó cũng thường được sử dụng trong các lĩnh vực như trí tuệ nhân tạo tạo sinh (các mô hình tạo ra dữ liệu mới như hình ảnh, văn bản hoặc âm thanh) và học biểu diễn (các mô hình học các đặc điểm hoặc mẫu hữu ích từ dữ liệu thô), nơi các mô hình học các đặc điểm tổng quát từ lượng lớn dữ liệu. Nhìn chung, nếu vấn đề của bạn liên quan đến khám phá, phát hiện mẫu hoặc làm việc với dữ liệu chưa được gắn nhãn, học không giám sát là một phương pháp linh hoạt và thiết thực để xem xét.

Các ví dụ thực tế về học không giám sát trong thị giác máy tính

Dưới đây là một số ví dụ về các trường hợp sử dụng học không giám sát trong thị giác máy tính:

• Phát hiện bất thường trong sản xuất: Các mô hình có thể học cách nhận biết sản phẩm bình thường trông như thế nào và có thể phát hiện các lỗi hoặc sự bất thường mà không cần phải có các ví dụ được dán nhãn cho mọi lỗi có thể xảy ra.
• Tổ chức và tìm kiếm hình ảnh: Các bộ sưu tập hình ảnh lớn, chẳng hạn như thư viện ảnh hoặc danh mục thương mại điện tử, có thể được tự động nhóm lại dựa trên sự tương đồng về hình ảnh, giúp các nhà khoa học dữ liệu dễ dàng hơn trong việc tổ chức, khám phá và tìm kiếm thông qua các tập dữ liệu lớn.
• Giám sát và an ninh: Các hệ thống có thể phân tích đoạn video để xác định các mô hình hoặc hành vi bất thường, chẳng hạn như chuyển động bất ngờ hoặc thay đổi đám đông, mà không cần được huấn luyện cụ thể về các sự kiện được gắn nhãn.
• Xử lý sơ bộ và khám phá dữ liệu: Các phương pháp không giám sát thường được sử dụng để khám phá và cấu trúc dữ liệu hình ảnh thô trước khi huấn luyện các mô hình có giám sát, giúp cải thiện chất lượng dữ liệu và giảm thiểu công sức thủ công. 

Những hạn chế thực tiễn của học có giám sát và học không giám sát

Mặc dù cả hai phương pháp học đều có những ưu điểm riêng, nhưng vẫn có một số hạn chế cần xem xét. Dưới đây là một số yếu tố thực tế cần lưu ý khi xây dựng mô hình thị giác máy tính:

• Hiện tượng quá khớp trong các mô hình học có giám sát: Trong học có giám sát, mô hình có thể học dữ liệu huấn luyện quá sát thay vì học các mẫu tổng quát. Điều này thường xảy ra khi tập dữ liệu nhỏ hoặc không đủ đa dạng. Ví dụ, một mô hình được huấn luyện để detect Các lỗi ở một loại sản phẩm có thể vẫn xuất hiện khi được kiểm tra bằng dữ liệu mới bao gồm các sản phẩm hoặc điều kiện ánh sáng hơi khác.
• Những thách thức của thuật toán phân cụm: Trong học không giám sát, mô hình có thể nhóm các điểm dữ liệu tương tự lại với nhau. Tuy nhiên, điều này có thể gặp trục trặc khi dữ liệu nhiễu, không nhất quán hoặc thiếu cấu trúc rõ ràng. Ví dụ, trong các tác vụ nhóm hình ảnh, các hình ảnh có màu sắc tương tự nhưng đối tượng khác nhau có thể bị nhóm lại với nhau một cách không chính xác.
• Tầm quan trọng của việc tiền xử lý đúng cách: Trước khi huấn luyện, dữ liệu cần được làm sạch và chuẩn bị. Việc này thường được thực hiện bằng cách sử dụng Python Các thư viện xử lý hình ảnh và chuyển đổi dữ liệu. Điều này đặc biệt quan trọng trong thị giác máy tính, nơi hình ảnh có thể khác nhau về kích thước, chất lượng hoặc ánh sáng. Nếu không có bước tiền xử lý thích hợp, các mô hình có thể học từ nhiễu thay vì các mẫu có ý nghĩa, dẫn đến hiệu suất kém.

Những điều cần nhớ

Trong lĩnh vực thị giác máy tính, cả học có giám sát và học không giám sát đều đóng vai trò quan trọng. Phương pháp phù hợp phụ thuộc vào loại dữ liệu bạn có, liệu đó là dữ liệu đã được gắn nhãn hay chưa, cũng như vấn đề bạn đang cố gắng giải quyết và nhu cầu triển khai của bạn. 

Nếu mục tiêu của bạn là độ chính xác cao và kết quả đầu ra rõ ràng, học máy có giám sát thường là lựa chọn tốt hơn. Nếu bạn đang khám phá dữ liệu hoặc làm việc với dữ liệu không có nhãn, học không giám sát có thể phù hợp hơn.

Bạn muốn biết thêm về AI? Hãy xem cộng đồng và kho lưu trữ GitHub của chúng tôi. Khám phá các trang giải pháp của chúng tôi để tìm hiểu về AI trong ngành robot và thị giác máy tính trong nông nghiệp. Khám phá các tùy chọn cấp phép của chúng tôi và bắt đầu xây dựng với thị giác máy tính ngay hôm nay!