Khám phá học có giám sát và học không giám sát trong thị giác máy tính

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

Cụ thể, đối với các thuật toán machine learning, hệ thống được huấn luyện để học từ dữ liệu thay vì được lập trình rõ ràng cho mọi tác vụ. Thay vì phụ thuộc vào các quy tắc cố định, các model machine learning xác định các pattern trong dữ liệu và sử dụng chúng để đưa ra dự đoán hoặc quyết định.

Ví dụ, thị giác máy tính là một nhánh của AI và machine learning, tập trung vào việc giúp hệ thống diễn giải và hiểu thông tin trực quan như hình ảnh và video. Từ nhận dạng vật thể đến xác định các pattern ẩn trong các dataset lớn, những hệ thống này phụ thuộc rất nhiều vào cách chúng được huấn luyện để học.

Nhiều kỹ thuật học AI được sử dụng để huấn luyện các hệ thống này, tùy thuộc vào loại dữ liệu hiện có và bài toán cần giải quyết.

Một số model thị giác máy tính học từ dữ liệu được gán nhãn, trong đó mỗi đầu vào đi kèm một đáp án đúng; nghĩa là mọi hình ảnh hoặc điểm dữ liệu đều có một nhãn định trước cho model biết chúng đại diện cho điều gì. Điều này giúp model học mối quan hệ giữa đầu vào và đầu ra kỳ vọng, cải thiện khả năng đưa ra dự đoán chính xác trên dữ liệu mới chưa từng thấy.

Các model thị giác khác học từ dữ liệu chưa gán nhãn, trong đó không có đáp án định trước và thay vào đó tập trung xác định các pattern và mối quan hệ bên trong chính dữ liệu. Những phương pháp này lần lượt được gọi là học có giám sát và học không giám sát, đồng thời tạo nền tảng cho nhiều hệ thống thị giác máy tính tiên tiến.

Trong bài viết này, chúng ta sẽ khám phá học có giám sát và học không giám sát, cách chúng được sử dụng trong thị giác máy tính, cũng như cách chọn phương pháp phù hợp nhất với dự án vision AI của bạn. Hãy bắt đầu!

Cách các phương pháp học AI thúc đẩy thị giác máy tính#

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

Trong machine learning, các kỹ thuật học khác nhau quyết định cách một model học và cải thiện theo thời gian. Các phương pháp như học có giám sát (học từ dữ liệu được gán nhãn với đáp án đúng), học không giám sát (xác định pattern trong dữ liệu chưa gán nhãn), học tăng cường (học qua thử và sai bằng phản hồi hoặc phần thưởng) và học bán giám sát (kết hợp một lượng nhỏ dữ liệu được gán nhãn với một lượng lớn dữ liệu chưa gán nhãn) định hình cách hệ thống xử lý dữ liệu đầu vào và tạo dữ liệu đầu ra.

Hình 1. Tổng quan về các phương pháp học AI (Nguồn)

Cụ thể, các hệ thống thị giác máy tính được xây dựng bằng những phương pháp học này để diễn giải và hiểu dữ liệu trực quan. Học có giám sát là phương pháp được sử dụng phổ biến nhất vì cho phép model học từ các ví dụ được gán nhãn rõ ràng và tạo ra kết quả chính xác, đáng tin cậy.

Chẳng hạn, một model có thể được huấn luyện trên các hình ảnh được gắn nhãn “mèo” và “chó”, học các đặc trưng như hình dạng, tai và cấu trúc khuôn mặt để có thể phân loại chính xác hình ảnh mới bằng các thuật toán classification. Trong khi đó, học không giám sát và học bán giám sát cũng được sử dụng trong thị giác máy tính, thường để khám phá pattern trong dữ liệu hoặc cải thiện hiệu năng khi dữ liệu được gán nhãn còn hạn chế.

Tìm hiểu việc sử dụng các model học có giám sát trong thị giác máy tính#

Bạn có thể so sánh các thuật toán học có giám sát với bối cảnh lớp học, trong đó giáo viên cung cấp các ví dụ cùng đáp án đúng để học sinh biết điều gì đúng và điều gì sai. Trong machine learning, model cũng học theo cách tương tự bằng dữ liệu được gán nhãn, trong đó mỗi đầu vào đi kèm một đầu ra đã biết.

Giả sử bạn đang xây dựng một hệ thống thị giác máy tính tự động hóa việc phân tích các trận bóng chày. Bạn có thể huấn luyện một model như Ultralytics YOLO26 trên các hình ảnh hoặc frame video có gán nhãn cho những vật thể như bóng, gậy và cầu thủ.

Mỗi vật thể sẽ được đánh dấu vị trí và category, giúp model học được cần tìm kiếm điều gì. Theo thời gian, model có thể phát hiện và định vị những vật thể này trong cảnh quay mới, hỗ trợ các use case như tracking bóng và phát hiện cầu thủ qua các frame.

Hình 2. Ví dụ về phát hiện vật thể bằng học có giám sát (Nguồn)

Ngoài phát hiện vật thể, học có giám sát được sử dụng rộng rãi trong nhiều tác vụ thị giác máy tính như image classification, instance segmentation và pose estimation, nơi độ chính xác và tính nhất quán rất quan trọng. Trong mỗi tác vụ này, model học từ dữ liệu được gán nhãn để xác định các pattern cụ thể và đưa ra dự đoán đáng tin cậy trên đầu vào mới.

Các model này thường được xây dựng bằng deep learning, một dạng machine learning sử dụng neural network để học pattern trực tiếp từ dữ liệu. Neural network được thiết kế để xử lý thông tin theo cách lấy cảm hứng một phần từ hoạt động của não người, cho phép model học các đặc trưng trực quan phức tạp từ những dataset lớn.

Các phương pháp thị giác máy tính trước đây thường dựa vào các đặc trưng được thiết kế thủ công, kết hợp với những thuật toán như support vector machine (SVM là các model phân loại dữ liệu bằng cách tìm ranh giới tốt nhất giữa các category) hoặc decision tree (các model đưa ra quyết định bằng cách chia dữ liệu thành các nhánh).

Ngược lại, các model thị giác máy tính ngày nay sử dụng deep learning để tự động học những đặc trưng này từ dữ liệu, giúp chúng hiệu quả hơn khi xử lý các tác vụ trực quan quy mô lớn và có độ chi tiết cao.

Tìm hiểu nhu cầu sử dụng model học không giám sát trong vision AI#

Mặc dù học có giám sát là phương pháp được ưu tiên trong thị giác máy tính, một số ứng dụng vision không có dữ liệu được gán nhãn hoặc việc tạo dữ liệu đó quá tốn kém và thời gian.

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

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

Cách học không giám sát hoạt động trong thị giác máy tính#

Vậy machine learning không giám sát hoạt động như thế nào? Thay vì học từ các đáp án đúng, model tự học bằng cách xác định pattern và cấu trúc bên trong dữ liệu. Model tìm kiếm điểm tương đồng và khác biệt trên dữ liệu mà không dựa vào các ví dụ được gán nhãn.

Một use case phổ biến là phát hiện bất thường, trong đó model học diện mạo của dữ liệu bình thường rồi xác định mọi thứ sai lệch khỏi trạng thái đó. Phát hiện bất thường và outlier là một trong những ứng dụng công nghiệp có tác động lớn nhất. Ví dụ gồm phát hiện sản phẩm lỗi trên dây chuyền sản xuất, đánh dấu các ảnh quét y tế bất thường để bác sĩ X-quang xem xét hoặc phát hiện hoạt động đáng ngờ trong cảnh quay giám sát. Vì lỗi và bất thường thường hiếm gặp và đa dạng, việc gán nhãn cho mọi trường hợp có thể xảy ra là không thực tế, khiến các phương pháp không giám sát trở thành lựa chọn tự nhiên.

Để hỗ trợ việc này, các kỹ thuật như clustering và dimensionality reduction thường được sử dụng, thường trên các đặc trưng trích xuất từ hình ảnh thay vì chính hình ảnh thô. Các phương pháp clustering như k-means clustering nhóm những hình ảnh tương tự dựa trên các pattern chung, trong khi các kỹ thuật dimensionality reduction như principal component analysis (PCA) đơn giản hóa dữ liệu bằng cách tập trung vào những đặc trưng quan trọng nhất.

Điều này giúp model dễ dàng xác định các pattern và cấu trúc có ý nghĩa trong những dataset lớn và phức tạp. Ưu điểm chính của học không giám sát là hoạt động tốt với dữ liệu chưa gán nhãn và có thể phát hiện các pattern không dễ nhận thấy ngay lập tức. Tuy nhiên, phương pháp này khó đánh giá hơn và cung cấp ít quyền kiểm soát đầu ra cuối cùng hơn 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 phương án trung gian giữa hai phương pháp này hay không. Điều thú vị là học tự giám sát và học bán giám sát giúp thu hẹp khoảng cách giữa học có giám sát và học không giám sát.

Các phương pháp này giúp model học từ dữ liệu chưa gán nhãn hiệu quả hơn. Thay vì chỉ dựa vào các ví dụ được gán nhãn, chúng либо tự tạo các tác vụ học từ dữ liệu, hoặc kết hợp một dataset nhỏ đã gán nhãn với một dataset lớn hơn chưa gán nhãn.

Trong học tự giám sát, model học bằng cách giải quyết các tác vụ được tạo từ chính dữ liệu. Ví dụ, model có thể được cung cấp một hình ảnh bị thiếu một phần và học cách dự đoán nội dung cần điền vào khoảng trống đó, hoặc học cách nhận dạng các góc nhìn khác nhau của cùng một vật thể. Điều này giúp model học các đặc trưng 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 một tập dữ liệu lớn hơn chưa gán nhãn để cải thiện hiệu năng. Trong một số trường hợp, model có thể tạo nhãn cho dữ liệu chưa gán nhãn và sử dụng chúng để tiếp tục học.

Lợi ích chính của các phương pháp này là giảm nhu cầu về những dataset lớn được gán nhãn, vốn thường tốn kém và mất nhiều thời gian để tạo. Tuy nhiên, chúng có thể phức tạp hơn khi thiết kế và đánh giá so với các phương pháp hoàn toàn có giám sát.

Những 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 model học và mục tiêu mà model hướng tới. Trong khi học có giám sát dựa vào dữ liệu được gán nhãn và hướng dẫn rõ ràng để học các tác vụ cụ thể, học không giám sát hoạt động mà không có đáp án định trước và tập trung khám phá pattern và cấu trúc bên trong dữ liệu.

Ví dụ, trong hệ thống giám sát giao thông, một model học có giám sát có thể được huấn luyện trên các hình ảnh được gán nhãn để phát hiện phương tiện, người đi bộ hoặc tín hiệu giao thông. Ngược lại, một model không giám sát có thể phân tích lượng lớn cảnh quay video để nhóm các pattern giao thông tương tự hoặc xác định những sự kiện bất thường như ùn tắc không dự kiến hay chuyển động khác thường mà không được chỉ rõ cần tìm kiếm điều gì.

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

Học có giám sát là một lựa chọn phù hợp cho các tác vụ thị giác máy tính có mục tiêu được xác định rõ ràng và trong đó model cần ánh xạ dữ liệu đầu vào thành các đầu ra chính xác. Phương pháp này đặc biệt hiệu quả khi bạn có một dataset đáng tin cậy được gán nhãn và cần kết quả nhất quán, có thể dự đoán.

Hình 3. Các tác vụ thị giác máy tính được thúc đẩy bởi học có giám sát (Nguồn)

Phương pháp này thường được sử dụng cho các bài toán trong đó model phải phân biệt giữa các category đã biết hoặc dự đoán những kết quả cụ thể. Thay vì khám phá pattern, trọng tâm là học các mối quan hệ chính xác từ dữ liệu được gán nhãn, giúp định hướng model đến kết quả mong muốn dễ dàng hơn.

Một ưu điểm quan trọng khác là khả năng kiểm soát. Với học có giám sát, việc đo lường hiệu năng bằng các metric rõ ràng, fine-tune model và đảm bảo hành vi ổn định khi deployment trở nên dễ dàng hơn. Điều này khiến phương pháp này rất phù hợp với các hệ thống cần tính nhất quán và độ tin cậy theo thời gian.

Tuy nhiên, điều này đi kèm một đánh đổi. Model phụ thuộc nhiều vào chất lượng và quy mô của dữ liệu được gán nhãn, trong khi việc thu thập và gán nhãn dữ liệu như vậy có thể tốn nhiều thời gian.

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

Các model vision AI như model Ultralytics YOLO sử dụng học có giám sát để thực hiện các tác vụ như phát hiện vật thể với độ chính xác cao, đặc biệt trong các ứng dụng thời gian thực. Dưới đây là một số use case vision phổ biến trong thực tế, nơi học có giám sát tạo ra khác biệt:

• Chăm sóc sức khỏe và chẩn đoán hình ảnh: Bác sĩ có thể sử dụng các hệ thống thị giác máy tính được huấn luyện trên các ảnh quét đã gán nhãn như X-quang hoặc MRI, trong đó các bộ phân loại được dùng để xác định những tình trạng như khối u hoặc gãy xương, hỗ trợ chẩn đoán nhanh và chính xác hơn.
• Kiểm tra chất lượng công nghiệp: Trong môi trường sản xuất, các hệ thống vision được huấn luyện trên dữ liệu được gán nhãn có thể kiểm tra sản phẩm bằng cách phân tích nhiều đặc trưng liên quan đến chất lượng như hình dạng, lỗi bề mặt, texture và kích thước. Bằng cách học từ các ví dụ về sản phẩm đạt chuẩn và sản phẩm lỗi, những hệ thống này có thể xác định lỗi một cách nhất quán và duy trì tiêu chuẩn sản xuất.
• Lái xe tự động: Các hệ thống tự lái dựa vào những model được huấn luyện trên dữ liệu lái xe đã gán nhãn để nhận dạng làn đường, phương tiện, người đi bộ và biển báo giao thông, giúp phương tiện di chuyển an toàn trong thời gian thực.
• Bán lẻ và hệ thống thanh toán: Các cửa hàng sử dụng model được huấn luyện trên hình ảnh sản phẩm đã gán nhãn để xác định mặt hàng trên kệ hoặc tại quầy thanh toán, cho phép tính tiền tự động và quản lý tồn kho hiệu quả hơn. Khi kết hợp với dữ liệu bổ sung, các hệ thống này cũng có thể hỗ trợ những tác vụ như phân khúc khách hàng, giúp doanh nghiệp hiểu rõ hơn về pattern mua sắm.
• Nông nghiệp và giám sát cây trồng: Nông dân có thể sử dụng model được huấn luyện trên các hình ảnh đã gán nhãn để phát hiện và phân loại cây trồng, chẳng hạn xác định và đếm khoai tây khỏe mạnh và bị hư hỏng, cải thiện kiểm soát chất lượng và giảm tổn thất.

Hình 4. Sử dụng YOLO để phát hiện và đếm khoai tây khỏe mạnh và bị lỗi

Học không giám sát có thể giải quyết những loại bài toán nào trong thị giác máy tính#

Học không giám sát hữu ích khi bạn không có đủ dữ liệu được gán nhãn hoặc dữ liệu không đi kèm các đáp án rõ ràng. Trong những tình huống này, mục tiêu không phải là đưa ra dự đoán chính xác tuyệt đối mà là hiểu các pattern và cấu trúc trong dữ liệu.

Phương pháp này thường được sử dụng khi lần đầu khám phá một dataset chưa gán nhãn. Thay vì cho model biết cần tìm kiếm điều gì, bạn cho phép model tự xác định điểm tương đồng, nhóm các hình ảnh liên quan hoặc làm nổi bật những pattern bất thường.

Trong một bộ sưu tập lớn các hình ảnh, phương pháp không giám sát có thể giúp tổ chức các hình ảnh tương tự lại với nhau hoặc đánh dấu các outlier có thể cần được xem xét thêm. Điều này khiến nó trở thành một điểm khởi đầu hữu ích trong các dự án data science.

Các generative model, bao gồm GAN, variational autoencoder và diffusion model, học phân phối nền tảng của hình ảnh để tạo ra những hình ảnh hoàn toàn mới. Các model này cung cấp nền tảng cho những ứng dụng như image synthesis, inpainting, super-resolution và style transfer, đồng thời tạo thành cốt lõi của các hệ thống generative AI ngày nay.

Trong segmentation không giám sát, một số phương pháp nhóm các pixel hoặc vùng thành những segment nhất quán mà không dựa vào mask được gán nhãn. Điều này hữu ích khi việc annotation quá tốn kém hoặc khi mục tiêu là khám phá cấu trúc thay vì khớp với các category định trước.

Học không giám sát cũng có tác động đáng kể khi làm việc với các dataset lớn, nơi việc gán nhãn tốn nhiều thời gian hoặc không thực tế. Trong những trường hợp như vậy, phương pháp này cho phép bạn thu được insight từ dữ liệu mà không cần dựa vào dữ liệu huấn luyện đã gán nhãn.

Phương pháp này cũng thường được sử dụng trong các lĩnh vực như generative AI (các model tạo dữ liệu mới như hình ảnh, văn bản hoặc âm thanh) và representation learning (các model học những đặc trưng hoặc pattern hữu ích từ dữ liệu thô), nơi model học các đặc trưng tổng quát từ lượng dữ liệu lớn. Nhìn chung, nếu bài toán của bạn liên quan đến việc khám phá, phát hiện pattern hoặc làm việc với dữ liệu chưa gán nhãn, học không giám sát là một phương pháp linh hoạt và thực tế đáng cân nhắc.

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

Dưới đây là một số ví dụ về các use case áp dụng học không giám sát trong thị giác máy tính:

• Phát hiện bất thường trong sản xuất: Các model có thể học diện mạo của những sản phẩm bình thường và đánh dấu lỗi hoặc điểm bất thường mà không cần các ví dụ được gán nhãn cho mọi lỗi có thể xảy ra.
• Tổ chức và tìm kiếm hình ảnh: Các bộ sưu tập hình ảnh lớn như thư viện ảnh hoặc catalog thương mại điện tử có thể được tự động nhóm dựa trên độ tương đồng trực quan, giúp data scientist dễ dàng tổ chức, khám phá và tìm kiếm trong các dataset lớn hơn.
• Giám sát và an ninh: Các hệ thống có thể phân tích cảnh quay video để xác định những pattern hoặc hành vi bất thường như chuyển động không dự kiến hoặc thay đổi trong đám đông mà không cần được huấn luyện rõ ràng trên các sự kiện đã gán nhãn.
• Tiền xử lý 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 model có giám sát, giúp cải thiện chất lượng dữ liệu và giảm công sức thủ công.

Những hạn chế thực tế của học có giám sát và học không giám sát#

Mặc dù cả hai phương pháp học đều có ưu điểm, vẫn có một số hạn chế cần cân nhắc. Dưới đây là những yếu tố thực tế cần ghi nhớ khi xây dựng các model thị giác máy tính:

• Overfitting trong các model có giám sát: Trong học có giám sát, model có thể học quá sát dữ liệu huấn luyện thay vì học các pattern tổng quát. Điều này thường xảy ra khi dataset quá nhỏ hoặc không đủ đa dạng. Ví dụ, một model được huấn luyện để phát hiện lỗi trên một loại sản phẩm có thể thất bại khi được kiểm thử trên dữ liệu mới gồm các sản phẩm hoặc điều kiện ánh sáng hơi khác biệt.
• Thách thức với các thuật toán clustering: Trong học không giám sát, model có thể nhóm các điểm dữ liệu tương tự lại với nhau. Tuy nhiên, cách này có thể không hiệu quả khi dữ liệu nhiễu, không nhất quán hoặc thiếu cấu trúc rõ ràng. Chẳng hạn, trong các tác vụ nhóm hình ảnh, những hình ảnh có màu sắc tương tự nhưng chứa các vật thể khác nhau có thể bị nhóm sai.
• Tầm quan trọng của tiền xử lý phù hợp: Trước khi huấn luyện, dữ liệu cần được làm sạch và chuẩn bị. Việc này thường được thực hiện bằng các thư viện Python xử lý hình ảnh và chuyển đổi dữ liệu. Tiền xử lý đặc biệt quan trọng trong thị giác máy tính, nơi hình ảnh có thể khác nhau về kích thước, chất lượng hoặc điều kiện ánh sáng. Nếu không tiền xử lý phù hợp, model có thể học từ nhiễu thay vì các pattern có ý nghĩa, dẫn đến hiệu năng kém.

Những điểm chính#

Trong 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, dữ liệu đó đã được gán nhãn hay chưa, cũng như bài toán cần giải quyết và yêu cầu deployment của bạn.

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

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