AI tạo sinh đang thay đổi hướng phát triển của thị giác máy tính

AI tạo sinh là một nhánh của trí tuệ nhân tạo (AI), tạo ra nội dung mới như hình ảnh, văn bản hoặc âm thanh bằng cách học các mẫu từ dữ liệu hiện có. Nhờ những tiến bộ gần đây, AI tạo sinh hiện có thể tạo ra nội dung có độ chân thực cao, thường mô phỏng khả năng sáng tạo của con người.

Tuy nhiên, tác động của AI tạo sinh không chỉ dừng lại ở việc tạo nội dung. Khi các model thị giác máy tính theo thời gian thực như các model Ultralytics YOLO tiếp tục phát triển, AI tạo sinh cũng đang định nghĩa lại cách dữ liệu hình ảnh được xử lý và tăng cường, mở đường cho các ứng dụng sáng tạo trong những tình huống thực tế.

Sự chuyển dịch công nghệ mới này là một chủ đề thảo luận thú vị tại YOLO Vision 2024 (YV24), một sự kiện hybrid thường niên do Ultralytics tổ chức. YV24 quy tụ những người đam mê AI và các lãnh đạo trong ngành để thảo luận về những đột phá mới nhất trong thị giác máy tính. Sự kiện tập trung vào đổi mới, hiệu quả và tương lai của các giải pháp AI theo thời gian thực.

Một trong những điểm nổi bật của sự kiện là buổi tọa đàm về YOLO trong kỷ nguyên AI tạo sinh. Buổi tọa đàm có sự tham gia của Glenn Jocher, Nhà sáng lập & CEO của Ultralytics, Jing Qiu, Kỹ sư Machine Learning cấp cao tại Ultralytics, và Ao Wang từ Đại học Thanh Hoa. Họ đã tìm hiểu cách AI tạo sinh tác động đến thị giác máy tính cũng như những thách thức trong việc xây dựng các model AI có tính thực tiễn.

Trong bài viết này, chúng ta sẽ nhìn lại những thông tin chính từ cuộc thảo luận và tìm hiểu sâu hơn cách AI tạo sinh đang chuyển đổi Vision AI.

Phát triển các model Ultralytics YOLO#

Bên cạnh Glenn Jocher, nhiều kỹ sư tài năng đã đóng vai trò quan trọng trong việc phát triển các model Ultralytics YOLO. Jing Qiu là một trong số đó; anh kể lại khởi đầu đầy bất ngờ của mình với YOLO. Anh giải thích rằng niềm đam mê AI của mình bắt đầu từ những năm đại học. Anh đã dành nhiều thời gian để tìm hiểu và học hỏi về lĩnh vực này. Jing Qiu nhớ lại cách anh kết nối với Glenn Jocher trên GitHub và tham gia nhiều dự án AI khác nhau.

Tiếp lời Jing Qiu, Glenn Jocher mô tả GitHub là "một cách tuyệt vời để chia sẻ - nơi những người chưa từng gặp nhau cùng kết nối để hỗ trợ lẫn nhau, đóng góp vào công việc của nhau. Đây là một cộng đồng tuyệt vời và thực sự là một cách rất hay để bắt đầu với AI."

Hình 1. Glenn Jocher và Jing Qiu phát biểu trên sân khấu tại YV24.

Mối quan tâm của Jing Qiu đối với AI và công việc của anh trên Ultralytics YOLOv5 đã góp phần tinh chỉnh model. Sau đó, anh đóng vai trò quan trọng trong việc phát triển Ultralytics YOLOv8, phiên bản mang đến nhiều cải tiến hơn nữa. Anh mô tả đây là một hành trình đáng kinh ngạc. Hiện nay, Jing Qiu vẫn tiếp tục cải tiến và làm việc trên các model như Ultralytics YOLO11.

YOLOv10: Tối ưu cho hiệu suất trong thực tế#

Tham gia từ xa vào buổi tọa đàm từ Trung Quốc, Ao Wang giới thiệu mình là một nghiên cứu sinh tiến sĩ. Ban đầu, anh theo học kỹ thuật phần mềm, nhưng niềm đam mê AI đã thúc đẩy anh chuyển hướng sang thị giác máy tính và deep learning.

Anh lần đầu tiếp xúc với model YOLO nổi tiếng khi thử nghiệm nhiều kỹ thuật và model AI khác nhau. Anh ấn tượng với tốc độ và độ chính xác của model, từ đó có thêm động lực tìm hiểu sâu hơn về các tác vụ thị giác máy tính như phát hiện đối tượng. Gần đây, Ao Wang đã đóng góp vào YOLOv10, một phiên bản mới của model YOLO. Nghiên cứu của anh tập trung vào việc tối ưu model để đạt tốc độ nhanh hơn và độ chính xác cao hơn.

Sự khác biệt chính giữa AI tạo sinh và Vision AI#

Sau đó, buổi tọa đàm chuyển sang thảo luận về AI tạo sinh, và Jing Qiu chỉ ra rằng AI tạo sinh và Vision AI có mục đích rất khác nhau. AI tạo sinh tạo ra những nội dung như văn bản, hình ảnh và video, trong khi Vision AI phân tích những gì đã tồn tại, chủ yếu là hình ảnh.

Glenn Jocher cũng nhấn mạnh rằng kích thước là một điểm khác biệt lớn. Các model AI tạo sinh có quy mô khổng lồ, thường chứa hàng tỷ tham số - những thiết lập nội bộ giúp model học từ dữ liệu. Các model thị giác máy tính nhỏ hơn nhiều. Anh cho biết: “Model YOLO nhỏ nhất của chúng tôi nhỏ hơn khoảng một nghìn lần so với LLM [mô hình ngôn ngữ lớn] nhỏ nhất. Vì vậy, đó là 3 triệu tham số so với 3 tỷ.”

Hình 2. Buổi thảo luận về AI tạo sinh và Vision AI tại YV24.

Jing Qiu nói thêm rằng quy trình training và triển khai AI tạo sinh cũng rất khác. AI tạo sinh cần các server lớn và mạnh để vận hành. Ngược lại, các model như YOLO được xây dựng để đạt hiệu quả cao và có thể được training, triển khai trên phần cứng tiêu chuẩn. Điều đó giúp các model Ultralytics YOLO trở nên thiết thực hơn khi sử dụng trong thực tế.

Mặc dù khác nhau, hai lĩnh vực này đang bắt đầu giao thoa. Glenn Jocher giải thích thêm rằng AI tạo sinh đang mang đến những tiến bộ mới cho Vision AI, giúp các model trở nên thông minh và hiệu quả hơn.

Tác động của AI tạo sinh đối với thị giác máy tính#

AI tạo sinh đã phát triển nhanh chóng, và những đột phá này đang tác động đến nhiều lĩnh vực khác của trí tuệ nhân tạo, trong đó có thị giác máy tính. Tiếp theo, hãy cùng điểm qua một số thông tin thú vị từ buổi tọa đàm về chủ đề này.

Những tiến bộ về phần cứng đang thúc đẩy đổi mới AI#

Ngay từ đầu buổi tọa đàm, Glenn Jocher giải thích rằng các ý tưởng về machine learning đã tồn tại từ lâu, nhưng máy tính chưa đủ mạnh để biến chúng thành hiện thực. Các ý tưởng AI cần phần cứng mạnh hơn để có thể được triển khai trong thực tế.

Sự phát triển của GPU (bộ xử lý đồ họa) trong 20 năm qua, cùng khả năng xử lý song song, đã thay đổi mọi thứ. GPU giúp quá trình training các model AI nhanh và hiệu quả hơn nhiều, cho phép deep learning phát triển với tốc độ nhanh chóng.

Ngày nay, các chip AI như TPU (bộ xử lý tensor) và GPU được tối ưu hóa sử dụng ít năng lượng hơn trong khi vẫn xử lý được các model lớn và phức tạp hơn. Điều này giúp AI trở nên dễ tiếp cận và hữu ích hơn trong các ứng dụng thực tế.

Với mỗi cải tiến mới về phần cứng, cả các ứng dụng AI tạo sinh và thị giác máy tính đều trở nên mạnh mẽ hơn. Những tiến bộ này giúp AI theo thời gian thực nhanh hơn, hiệu quả hơn và sẵn sàng được sử dụng trong nhiều ngành hơn.

AI tạo sinh đang định hình các model phát hiện đối tượng như thế nào#

Khi được hỏi AI tạo sinh đang tác động đến thị giác máy tính như thế nào, Jing Qiu cho biết transformer - các model giúp AI tập trung vào những phần quan trọng nhất của hình ảnh - đã thay đổi cách AI hiểu và xử lý hình ảnh. Bước tiến lớn đầu tiên là DETR (Transformer phát hiện), sử dụng phương pháp mới này cho việc phát hiện đối tượng. Phương pháp này cải thiện độ chính xác nhưng gặp vấn đề về hiệu suất, khiến tốc độ chậm hơn trong một số trường hợp.

Để giải quyết vấn đề này, các nhà nghiên cứu đã tạo ra những model hybrid như RT-DETR. Các model này kết hợp mạng nơ-ron tích chập (CNN, các model deep learning tự động học và trích xuất đặc trưng từ hình ảnh) với transformer, cân bằng giữa tốc độ và độ chính xác. Phương pháp này tận dụng lợi ích của transformer đồng thời giúp quá trình phát hiện đối tượng nhanh hơn.

Đáng chú ý, YOLOv10 sử dụng các lớp attention dựa trên transformer (những thành phần của model hoạt động như đèn chiếu, làm nổi bật các khu vực quan trọng nhất trong hình ảnh và bỏ qua những chi tiết ít liên quan) để nâng cao hiệu suất.

Ao Wang cũng đề cập đến cách AI tạo sinh đang thay đổi quá trình training model. Các kỹ thuật như masked image modeling giúp AI học từ hình ảnh hiệu quả hơn, giảm nhu cầu sử dụng các dataset lớn được gán nhãn thủ công. Điều này giúp quá trình training cho thị giác máy tính nhanh hơn và tiêu tốn ít tài nguyên hơn.

Tương lai của AI tạo sinh và Vision AI#

Một ý tưởng quan trọng khác được thảo luận trong buổi tọa đàm là khả năng kết hợp AI tạo sinh và Vision AI để xây dựng các model có năng lực cao hơn. Glenn Jocher giải thích rằng dù hai phương pháp này có những thế mạnh khác nhau, việc kết hợp chúng có thể mở ra nhiều khả năng mới.

Chẳng hạn, các model Vision AI như YOLO thường chia một hình ảnh thành một lưới để xác định các đối tượng. Phương pháp dựa trên lưới này có thể giúp các model ngôn ngữ cải thiện khả năng vừa xác định chi tiết vừa mô tả chúng - một thách thức mà nhiều model ngôn ngữ hiện nay phải đối mặt. Về bản chất, việc hợp nhất các kỹ thuật này có thể tạo ra những hệ thống có khả năng phát hiện chính xác và giải thích rõ ràng những gì chúng nhìn thấy.

Hình 3. Tương lai của AI tạo sinh và Vision AI. Hình ảnh do tác giả thực hiện.

Những điểm chính#

AI tạo sinh và thị giác máy tính đang cùng nhau phát triển. AI tạo sinh không chỉ tạo ra hình ảnh và video mà còn cải thiện khả năng phân tích hình ảnh và video bằng cách mang đến những ý tưởng mới đầy sáng tạo, có thể giúp các model Vision AI chính xác và hiệu quả hơn.

Trong buổi tọa đàm YV24 đầy giá trị này, Glenn Jocher, Jing Qiu và Ao Wang đã chia sẻ suy nghĩ về cách các công nghệ này đang định hình tương lai. Với phần cứng AI tốt hơn, AI tạo sinh và Vision AI sẽ tiếp tục phát triển, dẫn đến những đổi mới lớn hơn nữa. Hai lĩnh vực này đang phối hợp để tạo ra AI thông minh hơn, nhanh hơn và hữu ích hơn cho đời sống hằng ngày.

Tham gia cộng đồng của chúng tôi và khám phá repository GitHub của chúng tôi để tìm hiểu thêm về Vision AI. Xem các tùy chọn cấp phép của chúng tôi để bắt đầu các dự án thị giác máy tính. Bạn quan tâm đến những đổi mới như AI trong sản xuất hoặc thị giác máy tính trong xe tự lái? Hãy truy cập các trang giải pháp của chúng tôi để tìm hiểu thêm.