Cải thiện độ robust của model AI bằng data augmentation

Kiểm thử là một phần thiết yếu trong quá trình xây dựng mọi giải pháp công nghệ. Kiểm thử cho các nhóm biết hệ thống thực sự hoạt động như thế nào trước khi đưa vào vận hành và cho phép họ khắc phục sự cố sớm. Điều này đúng với nhiều lĩnh vực, bao gồm AI, nơi các model được kỳ vọng có thể xử lý những điều kiện khó dự đoán trong thế giới thực sau khi triển khai.

Ví dụ, thị giác máy tính là một nhánh của AI, giúp máy móc hiểu hình ảnh và video. Các model thị giác máy tính như Ultralytics YOLO26 hỗ trợ những tác vụ như phát hiện đối tượng, phân đoạn instance và phân loại hình ảnh.

Chúng có thể được sử dụng trong nhiều ngành cho các ứng dụng như theo dõi bệnh nhân, phân tích giao thông, thanh toán tự động và kiểm tra chất lượng trong sản xuất. Tuy nhiên, ngay cả với các model tiên tiến và dữ liệu huấn luyện chất lượng cao, các giải pháp AI thị giác vẫn có thể gặp khó khăn khi đối mặt với những biến động trong thế giới thực như thay đổi ánh sáng, chuyển động hoặc đối tượng bị che khuất một phần.

Điều này xảy ra vì model học từ những ví dụ được cung cấp trong quá trình huấn luyện. Nếu trước đó model chưa gặp các điều kiện như ánh sáng chói, nhòe do chuyển động hoặc khả năng quan sát bị hạn chế, model sẽ khó nhận diện đối tượng chính xác hơn trong những tình huống đó.

Một cách cải thiện độ mạnh mẽ của model là thông qua tăng cường dữ liệu. Thay vì thu thập một lượng lớn dữ liệu mới, các kỹ sư có thể thực hiện những thay đổi nhỏ và có ý nghĩa trên các hình ảnh hiện có, chẳng hạn như điều chỉnh ánh sáng, cắt ảnh hoặc trộn hình ảnh. Điều này giúp model học cách nhận diện cùng một đối tượng trong nhiều tình huống hơn.

Trong bài viết này, chúng ta sẽ tìm hiểu cách tăng cường dữ liệu cải thiện độ mạnh mẽ của model và độ tin cậy của các hệ thống AI thị giác khi được triển khai bên ngoài những môi trường được kiểm soát. Hãy bắt đầu!

Cách kiểm tra độ mạnh mẽ của model#

Trước khi đi sâu vào tăng cường dữ liệu, hãy cùng thảo luận cách xác định liệu một model thị giác máy tính đã thực sự sẵn sàng để sử dụng trong thế giới thực hay chưa.

Một model mạnh mẽ vẫn duy trì hiệu suất tốt ngay cả khi các điều kiện thay đổi, thay vì chỉ hoạt động trên những hình ảnh sạch và được gắn nhãn hoàn hảo. Dưới đây là một số yếu tố thực tế cần cân nhắc khi đánh giá độ mạnh mẽ của model AI:

• Thay đổi ánh sáng: Model có thể hoạt động khác nhau khi tiếp xúc với ánh sáng mạnh, ánh sáng yếu, ánh sáng chói hoặc bóng đổ, từ đó ảnh hưởng đến mức độ tin cậy khi phát hiện đối tượng.
• Che khuất một phần: Trong các cảnh thường ngày, đối tượng thường bị những vật thể khác che khuất hoặc chỉ nhìn thấy một phần. Một model mạnh mẽ hơn có thể nhận diện chúng ngay cả khi thiếu thông tin hình ảnh.
• Cảnh đông đúc: Môi trường có nhiều đối tượng chồng lấn có thể khiến việc phát hiện trở nên khó khăn hơn. Các model hoạt động tốt trong những trường hợp này thường đáng tin cậy hơn trong các bối cảnh phức tạp.

Kết quả tốt trên những hình ảnh sạch và được chụp hoàn hảo không phải lúc nào cũng chuyển thành hiệu suất cao trong thế giới thực. Kiểm thử thường xuyên trong nhiều điều kiện khác nhau giúp cho thấy model hoạt động tốt đến đâu sau khi triển khai.

Tăng cường dữ liệu là gì?#

Cách một đối tượng xuất hiện trong ảnh có thể thay đổi tùy theo ánh sáng, góc chụp, khoảng cách hoặc phông nền. Khi huấn luyện một model thị giác máy tính, dataset mà model học từ đó cần bao gồm những biến thể này để có thể hoạt động tốt trong các môi trường khó dự đoán.

Tăng cường dữ liệu mở rộng dataset huấn luyện bằng cách tạo thêm các ví dụ từ những hình ảnh bạn đã có. Việc này được thực hiện bằng cách áp dụng những thay đổi có chủ đích như xoay hoặc lật hình ảnh, điều chỉnh độ sáng hay cắt một phần ảnh.

Ví dụ, hãy tưởng tượng bạn chỉ có một bức ảnh về một con mèo. Nếu xoay hình ảnh hoặc thay đổi độ sáng, bạn có thể tạo ra một số phiên bản mới từ bức ảnh duy nhất đó. Mỗi phiên bản trông hơi khác nhau, nhưng vẫn là ảnh của cùng một con mèo. Những biến thể này giúp model hiểu rằng một đối tượng có thể trông khác đi nhưng vẫn là cùng một vật thể.

Hình 1. Minh họa tăng cường hình ảnh một con mèo (Nguồn)

Cách tăng cường dữ liệu cải thiện hiệu suất của model#

Trong quá trình huấn luyện model, tăng cường dữ liệu có thể được tích hợp trực tiếp vào pipeline huấn luyện. Thay vì tạo và lưu thủ công các bản sao mới của hình ảnh, các phép biến đổi ngẫu nhiên có thể được áp dụng mỗi khi hình ảnh được tải vào.

Điều này có nghĩa là model nhìn thấy một phiên bản hơi khác của hình ảnh mỗi lần, chẳng hạn như hình ảnh sáng hơn, bị lật hoặc bị che khuất một phần. Các kỹ thuật như xóa ngẫu nhiên thậm chí có thể loại bỏ những vùng nhỏ trong hình ảnh để mô phỏng các tình huống thực tế khi đối tượng bị che khuất hoặc chỉ nhìn thấy một phần.

Hình 2. Các ví dụ về tăng cường dựa trên xóa ngẫu nhiên (Nguồn)

Việc nhìn thấy nhiều phiên bản khác nhau của cùng một hình ảnh giúp model học được những đặc trưng nào là quan trọng, thay vì phụ thuộc vào một ví dụ hoàn hảo duy nhất. Sự đa dạng này xây dựng độ mạnh mẽ cho model AI, giúp model hoạt động đáng tin cậy hơn trong các điều kiện thực tế.

Các kỹ thuật tăng cường dữ liệu phổ biến#

Dưới đây là một số kỹ thuật tăng cường dữ liệu được sử dụng để tạo biến thể cho hình ảnh huấn luyện:

• Biến đổi hình học: Các kỹ thuật này thay đổi cách một đối tượng xuất hiện về mặt không gian trong hình ảnh. Xoay, lật, thay đổi kích thước, cắt hoặc dịch chuyển hình ảnh giúp model hiểu cách một đối tượng có thể được nhìn từ các góc hoặc khoảng cách khác nhau.
• Điều chỉnh màu sắc và ánh sáng: Ánh sáng trong thế giới thực hiếm khi nhất quán. Hình ảnh có thể quá sáng, quá tối hoặc hơi lệch màu, tùy thuộc vào môi trường hoặc camera được sử dụng. Điều chỉnh độ sáng, độ tương phản, sắc độ và độ bão hòa giúp model xử lý những thay đổi trực quan này và hoạt động tốt trong nhiều cảnh khác nhau.
• Biến thể chất lượng hình ảnh: Độ mờ hoặc nhiễu hình ảnh có thể khiến hình ảnh trông không rõ. Việc thêm độ mờ hoặc nhiễu trong quá trình huấn luyện giúp model học cách xử lý nhòe do chuyển động, hình ảnh trong điều kiện thiếu sáng hoặc kết quả từ camera chất lượng thấp, nhờ đó model ít nhạy cảm hơn với hình ảnh không hoàn hảo.
• Tăng cường dựa trên che khuất: Trong môi trường thực tế, đối tượng thường bị các đối tượng khác che khuất một phần. Hiện tượng này được gọi là che khuất hình ảnh. Việc ẩn hoặc che mặt nạ các vùng nhỏ của hình ảnh trong quá trình huấn luyện giúp model học cách phát hiện đối tượng ngay cả khi chỉ nhìn thấy một phần.
• Tăng cường đa hình ảnh: Các kỹ thuật này kết hợp các phần của nhiều hình ảnh thành một ví dụ huấn luyện duy nhất, từ đó có thể tăng số lượng đối tượng trong khung hình và cải thiện khả năng xử lý các cảnh phức tạp hoặc đông đúc của model.

Hình 3. Ví dụ về tăng cường đa hình ảnh (Nguồn)

Dễ dàng tăng cường dữ liệu với package Python của Ultralytics#

Quản lý dataset, tạo các biến thể hình ảnh và viết mã biến đổi có thể làm phát sinh thêm nhiều bước khi xây dựng một ứng dụng thị giác máy tính. Package Python của Ultralytics giúp đơn giản hóa quy trình này bằng cách cung cấp một interface duy nhất để huấn luyện, chạy và triển khai các model Ultralytics YOLO như YOLO26. Nhằm tinh gọn workflow huấn luyện, package này bao gồm các tính năng tăng cường dữ liệu tích hợp do Ultralytics kiểm thử và tối ưu cho các model YOLO.

Package này cũng hỗ trợ các integration hữu ích, giúp loại bỏ nhu cầu sử dụng công cụ riêng biệt hoặc mã tùy chỉnh. Cụ thể, đối với tăng cường dữ liệu, package tích hợp với Albumentations, một thư viện tăng cường hình ảnh được sử dụng rộng rãi. Integration này cho phép tự động áp dụng các phép tăng cường trong quá trình huấn luyện mà không cần thêm script hoặc mã tùy chỉnh.

Quản lý annotation và dataset đã tăng cường#

Một yếu tố khác ảnh hưởng đến độ mạnh mẽ của model là chất lượng annotation. Các nhãn sạch và chính xác, được tạo và quản lý bằng những công cụ annotation như Roboflow, giúp model hiểu vị trí và hình dạng của các đối tượng.

Trong quá trình huấn luyện, các phép tăng cường dữ liệu như lật, cắt và xoay được áp dụng động, đồng thời annotation được tự động điều chỉnh để khớp với những thay đổi này. Khi nhãn chính xác, quy trình này diễn ra trơn tru và cung cấp cho model nhiều ví dụ thực tế về cùng một cảnh.

Nếu annotation không chính xác hoặc không nhất quán, các lỗi đó có thể bị lặp lại trên những hình ảnh đã tăng cường, khiến quá trình huấn luyện kém hiệu quả hơn. Bắt đầu với annotation chính xác giúp ngăn các lỗi này lan rộng và góp phần cải thiện độ mạnh mẽ của model.

Cải thiện ứng dụng AI thị giác bằng tăng cường dữ liệu#

Tiếp theo, hãy cùng xem các ví dụ về cách tăng cường dữ liệu góp phần cải thiện độ mạnh mẽ của model AI trong các ứng dụng thực tế.

Tăng độ chính xác phát hiện đối tượng trong môi trường thực tế#

Hình ảnh tổng hợp thường được sử dụng để huấn luyện các hệ thống phát hiện đối tượng khi dữ liệu thực tế bị hạn chế, nhạy cảm hoặc khó thu thập. Chúng cho phép các nhóm nhanh chóng tạo ra ví dụ về sản phẩm, môi trường và góc camera mà không cần ghi lại mọi tình huống ngoài đời thực.

Tuy nhiên, dataset tổng hợp đôi khi có thể trông quá sạch so với video thực tế, nơi ánh sáng thay đổi, các đối tượng chồng lấn và cảnh có nhiều chi tiết nền gây nhiễu. Tăng cường dữ liệu giúp thu hẹp khoảng cách này bằng cách đưa vào những biến thể thực tế như ánh sáng khác nhau, nhiễu hoặc vị trí đối tượng, để model học cách xử lý các điều kiện mà model sẽ gặp khi được triển khai.

Ví dụ, trong một nghiên cứu gần đây, một model Ultralytics YOLO11 được huấn luyện hoàn toàn trên hình ảnh tổng hợp, đồng thời bổ sung tăng cường dữ liệu để tạo thêm biến thể. Điều này góp phần giúp model học cách nhận diện đối tượng một cách khái quát hơn. Model hoạt động tốt khi được kiểm thử trên hình ảnh thực tế, dù chưa từng thấy dữ liệu thế giới thực trong quá trình huấn luyện.

Tăng độ tin cậy cho các giải pháp chẩn đoán hình ảnh y tế#

Dataset chẩn đoán hình ảnh y tế thường bị giới hạn, trong khi bản thân các ảnh chụp có thể thay đổi tùy theo loại thiết bị, thiết lập chụp hoặc môi trường lâm sàng. Sự khác biệt về giải phẫu bệnh nhân, góc chụp, ánh sáng hoặc nhiễu hình ảnh có thể khiến các model thị giác máy tính khó học được những pattern có khả năng khái quát tốt giữa các bệnh nhân và bệnh viện.

Tăng cường dữ liệu giúp giải quyết vấn đề này bằng cách tạo nhiều biến thể của cùng một ảnh chụp trong quá trình huấn luyện, chẳng hạn như thêm nhiễu, dịch chuyển nhẹ hình ảnh hoặc áp dụng các biến dạng nhỏ. Những thay đổi này khiến dữ liệu huấn luyện phản ánh sát hơn các điều kiện lâm sàng thực tế.

Ví dụ, trong một nghiên cứu về chẩn đoán hình ảnh nhi khoa, các nhà nghiên cứu đã sử dụng Ultralytics YOLO11 cho phân đoạn giải phẫu và huấn luyện model trên dữ liệu y tế đã tăng cường. Họ đưa vào các biến thể như thêm nhiễu, dịch chuyển nhẹ vị trí và các biến dạng nhỏ để hình ảnh chân thực hơn.

Hình 4. Hình ảnh y tế nhi khoa gốc và đã tăng cường (Nguồn)

Bằng cách học từ những biến thể này, model tập trung vào các đặc trưng giải phẫu có ý nghĩa thay vì những khác biệt bề mặt. Điều này giúp kết quả phân đoạn ổn định hơn trên các ảnh chụp và trường hợp bệnh nhân khác nhau.

Những điểm chính#

Việc thu thập dữ liệu đa dạng rất khó, nhưng tăng cường dữ liệu cho phép model học từ phạm vi điều kiện hình ảnh rộng hơn. Nhờ đó, độ mạnh mẽ của model được cải thiện khi xử lý tình trạng che khuất, thay đổi ánh sáng và các cảnh đông đúc. Nhìn chung, điều này giúp model hoạt động đáng tin cậy hơn bên ngoài môi trường huấn luyện được kiểm soát.

Tham gia cộng đồng của chúng tôi và khám phá những xu hướng mới nhất trong AI thị giác trên repository GitHub của chúng tôi. Truy cập các trang giải pháp để tìm hiểu cách những ứng dụng như AI trong sản xuất và thị giác máy tính trong chăm sóc sức khỏe đang thúc đẩy tiến bộ, đồng thời xem các tùy chọn cấp phép để hỗ trợ giải pháp AI tiếp theo của bạn.