Quản lý dataset thông minh trong thị giác máy tính bằng Ultralytics Platform

Vision AI, hay computer vision, đã phát triển vượt bậc kể từ những ngày đầu, từ lĩnh vực nghiên cứu thử nghiệm trở thành công nghệ then chốt hỗ trợ các ứng dụng thực tế. Ngày nay, những người đam mê AI có thể xây dựng các model mạnh mẽ cho những tác vụ như phát hiện đối tượng và phân đoạn instance bằng các công cụ và framework dễ tiếp cận.

Tuy nhiên, khi các ứng dụng này chuyển từ thử nghiệm sang production, việc quản lý dataset vẫn là một thách thức thiết yếu nhưng thường bị xem nhẹ. Khi dataset computer vision ngày càng lớn và phức tạp, các nhóm thường gặp khó khăn trong việc duy trì annotation nhất quán, theo dõi thay đổi giữa các phiên bản và đảm bảo chất lượng dữ liệu tổng thể.

Ngay cả model tiên tiến cũng có thể hoạt động kém trong môi trường thực tế nếu dữ liệu dùng để huấn luyện không đầy đủ, mất cân bằng hoặc được quản lý kém. Khoảng cách ngày càng lớn giữa hiệu năng trong quá trình phát triển và độ tin cậy ngoài thực tế cho thấy cần có cách tiếp cận có cấu trúc hơn đối với việc quản lý dataset.

Một hạn chế phổ biến khác là việc thu thập dữ liệu, gán nhãn và training thường được thực hiện bằng các công cụ riêng biệt. Quy trình rời rạc khiến việc quản lý dataset hiệu quả trở nên khó khăn hơn, làm tăng nguy cơ thiếu nhất quán và làm chậm quá trình lặp cải tiến.

Để giải quyết các điểm nghẽn trong vision AI như quản lý dataset và quy trình rời rạc, gần đây chúng tôi đã ra mắt Ultralytics Platform. Đây là workspace đầu cuối, hợp nhất việc quản lý dataset, gán nhãn, training, triển khai và giám sát trong một quy trình thống nhất.

Bằng cách kết nối từng giai đoạn trong vòng đời computer vision, việc theo dõi thay đổi của dataset, so sánh hiệu năng giữa các phiên bản và liên tục tinh chỉnh dữ liệu để đạt kết quả tốt hơn trở nên dễ dàng hơn.

Hình 1. Ví dụ về cách xem ảnh trong dataset trên Ultralytics Platform (Nguồn)

Trong bài viết này, chúng ta sẽ tìm hiểu sâu cách Ultralytics Platform giúp bạn theo dõi, so sánh và cải thiện dataset để xây dựng model thị giác máy tính đáng tin cậy hơn.

Tầm quan trọng của việc quản lý dataset trong computer vision#

Hiệu năng của model computer vision gắn chặt với dữ liệu dùng để training model. Độ chính xác của model, tức tần suất dự đoán đúng, không chỉ phụ thuộc vào thuật toán mà còn phụ thuộc vào mức độ dataset mô phỏng tốt các điều kiện thực tế.

Nói đơn giản, model học trực tiếp các mẫu từ dữ liệu, vì vậy mọi thiếu sót, thiên lệch hoặc điểm thiếu nhất quán trong dataset đều có thể ảnh hưởng đến cách model đưa ra dự đoán. Nói cách khác, dữ liệu chất lượng thấp, annotation không chính xác hoặc phạm vi bao phủ hạn chế đối với các biến thể trong ảnh ngoài thực tế—chẳng hạn như điều kiện ánh sáng, góc nhìn của vật thể, nền hoặc mức độ che khuất khác nhau—có thể làm giảm đáng kể độ chính xác, ngay cả khi kiến trúc model vốn đã mạnh.

Điều này cũng áp dụng khi fine-tune model, tức là training thêm một model đã được pretrain trên dữ liệu mới hoặc đã cập nhật để model thích ứng tốt hơn với trường hợp sử dụng hoặc môi trường cụ thể. Vì độ chính xác của model phụ thuộc rất nhiều vào dữ liệu, việc quản lý dữ liệu đúng cách trở nên thiết yếu.

Quản lý dataset bao gồm việc sắp xếp, gán nhãn và liên tục cập nhật dữ liệu để duy trì tính chính xác và phù hợp. Nhờ đó, việc cải thiện hiệu năng theo thời gian trở nên dễ dàng hơn, đặc biệt khi retrain hoặc fine-tune model trên dữ liệu mới.

Chất lượng dataset ảnh hưởng như thế nào đến độ tin cậy trong thực tế#

Các trường hợp sử dụng computer vision, chẳng hạn như hệ thống giám sát an ninh, là ví dụ điển hình cho thấy vì sao quản lý dữ liệu đúng cách lại quan trọng. Những hệ thống này cần hoạt động đáng tin cậy trong nhiều điều kiện thực tế, bao gồm môi trường ánh sáng, góc camera, mật độ đám đông và mức độ che khuất một phần khác nhau.

Nếu dữ liệu training không bao quát những biến thể này hoặc thiếu đa dạng về hình thức xuất hiện của vật thể trong các cảnh và điều kiện khác nhau, model có thể gặp khó khăn khi phát hiện vật thể chính xác. Ví dụ, model chủ yếu được training trên các cảnh đủ sáng, ít vật cản có thể hoạt động kém trong môi trường thiếu sáng hoặc đông đúc. Trong các hệ thống an ninh, điều này có thể dẫn đến bỏ sót sự kiện hoặc cảnh báo sai.

Để tránh tình trạng này, điều quan trọng là duy trì các dataset không chỉ sạch và được gán nhãn chính xác mà còn cân bằng tốt và được cập nhật liên tục. Điều này có nghĩa là cần xác định các khoảng trống trong dữ liệu, bổ sung ví dụ mới khi điều kiện thay đổi và đảm bảo các class cũng như môi trường được thể hiện đồng đều.

Với dataset đầy đủ và có cấu trúc hơn, model được trang bị tốt hơn để xử lý các biến thiên trong thực tế và đưa ra dự đoán đáng tin cậy hơn.

Các khía cạnh chính của việc quản lý dataset#

Vậy quản lý dataset thực sự bao gồm những gì? Quy trình này bao gồm sắp xếp, gán nhãn và duy trì dữ liệu để dữ liệu có thể được sử dụng hiệu quả trong suốt quá trình phát triển model.

Ví dụ, việc sắp xếp dữ liệu bao gồm cấu trúc dataset và chia dữ liệu thành tập huấn luyện, tập xác thực và tập kiểm thử. Tập huấn luyện được dùng để dạy model, tập xác thực dùng để theo dõi hiệu năng và định hướng điều chỉnh trong quá trình phát triển, còn tập kiểm thử dùng để đánh giá hiệu năng của model cuối cùng trên dữ liệu hoàn toàn chưa từng thấy.

Trong khi đó, gán nhãn bao gồm việc annotation ảnh bằng các thông tin như nhãn class, bounding box hoặc mask phân đoạn. Vì model học từ những annotation này, độ chính xác và tính nhất quán là yếu tố then chốt giúp model học được các mẫu có ý nghĩa và đưa ra dự đoán đáng tin cậy.

Ngoài ra, duy trì dataset bao gồm việc rà soát và cập nhật dữ liệu theo thời gian. Việc này có thể bao gồm sửa lỗi annotation, loại bỏ dữ liệu chất lượng thấp hoặc trùng lặp và bổ sung ví dụ mới để bao quát các trường hợp còn thiếu hoặc điều kiện đang thay đổi.

Nhìn rộng hơn, quản lý dataset là một quy trình liên tục. Khi model được đánh giá và dữ liệu mới được thu thập, dataset cần được cập nhật để phản ánh các điều kiện thực tế và trường hợp ngoại lệ. Việc theo dõi những cập nhật này và so sánh các phiên bản khác nhau giúp nhóm hiểu điều gì đang cải thiện hiệu năng và cần thay đổi thêm ở đâu.

Quản lý dataset bằng Ultralytics Platform#

Ultralytics Platform cung cấp quy trình có cấu trúc để quản lý dataset trong một môi trường duy nhất, bao quát mọi khâu từ chuẩn bị dữ liệu đến export. Nền tảng được thiết kế để hỗ trợ cả nhà phát triển cá nhân lẫn nhóm, giúp quản lý dataset nhất quán dễ dàng hơn dù bạn làm việc độc lập hay cộng tác giữa các dự án.

Mỗi giai đoạn được thiết kế nhằm đơn giản hóa cách dataset được sắp xếp, xử lý và sử dụng trong suốt vòng đời phát triển model. Bằng cách tập hợp các bước này tại một nơi, nền tảng giảm sự rời rạc và giúp duy trì tính nhất quán giữa các quy trình dễ dàng hơn.

Tiếp theo, hãy cùng tìm hiểu các bước chính và cách nền tảng hỗ trợ từng bước.

Tải dataset lên Ultralytics Platform#

Bạn có thể bắt đầu làm việc với dataset trên nền tảng một cách linh hoạt, với nhiều cách để đưa dữ liệu vào hoặc tái sử dụng dữ liệu. Bạn có thể tải dữ liệu của mình lên hoặc bắt đầu nhanh hơn bằng các dataset công khai có sẵn trên nền tảng. Bạn cũng có thể clone các dataset hiện có do cộng đồng chia sẻ và xây dựng dựa trên đó.

Các tính năng cộng đồng của nền tảng giúp bạn dễ dàng khám phá và tái sử dụng những sản phẩm hiện có. Nhờ truy cập các dataset do người dùng khác tạo, bao gồm hàng triệu ảnh và annotation, bạn có thể bắt đầu nhanh chóng mà không cần tự thu thập và gán nhãn mọi thứ. Clone dataset sẽ tạo một bản sao trong workspace của bạn, cho phép bạn chỉnh sửa và mở rộng dataset mà vẫn giữ nguyên bản gốc.

Đối với việc tải lên, nền tảng hỗ trợ ảnh riêng lẻ, video và tệp lưu trữ dataset như ZIP, TAR hoặc GZ. Nền tảng cũng hỗ trợ các định dạng dataset được sử dụng rộng rãi như YOLO và COCO, giúp dễ dàng nhập dataset và chú thích hiện có mà không cần chuyển đổi thêm. Ngoài ra, bạn có thể tải dataset lên bằng tệp NDJSON được xuất từ nền tảng, giúp dễ dàng tái tạo hoặc sử dụng lại dataset giữa các dự án.

Sau khi dữ liệu được tải lên, nền tảng xử lý dữ liệu thông qua một pipeline có cấu trúc. Quy trình này bao gồm xác thực định dạng và kích thước tệp, thay đổi kích thước ảnh khi cần, phân tích annotation và tạo thống kê dataset.

Ví dụ, video được chuyển thành các frame để dùng cho training, còn ảnh được tối ưu hóa và chuẩn bị để dễ duyệt cũng như phân tích hơn. Sau khi xử lý, dataset sẵn sàng được sử dụng để gán nhãn, phân tích và training model ngay trên nền tảng.

Gán nhãn dữ liệu trên Ultralytics Platform#

Sau khi tải lên, có thể xem xét và gán nhãn dataset trực tiếp trên nền tảng. Nền tảng tích hợp sẵn các công cụ gán nhãn ảnh cho nhiều tác vụ thị giác máy tính như phát hiện đối tượng, phân đoạn instance, phân đoạn ngữ nghĩa, phân loại ảnh, ước tính tư thế và phát hiện bounding box có định hướng (OBB).

Hình 2. Sử dụng Ultralytics Platform để gán nhãn dữ liệu (Nguồn)

Có thể tạo annotation thủ công bằng các công cụ này hoặc tăng tốc bằng các tính năng có AI hỗ trợ như gán nhãn thông minh dùng SAM. Với SAM, bạn có thể tạo mask, bounding box hoặc hộp định hướng bằng cách tương tác với ảnh, giúp đẩy nhanh quá trình gán nhãn mà vẫn đảm bảo độ chính xác.

Phân tích chất lượng dataset thông qua Ultralytics Platform#

Ngoài việc chuẩn bị và gán nhãn dữ liệu, hiểu rõ chất lượng dataset là điều thiết yếu để xây dựng model computer vision đáng tin cậy. Nếu không nắm rõ các yếu tố như phân bố class, chất lượng annotation, cách chia dataset và cách dữ liệu được thể hiện trong các điều kiện khác nhau, việc phát hiện những vấn đề ảnh hưởng đến hiệu năng model có thể trở nên khó khăn.

Ultralytics Platform tích hợp các tính năng giúp phân tích dataset hiệu quả hơn. Bạn có thể xem trực tiếp các thông tin chuyên sâu này trong giao diện dataset, qua những tab như Images, Classes và Charts.

Trong tab Charts, bạn có thể xem các thống kê ở cấp dataset như phân bố các tập (training, validation và test), tần suất class và heatmap annotation thể hiện vị trí xuất hiện của vật thể trong ảnh.

Tab Classes cung cấp thống kê số lượng annotation theo từng class, giúp phát hiện tình trạng mất cân bằng class dễ dàng hơn. Trong khi đó, tab Images hiển thị thông tin chi tiết ở cấp ảnh như kích thước, số lượng annotation và cách nhãn được phân bố trên từng ảnh.

Những thông tin chuyên sâu này giúp việc xác định các vấn đề như mất cân bằng class, thiếu tình huống hoặc phân bố dữ liệu không đồng đều trở nên dễ dàng hơn. Chẳng hạn, bạn có thể nhận thấy một số class có rất ít ví dụ hoặc phần lớn annotation tập trung ở những khu vực cụ thể trong ảnh.

Ngoài phân tích dữ liệu, nền tảng còn hỗ trợ tuyển chọn và tăng cường dataset, tức là tinh chỉnh dataset bằng cách sửa hoặc loại bỏ dữ liệu có vấn đề và tạo các biến thể từ dữ liệu hiện có để cải thiện hiệu năng model. Bạn có thể thực hiện những cải tiến này trực tiếp trên nền tảng bằng cách cập nhật annotation, thêm dữ liệu mới hoặc sắp xếp lại các tập dataset dựa trên thông tin thu được từ phân tích.

Export dataset từ Ultralytics Platform#

Sau khi dataset được chuẩn bị và xác thực, bạn có thể export dataset để sử dụng trong các môi trường khác nhau. Nhờ đó, bạn có thể linh hoạt sử dụng dữ liệu computer vision ở bất cứ đâu, dù là training model cục bộ, trên cloud hay bằng các công cụ và quy trình khác.

Ultralytics Platform xuất dataset dưới dạng tệp Ultralytics NDJSON, một định dạng mà gói Python của Ultralytics có thể dùng trực tiếp để huấn luyện và cũng có thể nhập lại vào nền tảng, giúp dễ dàng tích hợp dataset vào nhiều quy trình huấn luyện và công cụ khác nhau.

Hình 3. Export dataset từ Ultralytics Platform (Nguồn)

Export dataset sẽ tạo một snapshot dữ liệu cố định tại một thời điểm cụ thể, bao gồm ảnh, annotation và cấu trúc của dataset. Điều này hữu ích vì dataset thường thay đổi khi có dữ liệu mới được thêm vào, annotation được cập nhật hoặc cách chia tập được điều chỉnh. Bằng cách export snapshot, bạn có thể lưu giữ chính xác phiên bản dataset đã dùng cho một lần training cụ thể.

Nhờ vậy, việc tái tạo kết quả sau này trở nên đơn giản hơn, vì bạn có thể training lại model trên cùng cấu hình dữ liệu và so sánh hiệu năng giữa các phiên bản dataset khác nhau. Ví dụ, bạn có thể đánh giá liệu việc thêm ảnh mới hoặc sửa annotation có thực sự cải thiện độ chính xác của model hay không, thay vì phỏng đoán những gì đã thay đổi.

Có thể tải dataset đã xuất xuống để sử dụng trong môi trường huấn luyện cục bộ, trên đám mây hoặc ngoại tuyến.

Cải thiện chất lượng dataset qua các vòng lặp trên Ultralytics Platform#

Trong quy trình machine learning và deep learning, việc quản lý dataset vẫn tiếp tục sau khi triển khai vì dữ liệu thực tế thường khác với dữ liệu dùng trong quá trình training.

Khi model gặp các input mới, những thiếu sót trong dataset—chẳng hạn như thiếu các điều kiện như môi trường thiếu sáng, góc camera khác nhau, hiện tượng che khuất hoặc cảnh đông đúc—cũng như lỗi annotation sẽ trở nên rõ ràng hơn, khiến việc tinh chỉnh dữ liệu theo thời gian trở nên cần thiết.

Có một số cách để cải thiện dataset. Bạn có thể thêm ảnh hoặc video mới để bao quát các điều kiện còn thiếu, chẳng hạn như môi trường thiếu sáng, góc camera khác nhau, hiện tượng che khuất hoặc cảnh đông đúc, qua đó giúp giảm điểm mù trong dữ liệu.

Đồng thời, đảm bảo annotation chính xác và nhất quán—chẳng hạn như gán nhãn đối tượng đúng cách và tạo bounding box hoặc mask chính xác—giúp model học được các mẫu đáng tin cậy hơn.

Quy trình này thường tuân theo một vòng lặp đơn giản: training model, đánh giá kết quả, xác định lỗi, cải thiện dataset và training lại. Mỗi bước giúp làm rõ các vấn đề như annotation không chính xác, dữ liệu còn thiếu hoặc các trường hợp ít được đại diện.

Giả sử bạn đang phát triển hệ thống giám sát kệ hàng bán lẻ theo thời gian thực để phát hiện sản phẩm trong cửa hàng. Các phiên bản dataset ban đầu có thể chưa bao gồm một số loại sản phẩm, điều kiện ánh sáng hoặc cách sắp xếp kệ đông đúc. Trong quá trình đánh giá, bạn có thể nhận thấy model gặp khó khăn khi phát hiện mặt hàng trong những tình huống này.

Để cải thiện hiệu năng, bạn có thể thu thập ảnh mới bao quát những tình huống còn thiếu và cập nhật annotation khi cần. Lặp lại quy trình này theo thời gian giúp model ngày càng chính xác và đáng tin cậy hơn trong điều kiện thực tế.

Ultralytics Platform hỗ trợ quy trình này bằng cách kết nối các bản cập nhật dataset với training và đánh giá. Nhờ chức năng theo dõi thí nghiệm và các chỉ số hiệu năng tích hợp, việc theo dõi tiến độ và liên tục cải thiện dataset theo thời gian trở nên dễ dàng hơn.

Theo dõi thay đổi dataset bằng Ultralytics Platform#

Chúng ta đã đề cập sơ lược đến việc dataset thay đổi theo thời gian trong quá trình phát triển model. Khi dữ liệu mới được thêm vào, annotation được tinh chỉnh và class được cập nhật, việc theo dõi những thay đổi này trở nên then chốt để duy trì chất lượng dữ liệu và đảm bảo hiệu năng model nhất quán.

Dưới đây là một số tính năng chính của Ultralytics Platform hỗ trợ theo dõi dataset và kiểm soát phiên bản:

• Tạo phiên bản dataset: Bạn có thể tạo các phiên bản dataset cố định dưới dạng snapshot NDJSON. Mỗi phiên bản ghi lại những thông tin chính như số lượng ảnh, số lượng class, số lượng annotation và kích thước dataset tại một thời điểm cụ thể. Các phiên bản này được lưu trữ và có thể tải xuống sau, giúp tái tạo thí nghiệm và so sánh kết quả giữa các trạng thái dataset khác nhau dễ dàng hơn.
• Tab Versions: Tất cả phiên bản dataset được sắp xếp trong tab Versions, nơi bạn có thể xem lịch sử phiên bản, thêm mô tả cho các thay đổi và theo dõi quá trình dataset phát triển theo thời gian.
• Liên kết với model: Tab Models hiển thị tất cả model được training trên một dataset, bao gồm các chỉ số như mAP và thông tin chi tiết về quá trình training. Phiên bản dataset được liên kết với các lần training, giúp bạn hiểu những thay đổi trong dữ liệu ảnh hưởng như thế nào đến hiệu năng model.
• Tab Errors: Tab Errors làm nổi bật các tệp gặp lỗi trong quá trình xử lý, kèm theo thông tin chi tiết về lỗi và đề xuất khắc phục. Nhờ đó, bạn có thể xác định và sửa các vấn đề như tệp bị hỏng hoặc định dạng không được hỗ trợ trước khi training.
• Giao diện dataset (tab Images và Classes): Các chế độ xem này cho phép bạn duyệt ảnh, rà soát annotation, quản lý nhãn class và phân tích phân bố class. Những tính năng như lọc, sắp xếp và xác định ảnh chưa được gán nhãn giúp việc theo dõi chất lượng dataset theo thời gian trở nên đơn giản hơn.
• Thống kê và biểu đồ: Các hình ảnh trực quan hóa dữ liệu tích hợp, chẳng hạn như phân bố các tập, tần suất class và heatmap annotation, giúp theo dõi thay đổi trong phân bố dữ liệu và xác định tình trạng mất cân bằng khi dataset phát triển.

Hình 4. Minh họa việc phân tích phân bố class của dataset trên Ultralytics Platform (Nguồn)

Kết nối dataset với training và triển khai trên Ultralytics Platform#

Ultralytics Platform kết nối các giai đoạn khác nhau trong quá trình phát triển model AI thành một pipeline duy nhất. Điều này giúp tinh giản quy trình chuyển từ dữ liệu thô sang các ứng dụng vision AI sẵn sàng cho production.

Sau khi dataset được chuẩn bị và gán nhãn, bạn có thể sử dụng dataset để training model computer vision, chẳng hạn như Ultralytics YOLO26, trực tiếp trên nền tảng. Trong quá trình training, bạn có thể theo dõi các chỉ số hiệu năng, tracking thí nghiệm và đánh giá mức độ model học được thông qua các dashboard tích hợp.

Hình 5. Minh họa việc xem các chỉ số training model trên Ultralytics Platform (Nguồn)

Sau khi training, bạn có thể kiểm thử model trên ảnh mới ngay trong trình duyệt để đánh giá dự đoán và xác định những điểm cần cải thiện trước khi triển khai. Khi model hoạt động tốt, bạn có thể triển khai model vào production.

Nền tảng hỗ trợ export model sang nhiều định dạng hoặc triển khai model thông qua các dịch vụ inference và endpoint chuyên dụng, cho phép chạy model trong nhiều môi trường khác nhau.

Sau khi triển khai, các công cụ giám sát tích hợp giúp theo dõi hiệu năng hệ thống theo thời gian, bao gồm các chỉ số liên quan đến mức độ sử dụng và hành vi của model. Nhờ vậy, việc duy trì và cải thiện các hệ thống vision AI trong ứng dụng thực tế trở nên đơn giản hơn.

Các phương pháp hay nhất để quản lý dataset bằng Ultralytics Platform#

Dưới đây là một số yếu tố chính cần lưu ý khi quản lý dataset bằng Ultralytics Platform:

• Dùng bộ lọc để tìm khoảng trống: Xác định dữ liệu chưa gán nhãn hoặc chưa được đại diện đầy đủ bằng công cụ lọc, giúp hoàn thiện chú thích và cải thiện phạm vi bao phủ.
• Khắc phục lỗi sớm: Sử dụng tab Errors để kiểm soát chất lượng, phát hiện các lượt tải lên thất bại, tệp bị hỏng hoặc định dạng không được hỗ trợ trước khi huấn luyện.
• Liên tục cập nhật dataset: Thêm dữ liệu mới, sửa chú thích và bổ sung các trường hợp ngoại lệ khi chúng xuất hiện. Việc này giúp cải thiện độ bao phủ và đảm bảo model hoạt động đáng tin cậy trong các tình huống thực tế.
• Quản lý cẩn thận các tập dữ liệu: Đảm bảo sự cân bằng hợp lý giữa tập huấn luyện, tập validation và tập kiểm tra. Bạn có thể sắp xếp lại các tập theo cách thủ công hoặc dùng tính năng phân phối lại tự động khi cần.

Để tìm hiểu thêm về Ultralytics Platform, hãy xem tài liệu chính thức của Ultralytics Platform.

Điểm chính cần ghi nhớ#

Khi các dự án thị giác máy tính mở rộng quy mô, việc quản lý dataset hiệu quả trở nên quan trọng không kém quá trình phát triển model. Phương pháp quản lý dataset có cấu trúc giúp nâng cao chất lượng dữ liệu, tinh giản quy trình làm việc và hỗ trợ cải thiện hiệu suất model theo thời gian.

Ultralytics Platform đơn giản hóa quy trình này bằng cách tích hợp quản lý dataset, huấn luyện và triển khai trong một quy trình làm việc duy nhất. Bằng cách áp dụng phương pháp quản lý dataset có cấu trúc, các nhóm có thể giảm độ phức tạp, nâng cao hiệu quả và xây dựng các hệ thống thị giác máy tính có khả năng mở rộng tốt hơn và đáng tin cậy hơn.

Tham gia cộng đồng đang phát triển của chúng tôi và khám phá repository GitHub để tìm tài nguyên AI. Để bắt đầu xây dựng với vision AI ngay hôm nay, hãy xem các tùy chọn cấp phép. Tìm hiểu cách AI trong nông nghiệp đang chuyển đổi ngành trồng trọt và cách vision AI trong chăm sóc sức khỏe định hình tương lai bằng cách truy cập các trang giải pháp của chúng tôi.