Hướng dẫn tối ưu về tăng cường dữ liệu năm 2025

Do sự bùng nổ của AI, các hiện tượng như robot làm việc trong nhà máy và ô tô tự lái di chuyển trên đường phố đang xuất hiện trên tiêu đề tin tức thường xuyên hơn. AI đang thay đổi cách máy móc tương tác với thế giới, từ việc cải thiện hình ảnh y tế đến hỗ trợ kiểm soát chất lượng trên các dây chuyền sản xuất.

Phần lớn sự tiến bộ này đến từ thị giác máy tính, một nhánh của AI cho phép máy móc hiểu và diễn giải hình ảnh. Giống như cách con người học cách nhận diện các vật thể và mẫu hình theo thời gian, các model thị giác AI như Ultralytics YOLO11 cần được đào tạo trên lượng lớn dữ liệu hình ảnh để phát triển khả năng hiểu biết về thị giác của chúng.

Tuy nhiên, việc thu thập một lượng lớn dữ liệu hình ảnh như vậy không phải lúc nào cũng dễ dàng. Mặc dù cộng đồng thị giác máy tính đã tạo ra nhiều tập dữ liệu lớn, chúng vẫn có thể thiếu sót một số biến thể - như hình ảnh với các vật thể trong điều kiện ánh sáng yếu, các mục bị che khuất một phần hoặc vật thể được nhìn từ các góc độ khác nhau. Những khác biệt này có thể gây nhầm lẫn cho các model thị giác máy tính chỉ được đào tạo trên các điều kiện cụ thể.

Tăng cường dữ liệu hình ảnh là một kỹ thuật giải quyết vấn đề này bằng cách đưa các biến thể mới vào dữ liệu hiện có. Bằng cách thực hiện các thay đổi đối với hình ảnh, như điều chỉnh màu sắc, xoay hoặc thay đổi góc nhìn, tập dữ liệu trở nên đa dạng hơn, giúp các model thị giác AI nhận diện vật thể tốt hơn trong các tình huống thực tế.

Trong bài viết này, chúng ta sẽ tìm hiểu cách thức hoạt động của tăng cường dữ liệu hình ảnh và tác động mà nó có thể mang lại đối với các ứng dụng thị giác máy tính.

Link to this sectionTăng cường dữ liệu hình ảnh là gì?#

Hãy tưởng tượng bạn đang cố gắng nhận diện một người bạn trong đám đông, nhưng họ đang đeo kính râm hoặc đứng ở một vị trí có bóng râm. Ngay cả với những thay đổi nhỏ về ngoại hình này, bạn vẫn biết họ là ai. Mặt khác, một model thị giác AI có thể gặp khó khăn với những biến thể như vậy trừ khi nó đã được đào tạo để nhận diện vật thể trong các bối cảnh khác nhau.

Tăng cường dữ liệu hình ảnh cải thiện hiệu suất của model thị giác máy tính bằng cách thêm các phiên bản đã sửa đổi của hình ảnh hiện có vào dữ liệu đào tạo, thay vì phải thu thập hàng ngàn hình ảnh mới.

Các thay đổi đối với hình ảnh như lật, xoay, điều chỉnh độ sáng hoặc thêm các biến dạng nhỏ giúp các model thị giác AI tiếp cận với phạm vi điều kiện rộng hơn. Thay vì dựa vào các tập dữ liệu khổng lồ, các model có thể học tập hiệu quả từ các tập dữ liệu đào tạo nhỏ hơn với các hình ảnh đã được tăng cường.

Hình 1. Ví dụ về các hình ảnh xe hơi đã được tăng cường.

Link to this sectionTầm quan trọng của tăng cường dữ liệu trong thị giác máy tính#

Dưới đây là một số lý do chính tại sao tăng cường dữ liệu lại cần thiết cho thị giác máy tính:

• Giảm yêu cầu về dữ liệu: Việc thu thập các tập dữ liệu hình ảnh lớn đòi hỏi thời gian và tài nguyên. Tăng cường dữ liệu có thể được sử dụng để đào tạo các model hiệu quả mà không cần tập dữ liệu khổng lồ.
• Ngăn chặn overfitting (quá khớp): Một model được đào tạo trên quá ít ví dụ có thể ghi nhớ các chi tiết thay vì nhận diện các mẫu hình tổng quát. Việc thêm sự đa dạng thông qua tăng cường dữ liệu đảm bảo các model thị giác AI học theo cách có thể áp dụng cho dữ liệu mới và chưa từng thấy.
• Mô phỏng hình ảnh không hoàn hảo: Hình ảnh trong các tập dữ liệu thường quá hoàn hảo, nhưng ảnh thực tế có thể bị mờ, bị che khuất hoặc bị biến dạng. Việc tăng cường hình ảnh bằng nhiễu, vật cản hoặc các biến thể khác làm cho chúng thực tế hơn.
• Nâng cao tính mạnh mẽ (robustness) của model: Đào tạo với nhiều loại hình ảnh giúp AI xử lý các thay đổi trong thế giới thực, làm cho nó trở nên đáng tin cậy hơn trong các môi trường, điều kiện ánh sáng và tình huống khác nhau.

Link to this sectionKhi nào bạn nên sử dụng tăng cường dữ liệu hình ảnh?#

Tăng cường dữ liệu hình ảnh đặc biệt hữu ích khi một model thị giác máy tính cần nhận diện vật thể trong các tình huống khác nhau nhưng không có đủ hình ảnh đa dạng.

Ví dụ, nếu các nhà nghiên cứu đang đào tạo một model thị giác AI để xác định các loài sinh vật biển hiếm gặp ít được chụp ảnh, tập dữ liệu có thể nhỏ hoặc thiếu sự đa dạng. Bằng cách tăng cường hình ảnh - điều chỉnh màu sắc để mô phỏng các độ sâu nước khác nhau, thêm nhiễu để bắt chước điều kiện nước đục, hoặc thay đổi nhẹ hình dạng để tính đến chuyển động tự nhiên - model có thể học cách phát hiện các vật thể dưới nước chính xác hơn.

Dưới đây là một số tình huống khác mà tăng cường dữ liệu tạo ra sự khác biệt lớn:

• Cân bằng tập dữ liệu: Một số vật thể có thể xuất hiện ít thường xuyên hơn trong dữ liệu đào tạo, khiến các model thị giác AI bị thiên kiến. Tăng cường dữ liệu giúp tạo ra nhiều ví dụ hơn về các vật thể hiếm để model có thể nhận diện công bằng tất cả các danh mục.
• Thích ứng với các loại máy ảnh khác nhau: Hình ảnh có thể trông khác biệt tùy thuộc vào thiết bị. Tăng cường dữ liệu giúp các model thị giác AI hoạt động tốt trên các bức ảnh có độ phân giải, ánh sáng và chất lượng khác nhau.
• Sửa lỗi gắn nhãn nhỏ: Các thay đổi nhỏ về dịch chuyển, cắt ảnh hoặc xoay giúp các model thị giác máy tính nhận diện vật thể chính xác, ngay cả khi nhãn gốc không được căn chỉnh hoàn hảo.

Link to this sectionCách thức hoạt động của tăng cường dữ liệu hình ảnh#

Trong những ngày đầu của thị giác máy tính, tăng cường dữ liệu hình ảnh chủ yếu bao gồm các kỹ thuật xử lý hình ảnh cơ bản như lật, xoay và cắt để tăng sự đa dạng cho tập dữ liệu. Khi AI cải thiện, các phương pháp nâng cao hơn đã được giới thiệu, chẳng hạn như điều chỉnh màu sắc (biến đổi không gian màu), làm sắc nét hoặc làm mờ hình ảnh (bộ lọc kernel), và trộn nhiều hình ảnh lại với nhau (pha trộn hình ảnh) để nâng cao khả năng học tập.

Tăng cường dữ liệu có thể thực hiện trước và trong quá trình đào tạo model. Trước khi đào tạo, các hình ảnh đã sửa đổi có thể được thêm vào tập dữ liệu để cung cấp sự đa dạng hơn. Trong quá trình đào tạo, hình ảnh có thể được thay đổi ngẫu nhiên theo thời gian thực, giúp các model thị giác AI thích nghi với các điều kiện khác nhau.

Những thay đổi này được thực hiện bằng cách sử dụng các biến đổi toán học. Ví dụ, xoay làm nghiêng hình ảnh, cắt bỏ các phần để mô phỏng các góc nhìn khác nhau, và thay đổi độ sáng để mô phỏng sự biến đổi ánh sáng. Làm mờ giúp làm mềm hình ảnh, làm sắc nét giúp các chi tiết rõ ràng hơn, và pha trộn hình ảnh kết hợp các phần của các hình ảnh khác nhau. Các framework thị giác AI và các công cụ như OpenCV, TensorFlow và PyTorch có thể tự động hóa các quá trình này, làm cho việc tăng cường dữ liệu trở nên nhanh chóng và hiệu quả.

Link to this sectionCác kỹ thuật tăng cường dữ liệu hình ảnh chính#

Bây giờ chúng ta đã thảo luận về tăng cường dữ liệu hình ảnh là gì, hãy cùng xem xét kỹ hơn một số kỹ thuật tăng cường dữ liệu hình ảnh cơ bản được sử dụng để nâng cao dữ liệu đào tạo.

Link to this sectionĐiều chỉnh hướng và vị trí#

Các model thị giác máy tính như YOLO11 thường cần nhận diện vật thể từ nhiều góc độ và góc nhìn khác nhau. Để hỗ trợ điều này, hình ảnh có thể được lật theo chiều ngang hoặc chiều dọc để model AI học cách nhận diện vật thể từ các góc nhìn khác nhau.

Tương tự, việc xoay hình ảnh nhẹ nhàng làm thay đổi góc độ của chúng, cho phép model xác định vật thể từ nhiều góc nhìn. Ngoài ra, việc dịch chuyển hình ảnh theo các hướng khác nhau (dịch chuyển tịnh tiến) giúp các model điều chỉnh với những thay đổi nhỏ về vị trí. Những biến đổi này đảm bảo các model tổng quát hóa tốt hơn với các điều kiện thực tế nơi vị trí vật thể trong hình ảnh là khó dự đoán.

Hình 2. Các phương pháp tăng cường liên quan đến hướng và vị trí khác nhau.

Link to this sectionThay đổi kích thước và cắt ảnh#

Đối với các giải pháp thị giác máy tính thực tế, các vật thể trong hình ảnh có thể xuất hiện ở các khoảng cách và kích thước khác nhau. Các model thị giác AI phải đủ mạnh mẽ để phát hiện chúng bất kể những khác biệt này.

Để cải thiện khả năng thích ứng, các phương pháp tăng cường sau đây có thể được sử dụng:

• Thay đổi tỷ lệ (Scaling): Thay đổi kích thước làm thay đổi kích cỡ hình ảnh trong khi vẫn giữ nguyên tỷ lệ, cho phép các model AI phát hiện vật thể ở các khoảng cách khác nhau.
• Cắt ảnh (Cropping): Phương pháp này loại bỏ các phần không cần thiết của hình ảnh, giúp model tập trung vào các khu vực chính và giảm sự xao nhãng từ nền.
• Cắt xén hình học (Shearing): Làm nghiêng một hình ảnh nhẹ nhàng mô phỏng ngoại hình bị nghiêng hoặc bị kéo giãn, giúp AI nhận diện vật thể từ các góc độ khác nhau.

Những điều chỉnh này giúp các model thị giác máy tính nhận diện vật thể ngay cả khi kích thước hoặc hình dạng của chúng thay đổi nhẹ.

Link to this sectionĐiều chỉnh phối cảnh và biến dạng#

Vật thể trong hình ảnh có thể xuất hiện khác biệt tùy thuộc vào góc máy ảnh, gây khó khăn cho việc nhận diện đối với các model thị giác máy tính. Để giúp các model xử lý những biến thể này, các kỹ thuật tăng cường có thể điều chỉnh cách các vật thể được hiển thị trong hình ảnh.

Ví dụ, các phép biến đổi phối cảnh có thể thay đổi góc nhìn, làm cho một vật thể trông như thể nó đang được nhìn từ một vị trí khác. Điều này cho phép các model thị giác AI nhận diện vật thể ngay cả khi chúng bị nghiêng hoặc được chụp từ một góc nhìn lạ.

Một ví dụ khác là biến đổi đàn hồi, kéo giãn, uốn cong hoặc làm cong hình ảnh để mô phỏng các biến dạng tự nhiên để các vật thể xuất hiện như cách chúng xuất hiện trong hình phản chiếu hoặc dưới áp lực.

Link to this sectionĐiều chỉnh màu sắc và ánh sáng#

Các điều kiện ánh sáng và khác biệt màu sắc có thể ảnh hưởng đáng kể đến cách các model thị giác AI diễn giải hình ảnh. Vì các vật thể có thể xuất hiện khác biệt dưới các bối cảnh ánh sáng khác nhau, các kỹ thuật tăng cường sau đây có thể giúp xử lý các tình huống này:

• Điều chỉnh độ sáng và độ tương phản: Mô phỏng các điều kiện ánh sáng khác nhau giúp các model thị giác AI nhận diện vật thể trong cả môi trường sáng và tối.
• Chỉnh màu (Color jittering): Việc thay đổi ngẫu nhiên sắc độ, độ bão hòa và cân bằng màu sắc làm cho các model thị giác máy tính dễ thích ứng hơn với các loại máy ảnh và điều kiện ánh sáng khác nhau.
• Chuyển đổi sang thang độ xám (Grayscale): Chuyển đổi hình ảnh sang đen trắng khuyến khích các model thị giác AI tập trung vào hình dạng và kết cấu thay vì màu sắc.

Hình 3. Ví dụ về tăng cường liên quan đến biến thể màu sắc.

Link to this sectionCác kỹ thuật tăng cường dữ liệu hình ảnh nâng cao#

Cho đến nay, chúng ta mới chỉ khám phá các kỹ thuật tăng cường sửa đổi một hình ảnh đơn lẻ. Tuy nhiên, một số phương pháp nâng cao bao gồm việc kết hợp nhiều hình ảnh để cải thiện khả năng học tập của AI.

Ví dụ, MixUp pha trộn hai hình ảnh với nhau, giúp các model thị giác máy tính hiểu các mối quan hệ giữa các vật thể và cải thiện khả năng tổng quát hóa của chúng trong các kịch bản khác nhau. CutMix tiến thêm một bước bằng cách thay thế một phần của hình ảnh này bằng một phần của hình ảnh khác, cho phép các model học từ nhiều bối cảnh trong cùng một hình ảnh. Trong khi đó, CutOut hoạt động khác biệt bằng cách loại bỏ các phần ngẫu nhiên của hình ảnh, đào tạo các model thị giác AI nhận diện vật thể ngay cả khi chúng bị che khuất hoặc bị cản trở một phần.

Hình 4. Các kỹ thuật tăng cường dữ liệu hình ảnh nâng cao.

Link to this sectionVai trò của AI tạo sinh trong tăng cường dữ liệu hình ảnh#

AI tạo sinh (Generative AI) đang trở nên phổ biến trên nhiều ngành công nghiệp và các ứng dụng hàng ngày. Bạn có thể đã bắt gặp nó liên quan đến hình ảnh do AI tạo ra, video deepfake hoặc các ứng dụng tạo avatar thực tế. Nhưng ngoài khả năng sáng tạo và giải trí, AI tạo sinh đóng một vai trò quan trọng trong việc đào tạo các model thị giác AI bằng cách tạo ra các hình ảnh mới từ những hình ảnh hiện có.

Thay vì chỉ lật hoặc xoay ảnh, nó có thể tạo ra các biến thể thực tế - thay đổi biểu cảm khuôn mặt, phong cách trang phục hoặc thậm chí mô phỏng các điều kiện thời tiết khác nhau. Những biến thể này giúp các model thị giác máy tính trở nên dễ thích ứng và chính xác hơn trong các kịch bản thực tế đa dạng. Các model AI tạo sinh nâng cao như GAN (Generative Adversarial Networks) và diffusion models cũng có thể bổ sung các chi tiết còn thiếu hoặc tạo ra các hình ảnh tổng hợp chất lượng cao.

Link to this sectionCác hạn chế của tăng cường dữ liệu hình ảnh#

Mặc dù tăng cường dữ liệu cải thiện tập dữ liệu đào tạo, cũng có một số hạn chế cần xem xét. Dưới đây là một vài thách thức chính liên quan đến tăng cường dữ liệu hình ảnh:

• Sự đa dạng dữ liệu hạn chế: Các hình ảnh đã tăng cường đến từ dữ liệu hiện có và không thể giới thiệu các mẫu hình hoàn toàn mới hoặc các góc nhìn hiếm.
• Tiềm ẩn biến dạng dữ liệu: Các biến đổi quá mức có thể làm hình ảnh trở nên phi thực tế, có khả năng làm giảm độ chính xác của model trong các kịch bản thực tế.
• Tăng cường độ tính toán: Tăng cường dữ liệu thời gian thực diễn ra trong quá trình đào tạo model có thể đòi hỏi khá nhiều năng lực xử lý, làm chậm quá trình đào tạo và tăng mức sử dụng bộ nhớ.
• Sự mất cân bằng dữ liệu vẫn tồn tại: Tăng cường dữ liệu không tạo ra các mẫu hoàn toàn mới, vì vậy các danh mục ít được đại diện vẫn có thể dẫn đến việc học tập bị thiên kiến.

Link to this sectionMột ứng dụng thực tế của tăng cường dữ liệu hình ảnh#

Một ứng dụng thú vị của tăng cường dữ liệu hình ảnh là trong ô tô tự lái, nơi các quyết định trong tích tắc được đưa ra bởi các model thị giác máy tính như YOLO11 là rất quan trọng. Model phải có khả năng phát hiện đường sá, con người và các vật thể khác một cách chính xác.

Tuy nhiên, các điều kiện thực tế mà xe tự lái gặp phải có thể khó dự đoán. Thời tiết xấu, mờ do chuyển động và biển báo bị che khuất có thể làm cho các giải pháp thị giác AI trong lĩnh vực này trở nên phức tạp. Đào tạo các model thị giác máy tính chỉ với hình ảnh thực tế thường là không đủ. Các tập dữ liệu hình ảnh cho các model trong xe tự lái cần phải đa dạng để model có thể học cách xử lý các tình huống bất ngờ.

Tăng cường dữ liệu hình ảnh giải quyết vấn đề này bằng cách mô phỏng sương mù, điều chỉnh độ sáng và làm biến dạng hình dạng. Những thay đổi này giúp các model nhận diện vật thể trong các điều kiện khác nhau. Kết quả là, các model trở nên thông minh và đáng tin cậy hơn.

Với việc đào tạo có tăng cường, các giải pháp thị giác AI trên xe tự lái thích ứng tốt hơn và đưa ra các quyết định an toàn hơn. Kết quả chính xác hơn đồng nghĩa với việc ít tai nạn hơn và cải thiện khả năng điều hướng.

Hình 5. Một ví dụ về tăng cường dữ liệu hình ảnh liên quan đến xe tự lái.

Xe tự lái chỉ là một ví dụ. Trên thực tế, tăng cường dữ liệu hình ảnh rất quan trọng trong nhiều ngành, từ hình ảnh y tế đến phân tích bán lẻ. Bất kỳ ứng dụng nào dựa vào thị giác máy tính đều có thể hưởng lợi từ tăng cường dữ liệu hình ảnh.

Link to this sectionCác điểm chính cần lưu ý#

Các hệ thống thị giác AI cần có khả năng nhận diện vật thể trong các điều kiện khác nhau, nhưng việc thu thập vô tận các hình ảnh thực tế để đào tạo có thể khó khăn. Tăng cường dữ liệu hình ảnh giải quyết vấn đề này bằng cách tạo ra các biến thể của hình ảnh hiện có, giúp các model học nhanh hơn và hoạt động tốt hơn trong các tình huống thực tế. Nó cải thiện độ chính xác, đảm bảo các model thị giác AI như YOLO11 có thể xử lý các điều kiện ánh sáng, góc độ và môi trường khác nhau.

Đối với doanh nghiệp và nhà phát triển, tăng cường dữ liệu hình ảnh giúp tiết kiệm thời gian và công sức đồng thời làm cho các model thị giác máy tính trở nên đáng tin cậy hơn. Từ chăm sóc sức khỏe đến ô tô tự lái, nhiều ngành công nghiệp phụ thuộc vào nó. Khi Thị giác AI tiếp tục phát triển, tăng cường dữ liệu sẽ tiếp tục là một phần thiết yếu trong việc xây dựng các model thông minh hơn và dễ thích ứng hơn cho tương lai.

Tham gia cộng đồng của chúng tôi và truy cập kho lưu trữ GitHub của chúng tôi để thấy AI hoạt động trong thực tế. Khám phá các tùy chọn cấp phép của chúng tôi và tìm hiểu thêm về AI trong nông nghiệp và thị giác máy tính trong sản xuất trên các trang giải pháp của chúng tôi.