Các kỹ thuật học AI được sử dụng trong computer vision

Machine learning là một dạng trí tuệ nhân tạo (AI), giúp máy tính học từ dữ liệu để tự đưa ra quyết định mà không cần lập trình chi tiết cho từng tác vụ. Machine learning bao gồm việc tạo các model thuật toán có khả năng xác định mẫu trong dữ liệu. Bằng cách xác định mẫu trong dữ liệu và học từ chúng, các thuật toán này có thể dần cải thiện hiệu suất theo thời gian.

Một lĩnh vực mà machine learning đóng vai trò then chốt là computer vision, lĩnh vực AI tập trung vào dữ liệu trực quan. Computer vision sử dụng machine learning để giúp máy tính phát hiện và nhận diện mẫu trong hình ảnh và video. Nhờ những tiến bộ của machine learning, giá trị thị trường toàn cầu của computer vision được ước tính đạt khoảng 175,72 tỷ USD vào năm 2032.

Trong bài viết này, chúng ta sẽ tìm hiểu các loại machine learning khác nhau được sử dụng trong computer vision, bao gồm học có giám sát, học không giám sát, học tăng cường và học chuyển giao, cũng như vai trò của từng loại trong các ứng dụng khác nhau.

Tổng quan về machine learning trong thị giác máy tính#

Computer vision dựa vào machine learning, đặc biệt là các kỹ thuật như deep learning và mạng nơ-ron, để diễn giải và phân tích thông tin trực quan. Những phương pháp này giúp máy tính thực hiện các tác vụ computer vision như phát hiện đối tượng trong ảnh, phân loại ảnh theo danh mục và nhận diện khuôn mặt. Machine learning cũng thiết yếu đối với các ứng dụng computer vision theo thời gian thực như kiểm soát chất lượng trong sản xuất và chẩn đoán hình ảnh y khoa trong lĩnh vực chăm sóc sức khỏe. Trong những trường hợp này, mạng nơ-ron giúp máy tính diễn giải dữ liệu trực quan phức tạp, chẳng hạn như phân tích ảnh chụp não để phát hiện khối u.

Trên thực tế, nhiều model thị giác máy tính tiên tiến, như Ultralytics YOLO11, được xây dựng trên nền tảng mạng neural.

Hình 1. Phân đoạn ảnh chụp não bằng Ultralytics YOLO11.

Có một số loại phương pháp học trong machine learning, chẳng hạn như học có giám sát, học không giám sát, học tăng cường và học chuyển giao, định hình những khả năng có thể thực hiện trong thị giác máy tính. Trong các phần tiếp theo, chúng ta sẽ tìm hiểu từng loại để hiểu cách chúng đóng góp cho thị giác máy tính.

Tìm hiểu về học có giám sát#

Học có giám sát là loại machine learning được sử dụng phổ biến nhất. Trong học có giám sát, model được huấn luyện bằng dữ liệu có nhãn. Mỗi đầu vào được gắn thẻ đầu ra chính xác, giúp model học tập. Tương tự như học sinh học từ giáo viên, dữ liệu có nhãn này đóng vai trò như một hướng dẫn hoặc người giám sát.

Trong quá trình huấn luyện, model được cung cấp cả dữ liệu đầu vào (thông tin cần xử lý) và dữ liệu đầu ra (các đáp án chính xác). Cách thiết lập này giúp model học mối liên hệ giữa đầu vào và đầu ra. Mục tiêu chính của học có giám sát là để model tìm ra quy tắc hoặc mẫu liên kết chính xác mỗi đầu vào với đầu ra tương ứng. Nhờ ánh xạ này, model có thể đưa ra dự đoán chính xác khi gặp dữ liệu mới. Ví dụ, nhận diện khuôn mặt trong thị giác máy tính dựa vào học có giám sát để nhận dạng khuôn mặt dựa trên những mẫu đã học.

Một ứng dụng phổ biến là mở khóa điện thoại thông minh bằng nhận diện khuôn mặt. Model được huấn luyện bằng hình ảnh khuôn mặt của bạn đã gắn nhãn, vì vậy khi bạn mở khóa điện thoại, model sẽ so sánh hình ảnh trực tiếp với những gì đã học. Nếu phát hiện khớp, điện thoại sẽ được mở khóa.

Hình 2. Có thể sử dụng nhận diện khuôn mặt để mở khóa điện thoại thông minh.

Học không giám sát trong AI hoạt động như thế nào?#

Học không giám sát là một loại machine learning sử dụng dữ liệu chưa được gán nhãn — model không nhận được hướng dẫn hay đáp án chính xác nào trong quá trình huấn luyện. Thay vào đó, model tự học cách khám phá mẫu và thông tin hữu ích.

Học không giám sát nhận diện mẫu bằng ba phương pháp chính:

• Phân cụm: Nhóm các điểm dữ liệu tương tự lại với nhau. Phương pháp này hữu ích cho các tác vụ như phân khúc khách hàng, trong đó có thể nhóm những khách hàng tương tự dựa trên hành vi hoặc thuộc tính của họ.
• Kết hợp: Phương pháp này được dùng để xác định mối quan hệ giữa các mục, giúp khám phá những kết nối trong dữ liệu (ví dụ: tìm các sản phẩm thường được mua cùng nhau trong phân tích giỏ hàng, một kỹ thuật khai phá dữ liệu phổ biến).
• Giảm chiều dữ liệu: Đơn giản hóa tập dữ liệu bằng cách loại bỏ các đặc trưng dư thừa, hỗ trợ trực quan hóa và xử lý.

Một ứng dụng quan trọng của học không giám sát là nén ảnh, trong đó các kỹ thuật như phân cụm k-means giúp giảm kích thước ảnh mà không ảnh hưởng đến chất lượng hình ảnh. Các pixel được nhóm thành cụm, mỗi cụm được biểu diễn bằng một màu trung bình, tạo ra hình ảnh có ít màu hơn và kích thước tệp nhỏ hơn.

Hình 3. Ví dụ về nén ảnh không giám sát.

Tuy nhiên, học không giám sát cũng có những hạn chế nhất định. Khi không có đáp án định trước, phương pháp này có thể gặp khó khăn trong việc đảm bảo độ chính xác và đánh giá hiệu suất. Phương pháp này thường đòi hỏi nỗ lực thủ công để diễn giải kết quả và gắn nhãn nhóm, đồng thời nhạy cảm với các vấn đề như giá trị bị thiếu và nhiễu, vốn có thể ảnh hưởng đến chất lượng kết quả.

Giải thích về học tăng cường#

Khác với học có giám sát và học không giám sát, học tăng cường không dựa vào dữ liệu huấn luyện. Thay vào đó, phương pháp này sử dụng các agent mạng neural tương tác với môi trường để đạt được một mục tiêu cụ thể.

Quy trình này gồm ba thành phần chính:

• Agent: Chủ thể học hoặc đưa ra quyết định.
• Môi trường: Mọi thứ mà agent tương tác, có thể là thực hoặc ảo.
• Tín hiệu thưởng: Giá trị số được cung cấp sau mỗi hành động, hướng agent đến mục tiêu.

Khi agent thực hiện hành động, môi trường sẽ chịu tác động và phản hồi lại. Phản hồi giúp agent đánh giá lựa chọn và điều chỉnh hành vi. Tín hiệu thưởng giúp agent hiểu hành động nào đưa agent đến gần mục tiêu hơn.

Học tăng cường đóng vai trò then chốt trong các trường hợp sử dụng như lái xe tự hành và robotics. Trong lái xe tự hành, các tác vụ như điều khiển phương tiện, phát hiện đối tượng và tránh chướng ngại vật được học thông qua phản hồi. Model được huấn luyện bằng các tác tử mạng nơ-ron để phát hiện người đi bộ hoặc các đối tượng khác và thực hiện hành động phù hợp nhằm tránh va chạm. Tương tự, trong robotics, học tăng cường hỗ trợ các tác vụ như thao tác với đối tượng và điều khiển chuyển động.

Một ví dụ nổi tiếng về ứng dụng học tăng cường là dự án của OpenAI, trong đó các nhà nghiên cứu đã huấn luyện các tác tử AI chơi trò chơi điện tử nhiều người chơi nổi tiếng Dota 2. Sử dụng mạng nơ-ron, các tác tử này xử lý lượng thông tin khổng lồ từ môi trường trò chơi để đưa ra quyết định nhanh chóng và có tính chiến lược. Nhờ phản hồi liên tục, các tác tử học hỏi và cải thiện theo thời gian, cuối cùng đạt đến trình độ đủ cao để đánh bại một số người chơi hàng đầu của trò chơi.

Hình 4. Cách con người và AI diễn giải Dota Matrix.

Tìm hiểu những kiến thức cơ bản về học chuyển giao#

Học chuyển giao khác với các loại hình học khác. Thay vì huấn luyện model từ đầu, phương pháp này sử dụng model đã được tiền huấn luyện trên một tập dữ liệu lớn rồi tinh chỉnh model cho một tác vụ mới nhưng có liên quan. Kiến thức thu được trong quá trình huấn luyện ban đầu được dùng để cải thiện hiệu suất trên tác vụ mới. Học chuyển giao giúp giảm thời gian cần thiết để huấn luyện cho một tác vụ mới, tùy thuộc vào độ phức tạp của tác vụ. Phương pháp này hoạt động bằng cách giữ lại các lớp ban đầu của model, vốn nắm bắt các đặc trưng tổng quát, rồi thay thế các lớp cuối bằng những lớp dành cho tác vụ mới.

Chuyển đổi phong cách nghệ thuật là một ứng dụng thú vị của học chuyển giao trong thị giác máy tính. Kỹ thuật này cho phép model biến đổi hình ảnh để phù hợp với phong cách của nhiều tác phẩm nghệ thuật khác nhau. Để thực hiện, trước tiên mạng nơ-ron được huấn luyện trên một tập dữ liệu lớn gồm các hình ảnh đi kèm phong cách nghệ thuật tương ứng. Qua quá trình này, model học cách nhận diện các đặc trưng hình ảnh và mẫu phong cách tổng quát.

Sau khi được huấn luyện, model có thể được tinh chỉnh để áp dụng phong cách của một bức tranh cụ thể lên ảnh mới. Mạng thích ứng với ảnh mới trong khi vẫn giữ lại các đặc trưng phong cách đã học, cho phép tạo ra kết quả độc đáo kết hợp nội dung gốc với phong cách nghệ thuật đã chọn. Ví dụ, bạn có thể dùng ảnh chụp một dãy núi và áp dụng phong cách của bức Tiếng thét của Edvard Munch, tạo ra ảnh giữ nguyên khung cảnh nhưng mang phong cách táo bạo, giàu biểu cảm của bức tranh.

Hình 5. Ví dụ về chuyển đổi phong cách nghệ thuật bằng học chuyển giao.

Tìm hiểu sự khác biệt giữa các loại machine learning#

Giờ đây khi đã tìm hiểu các loại machine learning chính, hãy xem xét kỹ hơn từng loại để giúp bạn xác định loại phù hợp nhất cho các ứng dụng khác nhau.

• Học có giám sát: Loại này có độ chính xác cao khi làm việc với dữ liệu được gán nhãn, nhưng đòi hỏi nhiều dữ liệu và có thể nhạy cảm với nhiễu.
• Học không giám sát: Phương pháp này hữu ích để khám phá dữ liệu chưa được gán nhãn nhằm tìm ra các mẫu ẩn, dù kết quả có thể kém chính xác hơn và khó diễn giải hơn.
• Học tăng cường: Phương pháp này huấn luyện agent đưa ra quyết định từng bước trong môi trường phức tạp, nhưng thường đòi hỏi năng lực tính toán đáng kể.
• Học chuyển giao: Phương pháp này sử dụng các model được huấn luyện trước để tăng tốc độ huấn luyện và cải thiện hiệu năng trên tác vụ mới, đặc biệt khi dữ liệu hạn chế.

Hình 6. So sánh tất cả các loại machine learning. Hình do tác giả thực hiện.

Việc chọn loại machine learning phù hợp phụ thuộc vào một số yếu tố. Học có giám sát phù hợp nếu bạn có nhiều dữ liệu được gán nhãn và một tác vụ rõ ràng. Học không giám sát hữu ích cho việc khám phá dữ liệu hoặc khi thiếu ví dụ được gán nhãn. Học tăng cường lý tưởng cho các tác vụ phức tạp cần ra quyết định từng bước, còn học chuyển giao phù hợp khi dữ liệu hạn chế hoặc tài nguyên bị giới hạn. Cân nhắc những yếu tố này sẽ giúp bạn chọn phương pháp phù hợp nhất cho dự án thị giác máy tính của mình.

Tổng kết#

Các kỹ thuật machine learning có thể giải quyết nhiều thách thức khác nhau, đặc biệt trong những lĩnh vực như thị giác máy tính. Khi hiểu rõ các loại học có giám sát, học không giám sát, học tăng cường và học chuyển giao, bạn có thể chọn phương pháp phù hợp nhất với nhu cầu.

Học có giám sát phù hợp với các tác vụ đòi hỏi độ chính xác cao và dữ liệu được gán nhãn, trong khi học không giám sát lý tưởng để tìm mẫu trong dữ liệu chưa được gán nhãn. Học tăng cường hoạt động hiệu quả trong các môi trường phức tạp dựa trên quyết định, còn học chuyển giao hữu ích khi bạn muốn tận dụng các model được huấn luyện trước với lượng dữ liệu hạn chế.

Mỗi phương pháp có thế mạnh và ứng dụng riêng, từ nhận diện khuôn mặt đến robotics và chuyển đổi phong cách nghệ thuật. Chọn đúng loại có thể mở ra những khả năng mới trong các ngành như chăm sóc sức khỏe, ô tô và giải trí.

Để khám phá thêm, hãy truy cập kho lưu trữ GitHub và tham gia cộng đồng của chúng tôi. Khám phá các ứng dụng AI trong xe tự lái và nông nghiệp trên các trang giải pháp của chúng tôi.