Các kỹ thuật học AI được sử dụng trong computer vision

Machine learning là một loại trí tuệ nhân tạo (AI) giúp máy tính học từ dữ liệu để có thể tự đưa ra quyết định mà không cần lập trình chi tiết cho từng tác vụ. Phương pháp này bao gồm việc tạo các model thuật toán có khả năng xác định các mẫu trong dữ liệu. Bằng cách xác định các 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 quan trọng là thị giác máy tính, một lĩnh vực AI tập trung vào dữ liệu hình ảnh. Thị giác máy tính sử dụng machine learning để giúp máy tính phát hiện và nhận dạng các mẫu trong hình ảnh và video. Nhờ những tiến bộ trong machine learning, giá trị thị trường toàn cầu của thị giác máy tính 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 thị giác máy tính, 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. Hãy bắt đầu!

Tổng quan về machine learning trong thị giác máy tính#

Thị giác máy tính 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 hình ảnh. Các phương pháp này cho phép máy tính thực hiện những tác vụ thị giác máy tính như phát hiện đối tượng trong hình ảnh, phân loại hình ảnh theo danh mục và nhận dạng khuôn mặt. Machine learning cũng rất cần thiết cho các ứng dụng thị giác máy tính theo thời gian thực, chẳng hạn như kiểm soát chất lượng trong sản xuất và chẩn đoán hình ảnh y khoa trong chăm sóc sức khỏe. Trong những trường hợp này, mạng nơ-ron giúp máy tính diễn giải dữ liệu hình ảnh 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, chẳng hạn như Ultralytics YOLO11, được xây dựng trên nền tảng mạng nơ-ron.

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

Có một số phương pháp học trong machine learning, chẳng hạn như học có giám sát, học không giám sát, học chuyển giao và học tăng cường, đang mở rộng giới hạn của những gì 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, các model được huấn luyện bằng dữ liệu được gán nhãn. Mỗi đầu vào được gắn với đầu ra chính xác, giúp model học. Tương tự như một học sinh học tập từ giáo viên, dữ liệu được gán nhãn này đóng vai trò là hướng dẫn hoặc người giám sát.

Trong quá trình huấn luyện, model được cung cấp cả dữ liệu đầu vào (thông tin mà model cần xử lý) và dữ liệu đầu ra (các đáp án chính xác). 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 một quy tắc hoặc mẫu liên kết chính xác mỗi đầu vào với đầu ra tương ứng. Với ánh xạ này, model có thể đưa ra dự đoán chính xác khi gặp dữ liệu mới. Ví dụ, nhận dạng khuôn mặt trong thị giác máy tính dựa vào học có giám sát để xác định khuôn mặt dựa trên các mẫu đã học.

Một ứng dụng phổ biến của phương pháp này là mở khóa điện thoại thông minh bằng nhận dạng khuôn mặt. Model được huấn luyện trên các hình ảnh khuôn mặt đã gán nhãn của bạn để khi bạn mở khóa điện thoại, model sẽ so sánh hình ảnh trực tiếp với những gì đã học. Nếu phát hiện kết quả khớp, điện thoại sẽ được mở khóa.

Hình 2. Nhận dạng khuôn mặt có thể được sử dụng 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 bất kỳ hướng dẫn hay đáp án chính xác nào trong quá trình huấn luyện. Thay vào đó, model tự học cách khám phá các mẫu và thông tin chuyên sâu.

Học không giám sát xác định các 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 những khách hàng tương tự có thể được nhóm dựa trên hành vi hoặc thuộc tính của họ.
• Kết hợp: Được sử dụng để xác định mối quan hệ giữa các mục, giúp phát hiện những liên kết trong dữ liệu (ví dụ: tìm các sản phẩm thường được mua cùng nhau trong phân tích giỏ hàng).
• Giảm chiều: Đơn giản hóa các tập dữ liệu bằng cách loại bỏ những đặc trưng dư thừa, hỗ trợ việc trực quan hóa và xử lý dữ liệu.

Một ứng dụng quan trọng của học không giám sát là nén hình ảnh, trong đó các kỹ thuật như phân cụm k-means làm giảm kích thước hình ảnh mà không ảnh hưởng đến chất lượng hình ảnh. Các pixel được nhóm thành những cụm, và 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 hình ảnh không giám sát.

Tuy nhiên, học không giám sát cũng có một số hạn chế. Khi không có đáp án được xác định trước, phương pháp này có thể gặp khó khăn về độ chính xác và đánh giá hiệu suất. Phương pháp này thường đòi hỏi nỗ lực thủ công để diễn giải kết quả và gán nhãn cho các nhóm, đồng thời nhạy cảm với những vấn đề như giá trị bị thiếu và nhiễu, 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 tác tử mạng nơ-ron tương tác với một môi trường để đạt được mục tiêu cụ thể.

Quy trình này gồm ba thành phần chính:

• Tác tử: Đối tượng học hoặc ra quyết định.
• Môi trường: Tất cả những gì tác tử tương tác, có thể là môi trường thực hoặc ảo.
• Tín hiệu phần thưởng: Một giá trị số được cung cấp sau mỗi hành động, hướng tác tử đến mục tiêu.

Khi tác tử thực hiện các hành động, nó tác động đến môi trường, sau đó môi trường phản hồi. Phản hồi giúp tác tử đánh giá các lựa chọn và điều chỉnh hành vi. Tín hiệu phần thưởng giúp tác tử hiểu hành động nào đưa nó đến gần hơn với mục tiêu.

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 và tránh đối tượng học dựa trên phản hồi. Các model được huấn luyện bằng các tác tử mạng nơ-ron để phát hiện người đi bộ hoặc những đối tượng khác và thực hiện hành động phù hợp nhằm tránh va chạm. Tương tự, trong robotics, học tăng cường cho phép thực hiện các tác vụ như thao tác với đối tượng và điều khiển chuyển động.

Một ví dụ nổi bật về học tăng cường trong thực tế 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 phổ biến 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 những quyết định nhanh chóng và có tính chiến lược. Thông qua 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. Diễn giải Dota Matrix của con người so với AI.

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

Học chuyển giao khác với các loại học khác. Thay vì huấn luyện model từ đầu, phương pháp này sử dụng một model được huấn luyện trước 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 sử dụng để cải thiện hiệu suất của tác vụ mới. Học chuyển giao làm 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 giữ lại các lớp ban đầu của model, vốn nắm bắt những đặc trưng tổng quát, và thay thế các lớp cuối bằng các lớp dành cho tác vụ cụ thể mới.

Chuyển giao 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 một hình ảnh để phù hợp với phong cách của nhiều loại tác phẩm nghệ thuật. Để thực hiện việc này, trước tiên một 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 xác định các đặc trưng hình ảnh tổng quát và các mẫu phong cách.

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

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

Tìm hiểu sự khác biệt giữa các loại machine learning#

Sau khi đã tìm hiểu các loại machine learning chính, hãy cùng xem xét kỹ hơn từng loại để giúp bạn hiểu loại nào phù hợp nhất với 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 khi khám phá dữ liệu chưa được gán nhãn để tìm các mẫu ẩn, mặc dù kết quả có thể kém chính xác hơn và khó diễn giải hơn.
• Học tăng cường: Phương pháp này huấn luyện các tác tử 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 quá trình huấn luyện và cải thiện hiệu suất trên các tác vụ mới, đặc biệt khi dữ liệu bị hạn chế.

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

Việc lựa chọn loại machine learning phù hợp phụ thuộc vào nhiều yếu tố. Học có giám sát hoạt động hiệu quả 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 có ít ví dụ được gán nhãn. Học tăng cường lý tưởng cho các tác vụ phức tạp đòi hỏi ra quyết định từng bước, trong khi học chuyển giao phù hợp khi dữ liệu hạn chế hoặc tài nguyên bị giới hạn. Bằng cách cân nhắc những yếu tố này, bạn có thể 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. Bằng cách hiểu các loại học khác nhau — học có giám sát, học không giám sát, học tăng cường và học chuyển giao — bạn có thể chọn phương pháp tốt nhất cho nhu cầu của mình.

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 các mẫu trong dữ liệu chưa được gán nhãn. Học tăng cường hoạt động hiệu quả trong các bối cảnh phức tạp dựa trên quyết định, còn học chuyển giao hữu ích khi bạn muốn xây dựng dựa trên các model được huấn luyện trước với lượng dữ liệu hạn chế.

Mỗi phương pháp đều có những ưu điểm và ứng dụng riêng, từ nhận dạng khuôn mặt, robotics đến chuyển giao phong cách nghệ thuật. Việc lựa 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 tìm hiểu thêm, hãy truy cập repository 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. 🚀