Tìm hiểu về học với ít mẫu, zero-shot và học chuyển giao

Các hệ thống trí tuệ nhân tạo (AI) có thể xử lý những tác vụ phức tạp như nhận diện khuôn mặt, phân loại hình ảnh và lái xe với rất ít sự can thiệp của con người. Chúng thực hiện điều này bằng cách nghiên cứu dữ liệu, nhận diện mẫu và sử dụng các mẫu đó để đưa ra dự đoán hoặc quyết định. Khi AI phát triển, chúng ta đang chứng kiến những cách thức ngày càng tinh vi hơn để các model AI học hỏi, thích ứng và thực hiện tác vụ với hiệu suất vượt trội.

Ví dụ, computer vision là một nhánh của AI tập trung vào việc giúp máy móc diễn giải và hiểu thông tin hình ảnh từ thế giới xung quanh. Quá trình phát triển model computer vision truyền thống phụ thuộc nhiều vào các dataset lớn đã được gán nhãn để huấn luyện. Việc thu thập và gán nhãn dữ liệu như vậy có thể tốn nhiều thời gian và chi phí.

Để giải quyết những thách thức này, các nhà nghiên cứu đã đưa ra những phương pháp sáng tạo như học với ít mẫu (FSL), có thể học từ số lượng ví dụ hạn chế; học không mẫu (ZSL), có thể nhận diện các đối tượng chưa từng thấy; và học chuyển giao (TL), áp dụng kiến thức từ các model đã được huấn luyện trước vào những tác vụ mới.

Trong bài viết này, chúng ta sẽ tìm hiểu cách các mô hình học tập này hoạt động, nêu bật những khác biệt chính và xem xét các ứng dụng thực tế.

Tổng quan về các mô hình học tập#

Hãy cùng tìm hiểu học với ít mẫu, học không mẫu và học chuyển giao là gì trong lĩnh vực computer vision, cũng như cách chúng hoạt động.

Học với ít mẫu#

Học với ít mẫu là phương pháp giúp hệ thống học cách nhận diện đối tượng mới chỉ với một số ít ví dụ. Chẳng hạn, nếu bạn cho model xem một vài bức ảnh chim cánh cụt, bồ nông và hải âu mỏ rộng (nhóm nhỏ này được gọi là "tập hỗ trợ"), model sẽ học được hình dáng của những loài chim này.

Sau đó, nếu bạn cho model xem một hình ảnh mới, chẳng hạn ảnh chim cánh cụt, model sẽ so sánh hình ảnh này với những hình ảnh trong tập hỗ trợ và chọn hình ảnh gần nhất. Khi khó thu thập lượng dữ liệu lớn, phương pháp này rất hữu ích vì hệ thống vẫn có thể học hỏi và thích ứng chỉ với một vài ví dụ.

Hình 1. Tổng quan về cách học với ít mẫu hoạt động.

Học không mẫu#

Học không mẫu là phương pháp giúp máy móc nhận diện những thứ chưa từng thấy mà không cần ví dụ về chúng. Phương pháp này sử dụng thông tin ngữ nghĩa, chẳng hạn như mô tả, để giúp tạo ra các liên kết.

Ví dụ, nếu một máy đã học về các loài động vật như mèo, sư tử và ngựa bằng cách nắm bắt các đặc điểm như “nhỏ và lông xù”, “mèo lớn hoang dã” hoặc “mặt dài”, máy có thể dùng kiến thức đó để nhận diện một loài vật mới như hổ. Ngay cả khi chưa từng thấy hổ, máy vẫn có thể nhận diện chính xác loài vật này dựa trên mô tả như “một con vật giống sư tử có các sọc sẫm màu”. Điều này giúp máy học và thích nghi dễ dàng hơn mà không cần nhiều ví dụ. Các bộ phát hiện từ vựng mở như YOLOE áp dụng ý tưởng tương tự vào phát hiện đối tượng, xác định vị trí đối tượng chỉ từ prompt văn bản.

Hình 2. Học không mẫu nhận diện đối tượng mới thông qua mô tả.

Học chuyển giao#

Học chuyển giao là một mô hình học tập trong đó model sử dụng những gì đã học từ một tác vụ để hỗ trợ giải quyết một tác vụ mới tương tự. Kỹ thuật này đặc biệt hữu ích với các tác vụ computer vision như phát hiện đối tượng, phân loại hình ảnh và nhận diện mẫu.

Chẳng hạn, trong computer vision, một model được huấn luyện trước có thể nhận diện các đối tượng phổ biến như động vật, sau đó được fine-tuning bằng học chuyển giao để nhận diện những đối tượng cụ thể như các giống chó khác nhau. Bằng cách tái sử dụng kiến thức từ các tác vụ trước đó, học chuyển giao giúp huấn luyện model computer vision trên các dataset nhỏ hơn dễ dàng hơn, tiết kiệm thời gian và công sức.

Hình 3. Tổng quan về cách thức hoạt động của học chuyển giao.

Bạn có thể thắc mắc những loại model nào hỗ trợ học chuyển giao. Ultralytics YOLO11 (sau này được Ultralytics YOLO26 kế nhiệm) là một ví dụ điển hình về model thị giác máy tính có khả năng này. Đây là model phát hiện đối tượng hiện đại, được tiền huấn luyện trước trên một bộ dữ liệu tổng quát lớn. Sau đó, model có thể được tinh chỉnh và huấn luyện tùy chỉnh trên một bộ dữ liệu chuyên biệt nhỏ hơn cho các tác vụ cụ thể.

So sánh các mô hình học tập#

Giờ đây, khi đã tìm hiểu về học với ít mẫu, học không mẫu và học chuyển giao, hãy cùng so sánh để xem chúng khác nhau như thế nào.

Hình 4. Những điểm khác biệt chính giữa học với ít mẫu, học không mẫu và học chuyển giao. Hình ảnh do tác giả cung cấp.

Học với ít mẫu hữu ích khi bạn chỉ có một lượng nhỏ dữ liệu đã gán nhãn. Phương pháp này giúp model AI có thể học chỉ từ một vài ví dụ. Ngược lại, học không mẫu không cần dữ liệu đã gán nhãn. Thay vào đó, phương pháp này sử dụng mô tả hoặc ngữ cảnh để giúp hệ thống xử lý các tác vụ mới. Trong khi đó, học chuyển giao có cách tiếp cận khác: sử dụng kiến thức từ các model được huấn luyện trước, giúp chúng nhanh chóng thích ứng với tác vụ mới chỉ cần rất ít dữ liệu bổ sung. Mỗi phương pháp có thế mạnh riêng tùy thuộc vào loại dữ liệu và tác vụ bạn đang thực hiện.

Các ứng dụng thực tế của những mô hình học tập khác nhau#

Các mô hình học tập này đang tạo ra khác biệt trong nhiều lĩnh vực, giải quyết những vấn đề phức tạp bằng các giải pháp sáng tạo. Hãy cùng tìm hiểu kỹ hơn cách áp dụng chúng trong thực tế.

Chẩn đoán bệnh hiếm bằng học với ít mẫu#

Học với ít mẫu đặc biệt có giá trị trong lĩnh vực y tế, nhất là trong chẩn đoán hình ảnh y khoa. Phương pháp này có thể giúp bác sĩ chẩn đoán các bệnh hiếm chỉ bằng một vài ví dụ hoặc thậm chí chỉ cần mô tả, mà không cần lượng dữ liệu lớn. Điều này đặc biệt hữu ích khi dữ liệu hạn chế, vốn thường xảy ra vì việc thu thập bộ dữ liệu lớn cho các bệnh hiếm có thể gặp nhiều khó khăn.

Ví dụ, SHEPHERD sử dụng học với ít mẫu và đồ thị tri thức y sinh để chẩn đoán các rối loạn di truyền hiếm gặp. Hệ thống ánh xạ thông tin bệnh nhân, chẳng hạn như triệu chứng và kết quả xét nghiệm, lên mạng lưới các gene và bệnh đã biết. Nhờ đó, hệ thống có thể xác định nguyên nhân di truyền có khả năng nhất và tìm các trường hợp tương tự, ngay cả khi dữ liệu bị hạn chế.

Hình 5. Model SHEPHERD chẩn đoán bệnh hiếm chỉ với lượng dữ liệu tối thiểu.

Cải thiện khả năng phát hiện bệnh cây trồng bằng học không mẫu#

Trong nông nghiệp, việc nhanh chóng xác định bệnh cây trồng là thiết yếu vì chậm trễ trong phát hiện có thể dẫn đến thiệt hại mùa màng trên diện rộng, giảm năng suất và gây tổn thất tài chính đáng kể. Các phương pháp truyền thống thường dựa vào dataset lớn và kiến thức chuyên môn, vốn không phải lúc nào cũng sẵn có, đặc biệt tại các khu vực xa xôi hoặc hạn chế về nguồn lực. Đây là lúc những tiến bộ trong AI như học không mẫu phát huy tác dụng.

Giả sử một nông dân trồng cà chua và khoai tây, rồi nhận thấy các triệu chứng như lá úa vàng hoặc đốm nâu. Học không mẫu có thể giúp xác định các bệnh như mốc sương mà không cần dataset lớn. Bằng cách sử dụng mô tả triệu chứng, model có thể phân loại những bệnh chưa từng gặp. Phương pháp này nhanh, có khả năng mở rộng và cho phép nông dân phát hiện nhiều vấn đề khác nhau ở cây trồng. Nhờ đó, họ có thể giám sát sức khỏe cây trồng hiệu quả hơn, hành động kịp thời và giảm thiểu tổn thất.

Hình 6. Sử dụng học không mẫu để nhận diện bệnh cây trồng.

Xe tự hành và học chuyển giao#

Xe tự hành thường cần thích ứng với nhiều môi trường khác nhau để di chuyển an toàn. Học chuyển giao giúp xe sử dụng kiến thức có sẵn để nhanh chóng thích ứng với điều kiện mới mà không cần bắt đầu lại quá trình huấn luyện từ đầu. Kết hợp với computer vision, vốn giúp xe diễn giải thông tin hình ảnh, những công nghệ này cho phép xe di chuyển trơn tru hơn trên nhiều địa hình và trong các điều kiện thời tiết khác nhau, giúp việc lái xe tự hành hiệu quả và đáng tin cậy hơn.

Một ví dụ điển hình về ứng dụng này là hệ thống quản lý bãi đỗ xe sử dụng Ultralytics YOLO11 để giám sát các chỗ đỗ xe. YOLO11, một model phát hiện đối tượng được huấn luyện trước, có thể được fine-tuning bằng học chuyển giao để nhận diện các chỗ đỗ còn trống và đã có xe theo thời gian thực. Bằng cách huấn luyện model trên một dataset nhỏ hơn gồm hình ảnh bãi đỗ xe, model học cách phát hiện chính xác chỗ trống, chỗ đã kín và cả khu vực dành riêng.

Hình 7. Quản lý bãi đỗ xe bằng Ultralytics YOLO11.

Khi được tích hợp với các công nghệ khác, hệ thống này có thể hướng dẫn tài xế đến chỗ đỗ còn trống gần nhất, giúp giảm thời gian tìm kiếm và ùn tắc giao thông. Transfer learning thực hiện điều này bằng cách tận dụng các khả năng phát hiện đối tượng sẵn có của Ultralytics YOLO11, cho phép model thích ứng với nhu cầu cụ thể của hoạt động quản lý bãi đỗ xe mà không cần bắt đầu từ đầu. Cách tiếp cận này tiết kiệm thời gian và tài nguyên, đồng thời tạo ra giải pháp hiệu quả cao, có khả năng mở rộng, giúp cải thiện hoạt động đỗ xe và nâng cao trải nghiệm tổng thể của người dùng.

Các xu hướng mới nổi trong mô hình học#

Tương lai của các mô hình học trong thị giác máy tính đang hướng đến việc phát triển các hệ thống Vision AI thông minh và bền vững hơn. Cụ thể, một xu hướng ngày càng phổ biến là sử dụng các phương pháp kết hợp giữa học few-shot, học zero-shot và transfer learning. Bằng cách kết hợp thế mạnh của các phương pháp này, model có thể học các tác vụ mới với dữ liệu tối thiểu và áp dụng kiến thức của mình trong nhiều lĩnh vực khác nhau.

Một ví dụ thú vị là sử dụng embedding sâu đã được điều chỉnh để fine-tune model bằng kiến thức từ các tác vụ trước đó cùng một lượng nhỏ dữ liệu mới, giúp xử lý các dataset hạn chế dễ dàng hơn.

Tương tự, học X-shot được thiết kế để xử lý các tác vụ có lượng dữ liệu khác nhau. Phương pháp này sử dụng giám sát yếu, trong đó model học từ nhãn hạn chế hoặc nhiễu, cùng các hướng dẫn rõ ràng để giúp model nhanh chóng thích ứng, ngay cả khi có rất ít hoặc không có ví dụ trước đó. Những phương pháp kết hợp này cho thấy việc tích hợp các phương pháp học khác nhau có thể giúp hệ thống AI giải quyết thách thức hiệu quả hơn.

Điểm chính cần ghi nhớ#

Học few-shot, học zero-shot và transfer learning đều giải quyết những thách thức cụ thể trong thị giác máy tính, nên phù hợp với các tác vụ khác nhau. Cách tiếp cận phù hợp phụ thuộc vào ứng dụng cụ thể và lượng dữ liệu hiện có. Ví dụ, học few-shot hoạt động hiệu quả với dữ liệu hạn chế, còn học zero-shot rất phù hợp để xử lý các lớp chưa từng thấy hoặc chưa quen thuộc.

Trong tương lai, việc kết hợp các phương pháp này để tạo ra những model kết hợp tích hợp thị giác, ngôn ngữ và âm thanh có thể sẽ là trọng tâm chính. Những tiến bộ này hướng đến việc giúp hệ thống AI linh hoạt, hiệu quả hơn và có khả năng giải quyết các vấn đề phức tạp, mở ra những khả năng đổi mới mới trong lĩnh vực này.

Tìm hiểu thêm về AI bằng cách tham gia cộng đồng của chúng tôi và khám phá repository GitHub của chúng tôi. Tìm hiểu cách AI trong xe tự lái và thị giác máy tính trong nông nghiệp đang định hình lại tương lai. Xem các tùy chọn cấp phép YOLO hiện có để bắt đầu!