ResNet-50 là gì và mức độ liên quan của nó trong thị giác máy tính?

Phân tích hình ảnh tự động đang trở nên ngày càng phổ biến trong các ứng dụng như phát hiện xe chạy quá tốc độ hoặc phân tích hình ảnh y tế. Công nghệ thúc đẩy những đổi mới này là computer vision (thị giác máy tính) hoặc AI thị giác. Đây là một nhánh của trí tuệ nhân tạo (AI) cho phép máy tính diễn giải và hiểu hình ảnh cũng như video, giống như cách con người thực hiện.

Để xây dựng các computer vision solutions (giải pháp thị giác máy tính) như vậy, các lập trình viên dựa vào các model AI thị giác có khả năng học từ lượng lớn dữ liệu hình ảnh. Qua nhiều năm, các nhà nghiên cứu đã phát triển các model mới hơn, tiên tiến hơn với hiệu suất ấn tượng trên khắp các vision AI tasks (tác vụ AI thị giác) như phân loại hình ảnh (gán nhãn cho hình ảnh), phát hiện đối tượng (định vị và nhận dạng đối tượng trong hình ảnh) và phân đoạn cá thể (phát hiện đối tượng và phác thảo hình dạng chính xác của chúng).

Tuy nhiên, nhìn lại và tìm hiểu các model trước đó có thể giúp hiểu rõ cách thức vận hành của các hệ thống thị giác máy tính ngày nay. Ví dụ, một trường hợp điển hình là ResNet-50, một model có tầm ảnh hưởng lớn đã giới thiệu khái niệm đường tắt (shortcut connection) - những lối đi đơn giản giúp model học nhanh hơn và chính xác hơn.

Đổi mới này giúp việc huấn luyện các mạng thần kinh sâu hơn trở nên hiệu quả, dẫn đến những cải tiến đáng kể trong image classification (phân loại hình ảnh) và định hình thiết kế của nhiều model theo sau. Trong bài viết này, chúng ta sẽ khám phá ResNet-50, cách thức hoạt động và tầm quan trọng của nó trong sự phát triển của thị giác máy tính. Hãy cùng bắt đầu!

Link to this sectionResNet-50 là gì?#

ResNet-50 là một model thị giác máy tính dựa trên một loại mạng thần kinh gọi là Convolutional Neural Network (CNN) (Mạng thần kinh tích chập). CNN được thiết kế để giúp máy tính hiểu thông tin hình ảnh bằng cách học các mẫu trong ảnh, chẳng hạn như cạnh, màu sắc hoặc hình dạng, và sử dụng các mẫu đó để nhận diện và phân loại đối tượng.

Được giới thiệu vào năm 2015 bởi các nhà nghiên cứu tại Microsoft Research, ResNet-50 nhanh chóng trở thành một trong những model có tầm ảnh hưởng nhất trong lĩnh vực này nhờ độ chính xác và hiệu quả trong các tác vụ nhận dạng hình ảnh quy mô lớn.

Một tính năng quan trọng của ResNet-50 là việc sử dụng các kết nối dư (residual connection), còn được gọi là đường tắt. Đây là những lối đi đơn giản cho phép model bỏ qua một số bước trong quá trình học. Nói cách khác, thay vì buộc model phải truyền thông tin qua mọi lớp, các đường tắt này cho phép nó đưa các chi tiết quan trọng đi tiếp một cách trực tiếp hơn. Điều này giúp việc học nhanh hơn và đáng tin cậy hơn.

Fig 1. Một cái nhìn về các kết nối dư trong kiến trúc ResNet.

Thiết kế này giúp giải quyết một vấn đề phổ biến trong deep learning gọi là vấn đề biến mất gradient (vanishing gradient problem). Trong các model rất sâu, thông tin quan trọng có thể bị mất khi di chuyển qua nhiều lớp, khiến model khó học được.

Các kết nối dư giúp ngăn chặn điều này bằng cách giữ cho thông tin luân chuyển rõ ràng từ đầu đến cuối. Đó là lý do tại sao model này được gọi là ResNet-50: ResNet là viết tắt của Residual Network (Mạng dư), và "50" đề cập đến số lượng lớp mà nó sử dụng để xử lý một hình ảnh.

Link to this sectionTổng quan về cách thức hoạt động của ResNet-50#

ResNet-50 có một cấu trúc được tổ chức tốt giúp model có thể đạt độ sâu lớn mà không làm mất thông tin quan trọng. Nó tuân theo một mẫu đơn giản, có thể lặp lại, giữ cho mọi thứ hiệu quả trong khi vẫn cho phép hiệu suất mạnh mẽ.

Dưới đây là cái nhìn sâu hơn về cách hoạt động của kiến trúc ResNet-50:

• Cơ bản về feature extraction (trích xuất đặc trưng): Model bắt đầu bằng việc áp dụng một phép toán gọi là tích chập. Việc này liên quan đến việc trượt các bộ lọc nhỏ (gọi là kernel) qua hình ảnh để tạo ra các bản đồ đặc trưng - các phiên bản mới của hình ảnh làm nổi bật các mẫu cơ bản như cạnh hoặc kết cấu. Đây là cách model bắt đầu thu thập thông tin thị giác hữu ích.
• Học các đặc trưng phức tạp: Khi dữ liệu di chuyển qua mạng, kích thước của bản đồ đặc trưng trở nên nhỏ hơn. Điều này được thực hiện thông qua các kỹ thuật như gộp (pooling) hoặc sử dụng các bộ lọc với các bước lớn hơn (gọi là stride). Đồng thời, mạng tạo ra nhiều bản đồ đặc trưng hơn, giúp nó nắm bắt các mẫu ngày càng phức tạp, như hình dạng, các bộ phận của đối tượng hoặc kết cấu.
• Nén và giải nén dữ liệu: Mỗi giai đoạn nén dữ liệu, xử lý nó, và sau đó giải nén nó trở lại. Điều này giúp model học trong khi vẫn tiết kiệm bộ nhớ.
• Kết nối đường tắt: Đây là các đường dẫn đơn giản cho phép thông tin bỏ qua thay vì phải đi qua mọi lớp. Chúng làm cho việc học ổn định và hiệu quả hơn.
• Đưa ra prediction (dự đoán): Ở phần cuối của mạng, tất cả thông tin đã học được kết hợp và truyền qua hàm softmax. Hàm này xuất ra một phân phối xác suất trên các lớp có thể, cho biết độ tin cậy của model trong mỗi dự đoán—ví dụ: 90% mèo, 9% chó, 1% ô tô.

Fig 2. Kiến trúc ResNet-50.

Link to this sectionCác tính năng chính của ResNet-50#

Mặc dù ResNet-50 ban đầu được thiết kế cho phân loại hình ảnh, thiết kế linh hoạt của nó đã làm cho nó hữu ích trong nhiều lĩnh vực của thị giác máy tính. Hãy cùng xem qua một số tính năng làm cho ResNet-50 trở nên nổi bật.

Link to this sectionSử dụng ResNet-50 cho phân loại hình ảnh#

ResNet-50 chủ yếu được sử dụng cho image classification (phân loại hình ảnh), nơi mục tiêu là gán một nhãn cho một hình ảnh. Ví dụ, với một bức ảnh, model có thể gắn nhãn nó là chó, mèo hoặc máy bay dựa trên đối tượng chính mà nó nhìn thấy.

Thiết kế đáng tin cậy và sự sẵn có trong các thư viện deep learning phổ biến như PyTorch và TensorFlow đã khiến ResNet-50 trở thành một lựa chọn đầu tiên phổ biến cho việc huấn luyện trên các tập dữ liệu hình ảnh lớn. Một trong những ví dụ nổi tiếng nhất là ImageNet, một bộ sưu tập khổng lồ các hình ảnh đã được gán nhãn được sử dụng để đánh giá và so sánh các model thị giác máy tính.

Trong khi các model mới hơn, chẳng hạn như Ultralytics YOLO11, vượt trội hơn, ResNet-50 vẫn thường được sử dụng làm chuẩn nhờ sự cân bằng vững chắc giữa độ chính xác, tốc độ và tính đơn giản.

Fig 3. Một ví dụ về việc sử dụng ResNet-50 để phân loại một chú chó.

Link to this sectionPhát hiện đối tượng được hỗ trợ bởi các backbone ResNet-50#

Trong khi phân loại hình ảnh là về việc nhận dạng đối tượng chính trong một bức ảnh, object detection (phát hiện đối tượng) tiến xa hơn một bước bằng cách tìm và gắn nhãn nhiều đối tượng trong cùng một hình ảnh. Ví dụ, trong một hình ảnh đường phố đông đúc, một model có thể cần phát hiện ô tô, xe buýt và người - và xác định vị trí của từng đối tượng.

ResNet-50 được sử dụng làm backbone trong một số model này. Điều đó có nghĩa là nó xử lý phần đầu của công việc: phân tích hình ảnh và trích xuất các chi tiết quan trọng mô tả đối tượng là gì và ở đâu. Những chi tiết này sau đó được truyền đến phần tiếp theo của model, được gọi là detection head, nơi đưa ra các quyết định cuối cùng về việc đối tượng nào có trong hình ảnh và vị trí của chúng.

Các model phát hiện phổ biến như Faster R-CNN và DETR sử dụng ResNet-50 cho bước trích xuất đặc trưng này. Bởi vì nó thực hiện tốt việc nắm bắt cả các chi tiết nhỏ và bố cục tổng thể của hình ảnh, nó giúp các model này đưa ra dự đoán chính xác - ngay cả trong các khung cảnh phức tạp.

Link to this sectionTransfer learning (học chuyển đổi) với ResNet-50#

Một khía cạnh thú vị khác của model ResNet-50 là khả năng hỗ trợ transfer learning. Điều này có nghĩa là model, ban đầu được huấn luyện trên một tập dữ liệu lớn như ImageNet cho phân loại hình ảnh, có thể được điều chỉnh cho các tác vụ mới với ít dữ liệu hơn rất nhiều.

Thay vì bắt đầu từ đầu, hầu hết các lớp của model được tái sử dụng, và chỉ lớp phân loại cuối cùng được thay thế và huấn luyện lại cho tác vụ mới. Điều này tiết kiệm thời gian và đặc biệt hữu ích khi dữ liệu được gán nhãn bị hạn chế.

Link to this sectionCác ứng dụng thị giác máy tính của ResNet-50#

Kiến trúc của ResNet-50 làm cho nó hữu ích cho nhiều ứng dụng thị giác máy tính. Nó đặc biệt quan trọng trong những ngày đầu của deep learning, giúp chuyển công nghệ AI thị giác từ nghiên cứu sang sử dụng thực tế. Bằng cách giải quyết các thách thức chính, nó giúp mở đường cho các model tiên tiến hơn mà chúng ta thấy trong các ứng dụng ngày nay.

Link to this sectionHình ảnh y tế được thúc đẩy bởi ResNet-50#

ResNet-50 là một trong những model đầu tiên được sử dụng trong hình ảnh y tế dựa trên deep learning. Các nhà nghiên cứu đã tận dụng nó để xác định các mô hình bệnh tật trong ảnh X-quang, MRI và các bản quét chẩn đoán khác. Ví dụ, nó đã giúp detect tumors (phát hiện khối u) và phân loại diabetic retinal images (hình ảnh võng mạc tiểu đường) để hỗ trợ chẩn đoán trong nhãn khoa.

Mặc dù các model tiên tiến hơn hiện đang được sử dụng trong các công cụ lâm sàng, ResNet-50 đóng vai trò quan trọng trong nghiên cứu AI y tế ban đầu. Sự dễ sử dụng và thiết kế dạng mô-đun của nó làm cho nó trở thành lựa chọn phù hợp để tạo các nguyên mẫu của các hệ thống chẩn đoán.

Fig 4. Phát hiện khối u não dựa trên ResNet-50.

Link to this sectionTự động hóa công nghiệp được hỗ trợ bởi ResNet-50#

Tương tự, ResNet-50 cũng đã được áp dụng trong các môi trường công nghiệp. Ví dụ, trong sản xuất, nó đã được sử dụng trong nghiên cứu và các hệ thống thí điểm để detect surface defects on materials (phát hiện lỗi bề mặt trên vật liệu) như thép, bê tông và các bộ phận được sơn.

Nó cũng đã được thử nghiệm trong các thiết lập để xác định các lỗ hổng, vết nứt hoặc cặn hình thành trong quá trình đúc hoặc lắp ráp. ResNet-50 rất phù hợp cho các tác vụ này vì nó có thể phát hiện những khác biệt nhỏ trong kết cấu bề mặt, một khả năng quan trọng cho việc kiểm tra chất lượng.

Mặc dù các model tiên tiến hơn như YOLO11 hiện thường được sử dụng trong các hệ thống sản xuất, ResNet-50 vẫn đóng vai trò quan trọng trong nghiên cứu học thuật và benchmarking, đặc biệt là cho các tác vụ phân loại hình ảnh.

Fig 5. Kiểm tra bề mặt sử dụng ResNet-50.

Link to this sectionLợi ích và hạn chế của ResNet-50#

Dưới đây là một cái nhìn về một số ưu điểm của ResNet-50:

• Hiệu suất cơ sở mạnh mẽ: ResNet-50 mang lại độ chính xác vững chắc trên nhiều tác vụ, trở thành một benchmark đáng tin cậy trong cả nghiên cứu và các dự án ứng dụng.
• Được tài liệu hóa tốt và nghiên cứu rộng rãi: Kiến trúc của nó được hiểu rõ và tài liệu hóa kỹ lưỡng, giúp việc khắc phục sự cố và học hỏi trở nên dễ dàng hơn cho các lập trình viên và nhà nghiên cứu.
• Đa năng trên các lĩnh vực: Từ hình ảnh y tế đến sản xuất, ResNet-50 đã được áp dụng thành công vào nhiều vấn đề thực tế, chứng minh sự linh hoạt của nó.

Trong khi đó, đây là cái nhìn thoáng qua về các hạn chế của ResNet-50:

• Sử dụng tài nguyên cao: ResNet-50 yêu cầu nhiều bộ nhớ và sức mạnh tính toán hơn so với các model gọn nhẹ, điều này có thể làm cho nó ít phù hợp hơn với các thiết bị di động hoặc các ứng dụng thời gian thực.
• Overfitting trên các datasets (tập dữ liệu) nhỏ: Do độ sâu và sự phức tạp của nó, ResNet-50 có thể bị overfitting (quá khớp) khi được huấn luyện trên dữ liệu hạn chế mà không có các kỹ thuật điều chuẩn (regularization) phù hợp.
• Kích thước đầu vào cố định: ResNet-50 thường yêu cầu hình ảnh có kích thước cụ thể, như 224×224 pixel, vì vậy hình ảnh thường cần được thay đổi kích thước hoặc cắt bớt, đôi khi có thể làm mất các chi tiết quan trọng.

Link to this sectionCác điểm chính cần lưu ý#

ResNet-50 đã chứng minh rằng các mạng thần kinh rất sâu có thể được huấn luyện hiệu quả trong khi vẫn mang lại hiệu suất mạnh mẽ trên các tác vụ thị giác. Kiến trúc của nó cung cấp một khung làm việc rõ ràng và thiết thực để xây dựng các model sâu hơn hoạt động đáng tin cậy.

Sau khi ra mắt, các nhà nghiên cứu đã mở rộng thiết kế, tạo ra các phiên bản sâu hơn như ResNet-101 và ResNet-152. Nhìn chung, ResNet-50 là một model then chốt đã giúp định hình cách sử dụng deep learning trong thị giác máy tính ngày nay.

Tham gia cộng đồng đang phát triển của chúng tôi! Khám phá kho lưu trữ GitHub của chúng tôi để tìm hiểu thêm về AI. Bạn đã sẵn sàng bắt đầu các dự án thị giác máy tính của riêng mình chưa? Hãy xem các tùy chọn cấp phép của chúng tôi. Khám phá AI trong nông nghiệp và AI thị giác trong chăm sóc sức khỏe bằng cách truy cập các trang giải pháp của chúng tôi!