Pixelabs đạt 95% recall với quy trình tự động hóa dựa trên Ultralytics YOLO

Nhiều quy trình công nghiệp, vận hành và nghiên cứu ngày nay vẫn dựa vào con người xem xét hình ảnh thủ công để kiểm tra quy trình hoặc phát hiện các mẫu. Khi dữ liệu tăng lên, công việc này nhanh chóng trở nên chậm chạp, không nhất quán và khó mở rộng.

Điều này đặc biệt đúng trong các môi trường nghiên cứu như chụp ảnh võng mạc để phát hiện sớm bệnh Alzheimer, nơi việc xác định các chỉ dấu nhỏ trong hình ảnh có thể trở nên khó khăn và tốn thời gian.

Pixelabs giúp giải quyết vấn đề này với Pixelabs AI-Engine, một nền tảng AI trực quan được thiết kế để phân tích hình ảnh và video theo thời gian thực. Sử dụng các model computer vision như Ultralytics YOLO models, nền tảng này giúp việc tự động hóa các quy trình trực quan, cải thiện tính nhất quán và mở rộng quy mô phân tích trở nên dễ dàng hơn.

Link to this sectionỨng dụng computer vision để tự động hóa các quy trình làm việc trong thực tế#

Pixelabs phát triển các giải pháp AI trực quan cho phép doanh nghiệp tự động hóa và cải thiện các quy trình hiện có bằng cách sử dụng computer vision. Có trụ sở tại Madrid, với các văn phòng tại Barcelona và Vương quốc Anh, công ty tập trung vào việc xây dựng các công cụ AI thực tế có thể áp dụng trên nhiều ngành công nghiệp.

Cụ thể, nền tảng của họ, Pixelabs AI-Engine, cho phép phân tích hình ảnh và video thời gian thực cho các tác vụ như nhận diện đối tượng, defect identification, phân tích bề mặt và nhận dạng ký tự quang học (OCR). Những khả năng này cho phép người dùng xử lý dữ liệu trực quan hiệu quả hơn và giảm sự phụ thuộc vào đánh giá thủ công.

Nền tảng này được thiết kế để tích hợp vào các hệ thống hiện có, giúp các tổ chức áp dụng computer vision dễ dàng hơn mà không làm gián đoạn vận hành. Sự linh hoạt này cho phép Pixelabs hỗ trợ nhiều trường hợp sử dụng và mở rộng các giải pháp khi yêu cầu tăng lên.

Link to this sectionNhững thách thức trong việc tích hợp và mở rộng computer vision#

Trong nhiều ngành, các hoạt động hàng ngày vẫn dựa vào quy trình thủ công và mức độ tự động hóa hạn chế. Các nhà vận hành, kỹ sư và nhà nghiên cứu thường xem xét hình ảnh bằng tay, xác thực kết quả và quản lý dữ liệu trên nhiều công cụ.

Điều này làm cho các quy trình trở nên chậm hơn, khó tiêu chuẩn hóa hơn và dễ dẫn đến sự thiếu nhất quán, đặc biệt là khi khối lượng dữ liệu tăng lên. Ngay cả khi các tổ chức muốn áp dụng computer vision, quá trình chuyển đổi không phải lúc nào cũng đơn giản.

Việc tích hợp AI vào các hệ thống hiện có có thể đòi hỏi thay đổi các quy trình đã được thiết lập, hạ tầng mới hoặc nỗ lực kỹ thuật bổ sung. Đó là lý do tại sao nhiều giải pháp khó mở rộng hoặc duy trì theo thời gian.

Ví dụ, trong các môi trường nghiên cứu như chụp ảnh võng mạc để phát hiện sớm bệnh Alzheimer, những thách thức này trở nên phức tạp hơn. Các nhà nghiên cứu cần phát hiện các đặc điểm rất nhỏ, quản lý các tập dữ liệu hình ảnh lớn và đảm bảo kết quả luôn nhất quán trong các điều kiện khác nhau.

Hình 1. Một hình ảnh ví dụ về chụp ảnh võng mạc trên mắt chuột.

Nếu không có cách hợp lý để xử lý phân tích, quản lý dữ liệu và đầu ra, việc mở rộng các quy trình này và duy trì kết quả đáng tin cậy sẽ trở nên khó khăn.

Link to this sectionTự động hóa phân tích ảnh võng mạc với các model Ultralytics YOLO#

Pixelabs đã giải quyết những thách thức này bằng cách tích hợp các model Ultralytics YOLO vào Pixelabs AI-Engine. Nền tảng này đóng vai trò là cốt lõi cho các giải pháp AI trực quan của công ty, giúp việc phân tích hình ảnh và video thời gian thực trở nên liền mạch hơn trên các ứng dụng khác nhau mà không làm gián đoạn các quy trình làm việc hiện có.

Nó hỗ trợ một loạt các tác vụ, bao gồm nhận diện đối tượng và lỗi, phân tích bề mặt và kết cấu, quản lý màu sắc và OCR. Vì nền tảng này không phụ thuộc vào phần cứng và được thiết kế để tích hợp thông qua các API, nó có thể được triển khai trên các môi trường khác nhau và mở rộng quy mô.

Cách tiếp cận này đã được áp dụng trong một sự hợp tác gần đây với nhóm nghiên cứu Alzheimer CIBIR, nơi Pixelabs đã phát triển một hệ thống để hỗ trợ phát hiện sớm bệnh Alzheimer ở chuột bằng cách chụp ảnh võng mạc. Mục tiêu là xác định các chỉ dấu nhỏ, chẳng hạn như các lắng đọng amyloid beta, có thể báo hiệu giai đoạn đầu của bệnh.

Để thực hiện việc này, Pixelabs đã xây dựng một quy trình kết nối lưu trữ dữ liệu, image processing và một giao diện người dùng. Các hình ảnh võng mạc, được chụp bằng các thiết bị chụp đáy mắt chuyên dụng trong phòng thí nghiệm, trước tiên được truyền qua Secure File Transfer Protocol (SFTP) và lưu trữ trong một hệ thống tập trung, giúp việc quản lý và truy cập các tập dữ liệu lớn trở nên dễ dàng hơn.

Để đảm bảo kết quả nhất quán, các bước tiền xử lý được áp dụng để xử lý sự khác biệt về chất lượng hình ảnh và ánh sáng. Điều này giúp hệ thống duy trì độ chính xác trên các mẫu và điều kiện khác nhau.

Các hình ảnh sau đó được phân tích bằng cách sử dụng các model vision AI, bao gồm các model Ultralytics YOLOv8 được huấn luyện tùy chỉnh. Các biến thể trung bình và lớn của YOLOv8 được sử dụng để cân bằng giữa hiệu suất và độ chính xác.

Trong pipeline này, các model Ultralytics YOLO được sử dụng cho object detection và image classification để xác định và định vị các khu vực nhỏ quan tâm, chẳng hạn như các lắng đọng amyloid beta, trực tiếp trong hình ảnh võng mạc.

Hình 2. Các model computer vision như Ultralytics YOLOv8 có thể giúp phát hiện các lắng đọng amyloid beta.

Cuối cùng, các kết quả được trình bày thông qua một nền tảng dựa trên web, nơi người dùng có thể tải lên hình ảnh, lọc dữ liệu theo các thuộc tính như tuổi tác, giới tính hoặc kiểu hình, và xem các đặc điểm được phát hiện cùng với điểm tin cậy. Điều này giúp đơn giản hóa việc chuyển đổi từ dữ liệu hình ảnh thô sang các thông tin chi tiết rõ ràng, có thể sử dụng được.

Link to this sectionTại sao lại chọn các mô hình Ultralytics YOLO?#

Đối với Pixelabs, các model Ultralytics YOLO là lựa chọn hoàn hảo, cung cấp một nền tảng thực tế và linh hoạt để xây dựng các computer vision solutions có thể thích ứng nhanh chóng với các trường hợp sử dụng khác nhau. Chúng dễ dàng huấn luyện và tinh chỉnh, cho phép đội ngũ lặp lại nhanh hơn và phản ứng với các yêu cầu mới mà không cần phải thiết kế lại hệ thống.

Sự linh hoạt này đã có tác động trực tiếp đến tốc độ phát triển. Bằng cách tận dụng YOLO, Pixelabs đã có thể tăng tốc các chu kỳ phát triển của mình và đưa các giải pháp vào sản xuất nhanh hơn, giảm thời gian đưa ra thị trường cho các ứng dụng mới. Đồng thời, các model đã mang lại kết quả chính xác và nhất quán hơn.

Link to this sectionĐạt độ recall lên tới 95% trong khi cải thiện hiệu quả#

Việc tích hợp các model Ultralytics YOLO vào Pixelabs AI-Engine đã dẫn đến những cải thiện rõ rệt về hiệu suất phân tích. Trong trường hợp sử dụng nghiên cứu về Alzheimer, hệ thống đã đạt tỷ lệ recall khoảng 90%, tăng lên tới 95% khi bệnh tiến triển và các chỉ dấu trở nên rõ ràng hơn.

Điều này cho phép các nhà nghiên cứu phát hiện các đặc điểm nhỏ, chẳng hạn như các lắng đọng amyloid beta, một cách đáng tin cậy hơn trên các tập dữ liệu hình ảnh lớn. Kết quả là, quá trình phân tích trở nên nhất quán hơn, giảm thiểu sự biến thiên và giúp đảm bảo rằng các chỉ dấu quan trọng không bị bỏ sót.

Ngoài trường hợp sử dụng này, Pixelabs cũng nhận được phản hồi tích cực nhất quán từ các khách hàng sử dụng các giải pháp của mình trong các ứng dụng khác nhau. Người dùng làm nổi bật những cải thiện trong cách thức thực hiện các quy trình, đặc biệt là về hiệu quả và độ tin cậy.

Tác động khác nhau tùy thuộc vào từng trường hợp sử dụng cụ thể, phản ánh sự linh hoạt của nền tảng và khả năng thích ứng với các nhu cầu vận hành khác nhau. Nhìn chung, những cải tiến này đã giúp việc quản lý và phân tích dữ liệu trực quan ở quy mô lớn trở nên dễ dàng hơn, hỗ trợ các kết quả đáng tin cậy hơn và các quy trình làm việc hiệu quả hơn.

Link to this sectionThúc đẩy AI trực quan trên khắp các ngành công nghiệp#

Pixelabs đang tiếp tục mở rộng các khả năng của nền tảng AI trực quan của mình trên các trường hợp sử dụng và ngành công nghiệp mới. Dựa trên công việc của mình trong các ứng dụng nghiên cứu như phát hiện Alzheimer, đội ngũ tập trung vào việc tinh chỉnh các model của mình và thúc đẩy phân tích trực quan bằng cách sử dụng các công nghệ như model Ultralytics YOLO.

Bằng cách liên tục cải thiện công nghệ của mình, Pixelabs đặt mục tiêu giúp các tổ chức tự động hóa các quy trình hiệu quả hơn và áp dụng computer vision trên phạm vi rộng hơn các quy trình làm việc trong thực tế.

Bạn quan tâm đến việc hợp lý hóa các quy trình làm việc của công ty mình? Hãy xem GitHub repository của chúng tôi để tìm hiểu thêm về Vision AI. Khám phá cách các model YOLO đang thúc đẩy sự đổi mới trong các lĩnh vực như AI in healthcare và computer vision in retail. Để làm quen với YOLO, hãy khám phá cách các tùy chọn cấp phép của chúng tôi có thể hỗ trợ dự án của bạn.