Computer Vision (CV)

Thị giác máy tính (CV) là lĩnh vực trí tuệ nhân tạo (AI) giúp máy tính trích xuất ý nghĩa từ ảnh, video và dữ liệu thị giác khác: có những đối tượng nào, chúng ở đâu, di chuyển ra sao và điều gì đang diễn ra trong một cảnh. Các hệ thống hiện đại học những khả năng này từ ví dụ. Model được huấn luyện trên hàng nghìn ảnh đã gán nhãn sẽ học các mẫu thị giác định nghĩa ô tô, vết nứt hoặc khối u, rồi áp dụng những mẫu đó vào ảnh chưa từng thấy; vì vậy ngày nay lĩnh vực này dựa trên học máy (ML) và đặc biệt là học sâu (DL).

Cách thị giác máy tính hoạt động#

Đối với máy tính, ảnh màu là một lưới số. Ảnh 640×480 có 921,600 giá trị: mỗi pixel có một giá trị cho từng trong ba kênh màu, với cường độ từ 0 đến 255. Pipeline thị giác máy tính chuyển lưới số đó thành quyết định qua năm giai đoạn.

Camera hoặc cảm biến ghi nhận ảnh; bước tiền xử lý, thường dùng OpenCV, thay đổi kích thước và chuẩn hóa ảnh để model luôn nhận đầu vào ở cùng định dạng. Sau đó, model thực hiện trích xuất đặc trưng: các lớp đầu của mạng neural tích chập (CNN) phản hồi với cạnh và gradient màu, các lớp giữa kết hợp chúng thành texture và bộ phận, còn các lớp sâu phản hồi với toàn bộ đối tượng. Vision Transformer (ViT) tạo ra biểu diễn tương tự bằng cách chia ảnh thành các patch và liên hệ từng patch với tất cả patch còn lại thông qua self-attention. Một head dành riêng cho tác vụ chuyển đặc trưng thành đầu ra, chẳng hạn nhãn class, tập hợp bounding box hoặc mask pixel; hệ thống xung quanh sẽ hành động dựa trên đầu ra đó bằng cách loại bỏ một bộ phận lỗi, phanh xe hoặc phát cảnh báo.

Model học các đặc trưng này thông qua học có giám sát. Trong quá trình huấn luyện, model dự đoán trên ảnh đã gán nhãn, hàm loss đo độ chênh lệch giữa từng dự đoán với ground truth, còn lan truyền ngược điều chỉnh trọng số để giảm sai số. Các dataset công khai lớn như ImageNet, với hơn 14 triệu ảnh đã gán nhãn, và COCO, với 80 danh mục đối tượng thường gặp, cung cấp dữ liệu tiền huấn luyện mà hầu hết model tùy chỉnh đều bắt đầu sử dụng thông qua transfer learning.

Từ đặc trưng thủ công đến học sâu#

Thị giác máy tính thời kỳ đầu dựa vào các đặc trưng được thiết kế thủ công. Kỹ sư viết bộ phát hiện cạnh, góc và mẫu gradient như SIFT và HOG, rồi đưa các đặc trưng đó vào bộ phân loại; các hệ thống thu được thường hỏng khi ánh sáng, góc nhìn hoặc phông nền thay đổi. Bước ngoặt đến vào năm 2012, khi AlexNet chiến thắng thử thách ImageNet với tỷ lệ lỗi top-5 là 15,3%, so với 26,2% của bài dự thi xếp thứ hai. Kể từ đó, CNN và Vision Transformer từ năm 2020 đã học trực tiếp các đặc trưng từ dữ liệu. Các mô hình thị giác-ngôn ngữ (VLM) hiện kết hợp ảnh với văn bản, nhờ vậy một model có thể trả lời câu hỏi mở về ảnh hoặc tìm đối tượng được mô tả bằng ngôn ngữ thông thường. Bảng xếp hạng VLM đo lường độ chính xác khi các model này phát hiện đối tượng trong dataset thực tế.

Các tác vụ cốt lõi của thị giác máy tính#

Mỗi tác vụ trả lời một câu hỏi khác nhau về ảnh:

• Phát hiện đối tượng: tìm từng đối tượng và vẽ box bao quanh đối tượng đó, kèm class và điểm confidence, nhờ vậy có thể đếm và xác định vị trí.
• Phân đoạn instance: tạo mask pixel riêng cho từng đối tượng, nhờ vậy hai người đứng cạnh nhau vẫn được tách biệt.
• Phân đoạn ngữ nghĩa: gán một class cho từng pixel, chẳng hạn đường, vỉa hè hoặc bầu trời.
• Ước tính độ sâu: dự đoán khoảng cách từ camera đến từng pixel chỉ từ một ảnh.
• Phân loại ảnh: gán một nhãn cho toàn bộ ảnh, chẳng hạn "lỗi" hoặc "OK".
• Ước tính tư thế: xác định vị trí các keypoint như khớp cơ thể để đo tư thế và chuyển động.
• Bounding box định hướng (OBB): khớp box xoay với các đối tượng ở góc bất kỳ, chẳng hạn tàu và máy bay trong ảnh vệ tinh.
• Theo dõi đối tượng: liên kết các kết quả phát hiện qua các khung hình video để mỗi đối tượng giữ ID nhất quán.

Chọn tác vụ bắt đầu từ đầu ra mà ứng dụng cần:

Ultralytics YOLO26 hỗ trợ bảy trong số các tác vụ này bằng một API Python: cùng một lệnh gọi YOLO() tải model detection, phân đoạn instance, phân đoạn ngữ nghĩa, độ sâu, classification, pose hoặc OBB; model.track() bổ sung tracking trên video. Ví dụ này chạy phát hiện đối tượng trên ảnh mẫu:

from ultralytics import YOLO

# Tải model phát hiện YOLO26 nano đã huấn luyện trước
model = YOLO("yolo26n.pt")

# Chạy suy luận trên ảnh đường phố mẫu
results = model("https://ultralytics.com/images/bus.jpg")
result = results[0]

# In số lượng đối tượng được phát hiện theo từng class và lưu ảnh đã annotation
print(result.verbose())
result.save(filename="bus_detections.jpg")

Dòng được in ra đếm số kết quả phát hiện theo từng class; ảnh đã lưu vẽ từng kết quả cùng box, nhãn và điểm confidence.

Thị giác máy tính và các lĩnh vực liên quan#

• Xử lý ảnh: biến đổi một ảnh thành ảnh khác bằng cách làm sắc nét, khử nhiễu, thay đổi kích thước hoặc điều chỉnh độ tương phản. Pipeline thị giác máy tính dùng các thao tác này làm bước tiền xử lý trước khi diễn giải cảnh.
• Thị giác máy: ứng dụng công nghiệp của thị giác máy tính vào kiểm tra và dẫn hướng robot, thường sử dụng camera cố định, ánh sáng được kiểm soát và phần cứng chuyên dụng trên dây chuyền sản xuất.
• Nhận dạng ảnh: từ đồng nghĩa thường dùng với phân loại ảnh, đôi khi được dùng theo nghĩa rộng cho bất kỳ tác vụ nào xác định nội dung của ảnh.

Ứng dụng thực tế#

• Sản xuất: camera kiểm tra mọi bộ phận ở tốc độ dây chuyền để tìm vết nứt, vết xước và linh kiện lệch vị trí, đồng thời theo dõi hao mòn máy móc trước khi xảy ra hỏng hóc.
• Chẩn đoán hình ảnh y khoa: model đánh dấu khối u, gãy xương và bệnh võng mạc trên ảnh X-quang, ảnh CT và ảnh võng mạc để bác sĩ chẩn đoán xem xét.
• Xe tự hành: xe phát hiện làn đường, biển báo, người đi bộ và phương tiện khác theo thời gian thực, đồng thời hợp nhất đầu ra camera với radar và LiDAR thành model 3D về môi trường xung quanh.
• Bán lẻ: camera trên kệ phát hiện vị trí trưng bày trống và sản phẩm đặt sai chỗ; cửa hàng không quầy thanh toán theo dõi các mặt hàng khách mua.
• Nông nghiệp: drone và máy phun phân biệt cây trồng với cỏ dại theo từng cây, để thuốc diệt cỏ và phân bón chỉ được sử dụng ở nơi cần thiết.
• An ninh và thành phố thông minh: hệ thống đếm người và phương tiện, theo dõi luồng giao thông, đồng thời dùng phát hiện bất thường để cảnh báo sự kiện khác thường trong khu vực hạn chế.

Thách thức và hạn chế#

Chất lượng model phụ thuộc vào tập huấn luyện, còn gán nhãn dữ liệu—vẽ box hoặc mask trên hàng nghìn ảnh—thường tốn nhiều công sức hơn chính việc huấn luyện model. Điều kiện cũng thay đổi sau khi triển khai: mưa, chói sáng, ánh sáng ban đêm, hiện tượng che khuất hoặc camera bị di chuyển có thể làm đầu vào khác với dữ liệu model đã thấy khi huấn luyện. Tăng cường dữ liệu mô phỏng các điều kiện này trong quá trình huấn luyện; validation trên các ảnh được giữ riêng giúp phát hiện overfitting trước khi phát hành.

Năng lực tính toán là ràng buộc tiếp theo. Camera, drone và điện thoại chạy model trong giới hạn nghiêm ngặt về điện năng và bộ nhớ, vì vậy các triển khai AI biên ưu tiên model nhỏ và lượng tử hóa model để đạt tốc độ thời gian thực mà không cần gửi video lên cloud.

Các hệ thống phân tích con người làm nảy sinh lo ngại về thiên lệch và quyền riêng tư. Dataset đại diện chưa đầy đủ cho một số nhóm sẽ tạo ra model có hiệu năng không đồng đều giữa các nhóm; dữ liệu khuôn mặt và cơ thể được xem là dữ liệu cá nhân nhạy cảm theo hầu hết luật về quyền riêng tư. Kể từ tháng 2 năm 2025, Đạo luật AI EU đã cấm cơ quan thực thi pháp luật nhận dạng sinh trắc học từ xa theo thời gian thực tại không gian công cộng, ngoại trừ một số trường hợp hẹp như tìm kiếm nạn nhân bị bắt cóc hoặc ngăn chặn mối đe dọa khủng bố sắp xảy ra.