Computer Vision (CV)

Computer vision (CV) là lĩnh vực trí tuệ nhân tạo (AI) cho phép máy tính và hệ thống rút ra thông tin có ý nghĩa từ hình ảnh kỹ thuật số, video và các đầu vào trực quan khác. Nếu AI cho phép máy móc suy nghĩ, thì computer vision cho phép chúng nhìn, quan sát và thấu hiểu. Không giống như các công cụ xử lý ảnh dựa trên quy tắc, các hệ thống hiện đại học trực tiếp từ dữ liệu: chúng không bao giờ được hướng dẫn rõ ràng một chiếc ô tô hay một khối u trông như thế nào, mà thay vào đó tự nhận diện các mẫu cơ bản qua hàng nghìn ví dụ có nhãn và khái quát hóa kiến thức đó cho những hình ảnh mà chúng chưa từng gặp. Bằng cách áp dụng machine learning (ML) và deep learning (DL), computer vision biến dữ liệu trực quan phi cấu trúc thành các quyết định mà phần mềm có thể hành động dựa trên đó.

Cách thức hoạt động của Thị giác máy tính#

Máy tính nhìn nhận một hình ảnh như một mảng các giá trị số đại diện cho các pixel. Việc biến mảng đó thành một hành động tuân theo một quy trình gồm năm giai đoạn.

Thu nhận hình ảnh (Image acquisition). Quy trình bắt đầu với phần cứng — cảm biến CMOS, camera hồng ngoại hoặc máy quét LiDAR — thu nhận ánh sáng và chuyển đổi nó thành một lưới pixel kỹ thuật số. Việc hiệu chỉnh camera sẽ bù trừ cho hình học của ống kính trước khi quá trình phân tích bắt đầu.

Tiền xử lý (Preprocessing). Dữ liệu thu được được chuẩn hóa để mô hình nhận được đầu vào nhất quán: thay đổi kích thước, giảm nhiễu và điều chỉnh độ tương phản.

Trích xuất đặc trưng (Feature extraction). Hệ thống xác định các đặc trưng cấp thấp như cạnh, gradient và góc. Khi dữ liệu đi sâu hơn vào mạng, các thành phần cơ bản đó kết hợp thành các đặc trưng cấp cao — kết cấu, hoa văn và hình học phức tạp. Hệ thống có thể phát hiện các đường thẳng đứng, nhận diện chúng là các cột hàng rào, sau đó hiểu bối cảnh là một ranh giới chu vi. Quá trình này được gọi là trích xuất đặc trưng.

Suy luận mô hình (Model inference). Động cơ của computer vision hiện đại là mạng nơ-ron tích chập (CNN). Không giống như một mạng nơ-ron tiêu chuẩn xử lý hình ảnh như một danh sách số phẳng, CNN bảo toàn mối quan hệ không gian giữa các pixel, sử dụng các bộ lọc trượt qua hình ảnh để phát hiện các mẫu bất kể chúng xuất hiện ở đâu trong khung hình. Gần đây, Vision Transformers (ViTs) đã nổi lên như một giải pháp thay thế mạnh mẽ, áp dụng cơ chế chú ý (attention mechanism) từ xử lý ngôn ngữ tự nhiên vào dữ liệu hình ảnh.

Đầu ra và hành động (Output and action). Mô hình trả về một kết quả có cấu trúc — một nhãn, một tập hợp các khung giới hạn (bounding box), hoặc một mặt nạ pixel (pixel mask) — mà hệ thống xung quanh sẽ thực hiện hành động dựa trên đó: từ chối một linh kiện bị lỗi, phanh xe, hoặc phát cảnh báo.

Cách một mô hình học#

Một mô hình chỉ tốt bằng lượng dữ liệu nó tiếp nhận. Học có giám sát (Supervised learning) đòi hỏi khối lượng lớn dữ liệu huấn luyện (training data), và các bộ chuẩn (benchmark) như ImageNet và COCO cung cấp hàng triệu ví dụ có chú thích. Trong quá trình huấn luyện, mô hình đưa ra dự đoán, so sánh dự đoán của nó với nhãn sự thật mặt đất (ground-truth label), và điều chỉnh các trọng số nội bộ để giảm thiểu sai số. Sau khi được huấn luyện, chính mô hình đó sẽ thực hiện bước suy luận ở trên.

Sự chuyển dịch từ hệ thống dựa trên quy tắc sang deep learning#

Computer vision thời kỳ đầu phụ thuộc vào kỹ thuật trích xuất đặc trưng thủ công: các kỹ sư xác định các tham số hình học cứng nhắc để giúp máy móc nhận diện đối tượng. Các hệ thống đó rất mỏng manh, dễ thất bại bất cứ khi nào ánh sáng thay đổi hoặc một đối tượng xuất hiện ở góc nhìn lạ. Việc công bố AlexNet vào năm 2012, được huấn luyện trên hơn một triệu hình ảnh ImageNet có nhãn, đã đánh dấu một bước ngoặt bằng cách chứng minh rằng mạng tích chập có thể vượt trội hơn các phương pháp thủ công ở quy mô lớn. Deep learning đã thay thế các quy tắc tinh chỉnh thủ công bằng các kiến trúc tự học các đặc trưng của riêng chúng — đủ linh hoạt để trụ vững trong các điều kiện thực tế không bao giờ được kiểm soát hoàn hảo.

Computer Vision so với Image Processing so với Machine Vision#

Điều quan trọng là phân biệt computer vision với các lĩnh vực lân cận thường bị nhầm lẫn.

• Xử lý ảnh (Image processing) thao tác trên một hình ảnh để nâng cao chất lượng hoặc trích xuất tín hiệu — điều chỉnh độ sáng, độ tương phản hoặc áp dụng các bộ lọc. Đầu ra của nó thường là một hình ảnh khác. Computer vision lấy hình ảnh làm đầu vào và đầu ra là một sự giải thích ("có ba người trong căn phòng này"). Computer vision thường xuyên sử dụng xử lý ảnh như một bước chuẩn bị.
• Thị giác máy (Machine vision) đề cập đến các hệ thống kiểm tra công nghiệp hoạt động trong các môi trường được kiểm soát chặt chẽ với ánh sáng cố định và vị trí linh kiện đã biết. Computer vision là một bộ môn rộng lớn hơn, được xây dựng để xử lý các điều kiện không thể đoán trước và không được kiểm soát.
• Xử lý ngôn ngữ tự nhiên (Natural language processing) xử lý văn bản và giọng nói. Computer vision tập trung hoàn toàn vào dữ liệu trực quan, mặc dù các mô hình ngôn ngữ thị giác (vision language models) đang ngày càng thu hẹp khoảng cách giữa hai lĩnh vực này.

Các tác vụ cốt lõi của Computer Vision#

Computer vision không phải là một chức năng đơn lẻ mà là một tập hợp các tác vụ riêng biệt, mỗi tác vụ giải quyết một vấn đề khác nhau. Để có cái nhìn chi tiết hơn về từng tác vụ, hãy xem hướng dẫn đầy đủ về computer vision tasks.

• Phân loại hình ảnh (Image classification): gán một nhãn duy nhất cho toàn bộ hình ảnh, trả lời câu hỏi "có gì trong bức ảnh này?" — ví dụ: phân loại sản phẩm là bị lỗi hay không bị lỗi. Có liên quan chặt chẽ là nhận diện hình ảnh (image recognition), xác định những gì hiện diện.
• Phát hiện đối tượng (Object detection): nhận diện các đối tượng riêng biệt và vẽ một khung giới hạn (bounding box) xung quanh mỗi đối tượng, cho phép các hệ thống đếm và định vị nhiều đối tượng trong một khung hình duy nhất.
• Phân đoạn thực thể (Instance segmentation): tạo ra một mặt nạ cấp độ pixel (pixel-level mask) cho mỗi đối tượng được phát hiện, tách biệt các thực thể riêng lẻ của cùng một lớp. Phân đoạn ngữ nghĩa (Semantic segmentation) thay vào đó gán một lớp cho mọi pixel mà không phân biệt các thực thể.
• Ước lượng tư thế (Pose estimation): phát hiện các điểm mấu chốt trên một đối tượng, chẳng hạn như các khớp trên cơ thể người, để theo dõi chuyển động và tư thế.
• Khung giới hạn có định hướng (Oriented bounding boxes): khớp các hộp xoay với các đối tượng không căn chỉnh theo trục — rất thiết yếu trong hình ảnh trên không và hình ảnh vệ tinh.
• Theo dõi đối tượng (Object tracking): theo dõi một đối tượng xuyên suốt dòng video, duy trì một ID nhất quán giữa các khung hình. Dòng quang học (Optical flow) mở rộng điều này bằng cách phân tích chuyển động rõ ràng giữa các khung hình liên tiếp.
• Nhận dạng ký tự quang học (OCR): chuyển đổi hình ảnh văn bản in hoặc viết tay thành dữ liệu máy đọc được, tự động hóa xử lý tài liệu (document processing) ở quy mô lớn.

Lựa chọn tác vụ phù hợp#

Việc căn chỉnh tác vụ kỹ thuật với mục tiêu kinh doanh ngay từ đầu sẽ giúp tránh việc phải làm lại tốn kém.

Các ứng dụng trong thực tế#

Computer vision giờ đây đóng vai trò nền tảng cho các hệ thống sản xuất trong hầu hết các ngành công nghiệp lớn.

• Sản xuất và kiểm soát chất lượng (Manufacturing and quality control). Các dây chuyền sản xuất hiện đại chạy nhanh hơn năng lực thị giác của con người. Các hệ thống thị giác thực hiện kiểm tra chất lượng (quality inspection) tức thời, nhận diện các vết nứt vi mô hoặc linh kiện bị lệch ở tốc độ dây chuyền mà không hề gặp phải sự mệt mỏi như thanh tra con người. Việc giám sát các mẫu hao mòn trên máy móc cũng hỗ trợ bảo trì dự đoán — phát hiện các dấu hiệu hỏng hóc trước khi sự cố gây ra thời gian ngừng hoạt động ngoài kế hoạch. Xem thêm computer vision trong sản xuất và phát hiện lỗi (defect detection).
• Chăm sóc sức khỏe và chẩn đoán (Healthcare and diagnostics). Các thuật toán phân tích hình ảnh y tế (Medical image analysis) xử lý ảnh X-quang, MRI và CT scan để phát hiện các khối u giai đoạn đầu, các vết gãy xương nhỏ và các bất thường ở võng mạc vốn dễ bị bỏ sót dưới áp lực thời gian. Trong phòng phẫu thuật, các hệ thống thị giác cung cấp bản đồ không gian thời gian thực trong các thủ thuật xâm lấn tối thiểu. Xem thêm computer vision trong y tế.
• Bán lẻ (Retail). Các cửa hàng không cần thanh toán sử dụng sự kết hợp cảm biến (sensor fusion) và các thuật toán thị giác để theo dõi các mặt hàng rời khỏi kệ và tính tiền khách hàng tự động. Các hệ thống tương tự giám sát mức độ hàng trên kệ trong thời gian thực để kích hoạt cảnh báo bổ sung hàng, hỗ trợ quản lý hàng tồn kho (inventory management) và phòng chống thất thoát bán lẻ (retail loss prevention). Xem thêm computer vision trong bán lẻ.
• Giao thông tự hành (Autonomous transportation). Lớp nhận thức là thành phần quan trọng đối với an toàn nhất của một chiếc xe tự lái. Các hệ thống thị giác nhận diện vạch kẻ đường, biển báo giao thông, người đi bộ và các phương tiện khác trong thời gian thực, kết hợp đầu vào từ camera với radar và LiDAR để xây dựng mô hình 360 độ về môi trường xung quanh phương tiện thông qua phát hiện đối tượng 3D (3D object detection). Xem thêm xe tự hành (autonomous vehicles).
• Bảo mật và giám sát (Security and monitoring). Cơ sở hạ tầng an ninh đã chuyển từ ghi hình thụ động sang can thiệp chủ động — phát hiện hành vi lang thang ở các khu vực hạn chế, đánh dấu các mẫu hành vi bất thường ngay khi chúng xảy ra, và hỗ trợ quản lý hàng đợi (queue management) ở những nơi công cộng. Phát hiện bất thường (Anomaly detection) là năng lực nền tảng.
• Nông nghiệp (Agriculture). Máy bay không người lái (drone) và máy kéo đánh giá sức khỏe cây trồng ở mức độ từng cây riêng lẻ, phân tích hình ảnh đa phổ để tìm tình trạng mất nước, sâu bệnh tấn công hoặc thiếu dinh dưỡng. Nước, thuốc trừ sâu và phân bón sau đó chỉ được áp dụng ở nơi cần thiết thay vì trên toàn bộ cánh đồng. Xem thêm computer vision trong nông nghiệp.

Computer Vision tại Biên (Edge)#

Phân tích trực quan thời gian thực ngày càng chạy tại biên (edge) — trực tiếp trên camera hoặc cổng kết nối cục bộ (local gateway) — thay vì định tuyến video đến máy chủ đám mây tập trung. Điều này quan trọng vì hai lý do.

Độ trễ giảm xuống gần bằng không, điều này không thể thương lượng đối với robot tự hành hoặc kiểm tra dây chuyền công nghiệp nơi độ trễ tính bằng mili-giây gây ra lỗi. Và bởi vì chỉ có siêu dữ liệu (metadata) truyền qua mạng thay vì video thô, yêu cầu về băng thông giảm mạnh trong khi quyền riêng tư được cải thiện, vì các cảnh quay nhạy cảm không bao giờ rời khỏi thiết bị cục bộ. Edge AI và suy luận thời gian thực (real-time inference) là những yếu tố làm cho điều này trở nên thiết thực, và các tùy chọn triển khai mô hình (model deployment) như ONNX và TensorRT cho phép một mô hình duy nhất đã được huấn luyện chạy trên nhiều phần cứng khác nhau.

Thách thức và Hạn chế#

Chất lượng dữ liệu (Data quality). Một mô hình phản ánh chất lượng dữ liệu huấn luyện của nó. Các tập dữ liệu có độ phân giải thấp, được gán nhãn kém hoặc không mang tính đại diện sẽ tạo ra các mô hình không đáng tin cậy, và việc xây dựng một tập dữ liệu có chú thích đa dạng thường tốn nhiều công sức hơn là thiết kế thuật toán. Xem thêm gắn nhãn dữ liệu (data labeling).

Biến số môi trường (Environmental variables). Mưa lớn, hiện tượng lóa ống kính (lens flare), che khuất một phần và tỷ lệ đối tượng thay đổi đều làm giảm hiệu suất. Các hệ thống mạnh mẽ dựa vào tăng cường dữ liệu (data augmentation) trong quá trình huấn luyện để mô phỏng các điều kiện này và xây dựng khả năng chống chịu trước khi triển khai, đồng thời dựa vào việc xác thực cẩn thận để tránh quá khớp (overfitting).

Cân nhắc về đạo đức và sự thiên vị (Ethical considerations and bias). Một mô hình được huấn luyện trên một tập dữ liệu thiếu sự đa dạng nhân khẩu học sẽ hoạt động không đồng đều giữa các nhóm dân số. Các tổ chức triển khai các hệ thống phân tích con người — trong hình ảnh y tế, an toàn nơi làm việc, hoặc không gian công cộng — phải kiểm toán các tập dữ liệu của họ về tính công bằng và tuân thủ các quy định mới nổi bao gồm việc ra quyết định tự động.

Tương lai của Computer Vision#

Vision Transformers đang định hình lại những gì có thể đạt được đối với các tác vụ đòi hỏi sự thấu hiểu về các mối quan hệ giữa các phần cách xa nhau trong một hình ảnh. Vượt ra ngoài điều đó, học đa phương thức (multi-modal learning) kết hợp dữ liệu trực quan với văn bản, âm thanh và độ sâu để xây dựng các hệ thống có sự thấu hiểu ngữ cảnh phong phú hơn — các mô hình ngôn ngữ thị giác trả lời các câu hỏi về hình ảnh là một ví dụ sớm.

Generative AI đang giải quyết trực tiếp tình trạng khan hiếm dữ liệu. Dữ liệu tổng hợp (Synthetic data) giúp tạo ra các hình ảnh siêu thực tế về các kịch bản hiếm gặp — các chế độ lỗi cụ thể, các biểu hiện bệnh lý ít gặp — mà không thể thu thập đủ khối lượng trong thế giới thực. Trong khi đó, các camera cảm biến độ sâu và LiDAR đang thúc đẩy các hệ thống vượt qua phân tích hình ảnh phẳng hướng tới điện toán không gian (spatial computing), nơi thông tin kỹ thuật số được chồng lên thế giới vật lý cho các ứng dụng như bảo trì được hướng dẫn bằng AR và lập bản đồ cấu trúc.

Triển khai Computer Vision với Ultralytics#

Đối với các nhóm đang thử nghiệm một dự án computer vision, Ultralytics YOLO26 là một điểm khởi đầu thiết thực cho việc phát hiện đối tượng (object detection) thời gian thực — mã nguồn mở, được tài liệu hóa đầy đủ và đủ nhanh để chạy tại biên. Các số liệu về độ chính xác và độ trễ trên các phần cứng được công bố trên trang benchmark, với các so sánh mô hình song song (side-by-side model comparisons) trong tài liệu. Hệ sinh thái rộng lớn hơn bao gồm OpenCV cho xử lý ảnh cổ điển và PyTorch làm framework huấn luyện chính.

from ultralytics import YOLO

# Load the YOLO26n model (nano version for speed)
model = YOLO("yolo26n.pt")

# Run inference on a standard example image
# The model identifies objects and their locations
results = model("https://ultralytics.com/images/bus.jpg")

# Display the resulting image with bounding boxes
results[0].show()

Script này sử dụng một mô hình được huấn luyện trước để thực hiện suy luận (inference) chỉ trong vài dòng lệnh. Các nhóm chuyển đổi từ thử nghiệm sang sản xuất có thể sử dụng Ultralytics Platform để chú thích tập dữ liệu, huấn luyện mô hình trên đám mây và quản lý việc triển khai, hoặc áp dụng học chuyển giao (transfer learning) để thích ứng một mô hình đã được huấn luyện trước với một tập dữ liệu tùy chỉnh với lượng dữ liệu có nhãn ít hơn nhiều so với việc huấn luyện từ đầu.

Các câu hỏi thường gặp#

Sự khác biệt giữa computer vision và machine learning là gì? Machine learning là bộ môn rộng lớn hơn về việc xây dựng các hệ thống học từ dữ liệu. Computer vision là ứng dụng của bộ môn đó — thường thông qua deep learning — đối với các đầu vào trực quan như hình ảnh và video. Gần như tất cả computer vision hiện đại đều được xây dựng trên machine learning, nhưng machine learning cũng bao gồm văn bản, âm thanh và dữ liệu dạng bảng.

Computer vision có giống với nhận diện hình ảnh (image recognition) không? Không. Nhận diện hình ảnh là một tác vụ trong computer vision — xác định những gì xuất hiện trong một hình ảnh. Computer vision cũng bao gồm phát hiện đối tượng, phân đoạn, ước lượng tư thế, theo dõi và thấu hiểu bối cảnh.

Cần bao nhiêu dữ liệu để huấn luyện một model computer vision? Điều này phụ thuộc vào độ phức tạp của tác vụ và mức độ biến thiên mà model cần xử lý. Transfer learning từ một pre-trained model chẳng hạn như Ultralytics YOLO26 giúp giảm đáng kể yêu cầu này, và các bộ phát hiện tùy chỉnh hữu ích thường được huấn luyện trên vài trăm đến vài nghìn ảnh có nhãn cho mỗi class thay vì hàng triệu ảnh được dùng để huấn luyện các model nền tảng.

Computer vision có thể chạy mà không cần kết nối internet không? Có. Các mô hình có thể được triển khai trực tiếp tới các thiết bị biên và chạy hoàn toàn ngoại tuyến, đây là thực tế tiêu chuẩn khi độ trễ, băng thông hoặc quy tắc quyền riêng tư loại trừ việc gửi video lên đám mây.

Ngôn ngữ lập trình nào được sử dụng cho computer vision? Python thống trị, nhờ vào sự trưởng thành của hệ sinh thái của nó — gói ultralytics, PyTorch và OpenCV. C++ được sử dụng ở những nơi đòi hỏi hiệu suất suy luận tối đa, thường là trong các hệ thống nhúng và ô tô.