Image Classification
Khám phá những kiến thức cơ bản về phân loại ảnh, từ CNN đến các ứng dụng AI thực tế. Tìm hiểu cách huấn luyện và triển khai các bộ phân loại tiên tiến nhất với Ultralytics YOLO26.
Phân loại ảnh là tác vụ nền tảng trong thị giác máy tính (CV), trong đó model machine learning phân tích toàn bộ ảnh và gán cho ảnh một nhãn duy nhất từ tập danh mục định trước. Về cơ bản, tác vụ này trả lời câu hỏi: "Chủ thể chính của bức ảnh này là gì?" Là thành phần cốt lõi của trí tuệ nhân tạo (AI), quy trình này cho phép hệ thống tự động sắp xếp, phân loại và diễn giải dữ liệu hình ảnh ở quy mô lớn. Dù có vẻ đơn giản với mắt người, để máy tính nhận diện các mẫu hình cần những thuật toán machine learning (ML) tinh vi nhằm thu hẹp khoảng cách giữa pixel thô và khái niệm có ý nghĩa.
Cơ chế đằng sau phân loại#
Phân loại ảnh hiện đại chủ yếu dựa vào các kiến trúc deep learning (DL) có tên là Mạng nơ-ron tích chập (CNN). Các mạng này được thiết kế để mô phỏng cách vỏ não thị giác sinh học xử lý thông tin. Thông qua quy trình gọi là trích xuất đặc trưng, model học cách nhận diện các thuộc tính cấp thấp như cạnh và kết cấu ở những lớp đầu, sau đó kết hợp chúng để nhận dạng hình dạng và đối tượng phức tạp ở các lớp sâu hơn.
Để xây dựng bộ phân loại, nhà phát triển sử dụng học có giám sát, đưa vào model lượng lớn dữ liệu huấn luyện gồm các ví dụ đã gán nhãn. Các tập dữ liệu công khai lớn như ImageNet đóng vai trò quan trọng trong việc nâng cao độ chính xác của các hệ thống này. Trong giai đoạn suy luận, model xuất ra điểm xác suất cho từng danh mục, thường sử dụng hàm softmax để xác định lớp có khả năng cao nhất.
Phân loại và các tác vụ thị giác khác#
Điều quan trọng là phân biệt phân loại ảnh với các năng lực thị giác máy tính liên quan, vì lựa chọn kỹ thuật phụ thuộc vào bài toán cụ thể:
- Phân loại và Phát hiện đối tượng: Phân loại gán một nhãn cho toàn bộ ảnh. Ngược lại, phát hiện đối tượng xác định vị trí của nhiều đối tượng trong một cảnh bằng cách vẽ bounding box quanh từng đối tượng.
- Phân loại và Phân đoạn ảnh: Trong khi phân loại xem xét ngữ cảnh tổng thể, phân đoạn cung cấp độ chính xác ở cấp pixel. Phân đoạn ngữ nghĩa phân loại từng pixel riêng lẻ, cho phép xác định chính xác ranh giới giữa đối tượng và nền.
Ứng dụng thực tế#
Phân loại ảnh hỗ trợ nhiều ứng dụng AI thực tế trong nhiều ngành khác nhau:
Chẩn đoán y tế#
Trong lĩnh vực y tế, các model phân loại hỗ trợ bác sĩ chẩn đoán hình ảnh bằng cách phân tích ảnh chẩn đoán. Các công cụ phân tích ảnh y tế có thể nhanh chóng phân loại ảnh X-quang hoặc MRI là "bình thường" hay "bất thường", hoặc xác định các tình trạng cụ thể như phát hiện khối u, giúp phân loại ưu tiên và chẩn đoán bệnh nhân nhanh hơn.
Kiểm soát chất lượng trong sản xuất#
Các nhà máy sử dụng kiểm tra hình ảnh tự động để duy trì tiêu chuẩn sản phẩm. Camera trên dây chuyền chụp ảnh linh kiện, còn model phân loại ngay lập tức gán nhãn "đạt" hoặc "không đạt" dựa trên khuyết tật nhìn thấy được. Kiểm soát chất lượng tự động này đảm bảo chỉ những sản phẩm không lỗi mới đến công đoạn đóng gói.
Nông nghiệp thông minh#
Nông dân tận dụng AI trong nông nghiệp để theo dõi sức khỏe cây trồng. Bằng cách phân loại ảnh chụp từ drone hoặc điện thoại thông minh, hệ thống có thể xác định dấu hiệu bệnh, thiếu hụt dinh dưỡng hoặc sâu bệnh, hỗ trợ các biện pháp can thiệp nông nghiệp chính xác có mục tiêu.
Triển khai phân loại với Ultralytics YOLO26#
Framework Ultralytics YOLO26, dù nổi tiếng về khả năng phát hiện, cũng mang lại hiệu suất tiên tiến cho tác vụ phân loại ảnh. Kiến trúc của framework được tối ưu về tốc độ và độ chính xác, phù hợp với các ứng dụng thời gian thực.
Dưới đây là ví dụ ngắn gọn về cách tải model đã huấn luyện trước và phân loại ảnh bằng gói Python ultralytics:
from ultralytics import YOLO
# Load a pre-trained YOLO26 classification model
model = YOLO("yolo26n-cls.pt")
# Run inference on an image source
results = model("https://ultralytics.com/images/bus.jpg")
# Print the top predicted class name
print(f"Prediction: {results[0].names[results[0].probs.top1]}")Đối với các nhóm muốn tinh giản quy trình làm việc, Nền tảng Ultralytics đơn giản hóa toàn bộ pipeline. Nền tảng này cho phép người dùng quản lý tập dữ liệu phân loại, huấn luyện trên cloud và triển khai model sang nhiều định dạng như ONNX hoặc TensorRT mà không cần hạ tầng lập trình phức tạp.
