Image Classification

Phân loại hình ảnh là một tác vụ nền tảng trong thị giác máy tính (CV), trong đó model machine learning phân tích toàn bộ hình ảnh và gán cho hình ảnh đó một nhãn duy nhất từ một tập hợp danh mục được xác định trước. Về cơ bản, tác vụ này trả lời câu hỏi: "Chủ thể chính của bức ảnh này là gì?" Là một thành phần cốt lõi của trí tuệ nhân tạo (AI), quy trình này cho phép các hệ thống tự động tổ chức, phân loại và diễn giải dữ liệu hình ảnh ở quy mô lớn. Mặc dù có vẻ đơn giản đối với mắt người, việc giúp máy tính nhận diện các mẫu đòi hỏi những thuật toán machine learning (ML) tinh vi để kết nối các pixel thô với những khái niệm có ý nghĩa.

Cơ chế đằng sau việc phân loại#

Phân loại hình ảnh hiện đại phụ thuộc nhiều vào các kiến trúc deep learning (DL) được gọi là Mạng nơ-ron tích chập (CNNs). Các mạng này được thiết kế để mô phỏng cách vỏ não thị giác sinh học xử lý thông tin. Thông qua một 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 diện các hình dạng và vật thể phức tạp ở những lớp sâu hơn.

Để xây dựng một bộ phân loại, các nhà phát triển sử dụng học có giám sát, cung cấp cho model lượng lớn dữ liệu huấn luyện chứa các ví dụ đã được gắn nhãn. Các dataset công khai lớn như ImageNet đã 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 một điểm xác suất cho mỗi danh mục, thường sử dụng hàm softmax để xác định class có khả năng cao nhất.

Phân loại và các tác vụ thị giác khác#

Điều quan trọng là phải phân biệt phân loại hình ảnh với các khả năng thị giác máy tính liên quan, vì việc 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 hình ảnh. Ngược lại, phát hiện đối tượng xác định vị trí của nhiều đối tượng trong một cảnh bằng cách vẽ một bounding box quanh từng đối tượng.
• Phân loại và Phân đoạn hình 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 các đối tượng và nền.

Các ứng dụng trong thực tế#

Phân loại hình ảnh hỗ trợ nhiều ứng dụng AI trong thực tế trong nhiều ngành đa dạng:

Chẩn đoán y tế#

Trong lĩnh vực y tế, các model phân loại hỗ trợ bác sĩ X-quang bằng cách phân tích các ảnh chẩn đoán. Các công cụ phân tích hình 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 mức độ 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 lắp ráp chụp ảnh các linh kiện, còn các model phân loại ngay lập tức gán nhãn "đạt" hoặc "không đạt" dựa trên các lỗi có thể nhìn thấy. Kiểm soát chất lượng tự động này đảm bảo chỉ những sản phẩm không lỗi mới được đưa 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 hình ảnh được chụp bằng drone hoặc smartphone, các hệ thống có thể xác định dấu hiệu bệnh, thiếu chất dinh dưỡng hoặc sâu bệnh, từ đó cho phép triển khai các biện pháp 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, vẫn mang lại hiệu năng tiên tiến cho các tác vụ phân loại hình ảnh. Kiến trúc của framework được tối ưu hóa cho tốc độ và độ chính xác, phù hợp với các ứng dụng thời gian thực.

Dưới đây là một ví dụ ngắn gọn về cách load một model đã được pre-train và phân loại hình ảnh bằng package ultralytics của Python:

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 team muốn tinh gọn workflow, Ultralytics Platform đơn giản hóa toàn bộ pipeline. Nền tảng này cho phép người dùng quản lý dataset phân loại, thực hiện huấn luyện trên cloud và deploy model sang nhiều format như ONNX hoặc TensorRT mà không cần xây dựng hạ tầng code phức tạp.