Stable Diffusion

Stable Diffusion là một model deep learning đột phá, chủ yếu được sử dụng để tạo ra hình ảnh chi tiết từ mô tả văn bản, một nhiệm vụ được gọi là tổng hợp text-to-image. Là một dạng của generative AI, nó cho phép người dùng tạo ra các tác phẩm nghệ thuật chân thực, sơ đồ và các nội dung trực quan khác bằng cách nhập các prompt ngôn ngữ tự nhiên. Không giống như một số phiên bản tiền nhiệm độc quyền, Stable Diffusion được đánh giá cao nhờ tính chất nguồn mở, cho phép các nhà phát triển và nghiên cứu chạy model trên phần cứng tiêu dùng được trang bị GPU mạnh mẽ. Khả năng tiếp cận này đã dân chủ hóa việc tạo hình ảnh chất lượng cao, biến nó trở thành một công nghệ nền tảng trong bối cảnh AI hiện đại.

Link to this sectionCách thức hoạt động#

Cơ chế cốt lõi đằng sau Stable Diffusion là một quy trình gọi là "latent diffusion" (khuếch tán tiềm ẩn). Để hiểu điều này, hãy tưởng tượng việc lấy một bức ảnh rõ nét và dần dần thêm tĩnh (nhiễu Gaussian) cho đến khi nó trở thành các pixel ngẫu nhiên không thể nhận dạng. Model được huấn luyện để đảo ngược quá trình này: nó bắt đầu với một khung hình chỉ toàn nhiễu và tinh chỉnh nó theo từng bước, loại bỏ tĩnh từng chút một để tiết lộ một hình ảnh mạch lạc khớp với các hướng dẫn prompt engineering của người dùng.

Quan trọng là, Stable Diffusion hoạt động trong "không gian tiềm ẩn" (latent space)—một biểu diễn nén của dữ liệu hình ảnh—thay vì không gian pixel. Điều này làm cho quy trình tính toán hiệu quả hơn đáng kể so với các phương pháp cũ, sử dụng một kiến trúc neural cụ thể được gọi là U-Net kết hợp với một bộ mã hóa văn bản như CLIP để hiểu ý nghĩa ngữ nghĩa của các từ ngữ.

Link to this sectionMức độ phù hợp và các ứng dụng thực tế#

Khả năng tạo hình ảnh từ văn bản có ý nghĩa sâu sắc trên nhiều ngành công nghiệp. Mặc dù thường gắn liền với nghệ thuật kỹ thuật số, tiện ích của Stable Diffusion mở rộng sâu vào các quy trình machine learning kỹ thuật, đặc biệt là trong việc tạo synthetic data.

Link to this sectionTăng cường tập dữ liệu Computer Vision#

Một trong những ứng dụng thực tế nhất trong lĩnh vực computer vision là tạo dữ liệu huấn luyện cho các model nhận diện đối tượng. Ví dụ, nếu một nhà phát triển cần huấn luyện một model YOLO26 để phát hiện một loài động vật hiếm hoặc một lỗi công nghiệp cụ thể, việc thu thập hình ảnh thực tế có thể khó khăn hoặc tốn kém. Stable Diffusion có thể tạo hàng ngàn hình ảnh tổng hợp đa dạng, chân thực về các tình huống này. Những hình ảnh được tạo ra này sau đó có thể được gán nhãn và tải lên Ultralytics Platform để tăng cường tập dữ liệu huấn luyện, cải thiện độ bền bỉ của model.

Link to this sectionTạo mẫu và thiết kế nhanh#

Trong các ngành công nghiệp sáng tạo, từ phát triển trò chơi điện tử đến mô phỏng kiến trúc, Stable Diffusion đẩy nhanh giai đoạn lên ý tưởng. Các nhà thiết kế có thể lặp lại hàng tá phong cách thị giác và bố cục trong vài phút thay vì vài ngày. Chu kỳ tạo nhanh này cho phép các nhóm hình dung các khái niệm trước khi dành nguồn lực cho việc sản xuất cuối cùng, sử dụng hiệu quả artificial intelligence như một đối tác cộng tác trong quá trình thiết kế.

Link to this sectionPhân biệt các thuật ngữ liên quan#

Điều quan trọng là phải phân biệt Stable Diffusion với các khái niệm AI khác:

• Stable Diffusion vs. GANs: Mặc dù Generative Adversarial Networks (GANs) cũng được sử dụng để tạo hình ảnh, chúng hoạt động bằng cách đặt hai neural network đối đầu với nhau (một generator và một discriminator). GANs có thể khó huấn luyện và dễ bị "sụp đổ mode" (mode collapse), trong khi các diffusion model thường ổn định hơn và có khả năng tạo ra nhiều loại đầu ra hơn.
• Stable Diffusion vs. Object Detection: Stable Diffusion là một model tạo sinh (tạo dữ liệu mới), trong khi các model object detection như YOLO11 hoặc YOLO26 mới hơn là các model phân biệt (phân tích dữ liệu hiện có). Bạn có thể sử dụng Stable Diffusion để tạo một hình ảnh, sau đó sử dụng YOLO26 để tìm các đối tượng bên trong hình ảnh đó.

Link to this sectionVí dụ: Xác minh dữ liệu tổng hợp#

Khi sử dụng Stable Diffusion để tạo các tập dữ liệu, thường cần phải xác minh xem các đối tượng được tạo ra có thể nhận dạng được hay không. Đoạn mã Python sau đây minh họa cách sử dụng gói ultralytics để chạy inference trên một hình ảnh được tạo tổng hợp nhằm xác nhận độ chính xác của việc phát hiện.

from ultralytics import YOLO

# Load the YOLO26 Nano model for fast inference
model = YOLO("yolo26n.pt")

# Run prediction on a synthetic image generated by Stable Diffusion
# This verifies if the generated object is recognizable by the model
results = model.predict("synthetic_car_image.jpg")

# Display the results to visually inspect the bounding boxes
results[0].show()

Link to this sectionHướng phát triển tương lai#

Hệ sinh thái xung quanh các diffusion model đang phát triển nhanh chóng. Các nhà nghiên cứu hiện đang khám phá các cách để cải thiện video understanding và khả năng tạo, chuyển từ hình ảnh tĩnh sang các khả năng text-to-video đầy đủ. Ngoài ra, những nỗ lực nhằm giảm chi phí tính toán hơn nữa—chẳng hạn như thông qua model quantization—nhằm mục đích cho phép các model mạnh mẽ này chạy trực tiếp trên các thiết bị di động và phần cứng edge AI. Khi công nghệ hoàn thiện, việc tích hợp các công cụ tạo sinh với các model phân tích có khả năng sẽ trở thành một pipeline tiêu chuẩn để xây dựng các AI agents phức tạp.