Máy biến đổi tầm nhìn (ViT)

Cách thức hoạt động của Vision Transformers

Thay vì xử lý hình ảnh từng pixel bằng bộ lọc tích chập , đầu tiên ViT chia hình ảnh đầu vào thành các mảng có kích thước cố định, không chồng lấn. Sau đó, các mảng này được làm phẳng thành các vectơ, nhúng tuyến tính và được tăng cường bằng các nhúng vị trí để giữ lại thông tin không gian (tương tự như cách mã hóa vị trí từ trong NLP). Chuỗi vectơ này sau đó được đưa vào bộ mã hóa Transformer chuẩn, sử dụng các lớp tự chú ý nhiều đầu để cân nhắc tầm quan trọng của các mảng khác nhau so với nhau. Đầu ra cuối cùng từ bộ mã hóa Transformer thường được chuyển đến một đầu phân loại đơn giản (như Perceptron nhiều lớp) cho các tác vụ như phân loại hình ảnh . Kiến trúc này cho phép ViT mô hình hóa các phụ thuộc tầm xa và ngữ cảnh toàn cục trong một hình ảnh một cách hiệu quả.

Sự liên quan và ứng dụng

Vision Transformers đã trở nên cực kỳ quan trọng trong học sâu hiện đại do khả năng mở rộng và hiệu suất ấn tượng của chúng, đặc biệt là với quá trình đào tạo trước quy mô lớn trên các tập dữ liệu như ImageNet hoặc thậm chí là các tập dữ liệu độc quyền lớn hơn. Khả năng mô hình hóa bối cảnh toàn cầu của chúng khiến chúng phù hợp với nhiều tác vụ CV ngoài phân loại cơ bản, bao gồm:

• Phát hiện đối tượng : Các mô hình như RT-DETR tích hợp các thành phần biến áp để phát hiện có độ chính xác cao.
• Phân đoạn hình ảnh : Bao gồm phân đoạn ngữ nghĩa và thể hiện, trong đó việc hiểu toàn cảnh là rất quan trọng. Các mô hình như Mô hình phân đoạn bất kỳ (SAM) tận dụng kiến trúc biến đổi.
• Phân tích hình ảnh y tế : ViTs xuất sắc trong việc phân tích các bản quét (MRI, CT) cho các nhiệm vụ như phát hiện khối u hoặc xác định các mẫu tinh tế chỉ ra bệnh, tận dụng khả năng ngữ cảnh toàn cầu của chúng. Đây là một lĩnh vực quan trọng trong AI trong chăm sóc sức khỏe . Các tập dữ liệu công khai như The Cancer Imaging Archive (TCIA) giúp thúc đẩy nghiên cứu trong lĩnh vực này.
• Xe tự hành : Để hiểu bối cảnh phức tạp, dự đoán quỹ đạo của vật thể và phát hiện các vật thể nhỏ hoặc bị che khuất, rất quan trọng để điều hướng an toàn trong AI trong các ứng dụng ô tô . Các tập dữ liệu như Waymo Open Dataset được sử dụng để đào tạo các mô hình như vậy.
• Phân tích hình ảnh vệ tinh : Việc phân tích hình ảnh vệ tinh lớn mang lại lợi ích từ góc nhìn toàn cầu do ViTs cung cấp.

ViTs ngày càng được tích hợp vào các nền tảng như Ultralytics HUB và các thư viện như Hugging Face Transformers , giúp chúng có thể truy cập để nghiên cứu và triển khai bằng các khuôn khổ như PyTorch và TensorFlow . Chúng cũng có thể được tối ưu hóa để triển khai Edge AI trên các thiết bị như NVIDIA Jetson hoặc Edge TPU của Google bằng các công cụ như TensorRT .

ViT so với CNN

Mặc dù cả ViT và CNN đều là những kiến trúc nền tảng trong thị giác máy tính (xem Lịch sử các mô hình thị giác ), nhưng chúng có cách tiếp cận khác nhau đáng kể:

• Độ lệch quy nạp: CNN có độ lệch quy nạp mạnh đối với tính cục bộ và độ tương đương dịch chuyển thông qua các lớp tích chập và nhóm của chúng. ViT có độ lệch quy nạp yếu hơn, phụ thuộc nhiều hơn vào các mẫu học từ dữ liệu, đặc biệt là mối quan hệ giữa các phần xa của hình ảnh thông qua sự tự chú ý.
• Phụ thuộc dữ liệu: ViT thường yêu cầu lượng lớn dữ liệu đào tạo (hoặc đào tạo trước mở rộng) để vượt trội hơn CNN hiện đại. Với các tập dữ liệu nhỏ hơn, CNN thường tổng quát hóa tốt hơn do các sai lệch tích hợp của chúng.
• Chi phí tính toán: Đào tạo ViT có thể tốn nhiều tài nguyên tính toán, thường đòi hỏi nhiều tài nguyên GPU. Tuy nhiên, tốc độ suy luận có thể cạnh tranh, đặc biệt là đối với các mô hình lớn hơn. Ví dụ, các mô hình RT-DETR cung cấp hiệu suất thời gian thực nhưng có thể có nhu cầu tài nguyên cao hơn so với các mô hình YOLO dựa trên CNN tương đương.
• Bối cảnh toàn cầu so với cục bộ: CNN xây dựng các tính năng phân cấp từ các mẫu cục bộ. ViT có thể mô hình hóa các tương tác toàn cầu giữa các bản vá từ các lớp sớm nhất, có khả năng nắm bắt bối cảnh rộng hơn hiệu quả hơn cho một số tác vụ nhất định.

Sự lựa chọn giữa ViT và CNN thường phụ thuộc vào nhiệm vụ cụ thể, các tập dữ liệu có sẵn và các tài nguyên tính toán. ViT thường vượt trội khi có sẵn lượng lớn dữ liệu đào tạo và bối cảnh toàn cầu là tối quan trọng. CNN, giống như những CNN được sử dụng làm xương sống trong họ YOLO của Ultralytics (ví dụ: YOLOv8 , YOLOv10 , YOLO11 ), vẫn có hiệu quả cao và hiệu suất cao, đặc biệt là đối với việc phát hiện đối tượng theo thời gian thực trên các thiết bị bị hạn chế. Kiến trúc lai kết hợp các tính năng tích chập với các lớp biến áp (như trong RT-DETR) cũng là một hướng đi đầy hứa hẹn, cố gắng tận dụng thế mạnh của cả hai phương pháp. Tinh chỉnh các mô hình được đào tạo trước, cho dù dựa trên ViT hay CNN, là một thông lệ phổ biến sử dụng các kỹ thuật như học chuyển giao .