Chiến lược thu thập và gán nhãn dữ liệu cho thị giác máy tính#

Thu thập và gán nhãn dữ liệu là hai bước nền tảng của mọi dự án thị giác máy tính: bạn thu thập hình ảnh hoặc video đại diện, rồi gán nhãn để model có thể học từ đó. Chất lượng dữ liệu quyết định trực tiếp hiệu suất của model, vì vậy việc xác định lớp, thu thập dữ liệu không thiên lệch và gán nhãn nhất quán rất quan trọng trước khi bắt đầu huấn luyện.

Hướng dẫn này trình bày cách thiết lập lớp và thu thập dữ liệu, gán nhãn dữ liệu là gì cùng các loại và định dạng gán nhãn để lựa chọn, cũng như chiến lược gán nhãn hiệu quả — mọi quyết định đều gắn với mục tiêu dự án của bạn.

Thiết lập lớp và thu thập dữ liệu#

Việc thu thập hình ảnh và video cho dự án thị giác máy tính gồm ba quyết định: xác định bao nhiêu lớp, lấy dữ liệu từ đâu và làm thế nào để tránh thiên lệch trong dataset.

Chọn lớp phù hợp cho dự án#

Một trong những câu hỏi đầu tiên khi bắt đầu dự án thị giác máy tính là nên có bao nhiêu lớp. Bạn cần xác định các đối tượng thuộc lớp nào, tức là những danh mục hoặc nhãn mà bạn muốn model nhận diện và phân biệt. Số lượng lớp nên được xác định dựa trên mục tiêu cụ thể của dự án.

Ví dụ, nếu muốn giám sát giao thông, các lớp có thể gồm "ô tô", "xe tải", "xe buýt", "xe máy" và "xe đạp". Ngược lại, nếu muốn theo dõi mặt hàng trong cửa hàng, các lớp có thể là "trái cây", "rau củ", "đồ uống" và "đồ ăn nhẹ". Xác định lớp dựa trên mục tiêu dự án giúp dataset luôn phù hợp và tập trung.

Khi xác định lớp, một điểm khác biệt quan trọng cần cân nhắc là chọn số lượng lớp ở mức khái quát hay chi tiết. 'Số lượng lớp' là số lớp riêng biệt mà bạn quan tâm. Quyết định này ảnh hưởng đến mức độ chi tiết của dữ liệu và độ phức tạp của model. Dưới đây là những điểm cần cân nhắc cho từng cách tiếp cận:

• Số lượng lớp khái quát: Đây là các danh mục rộng và bao quát hơn, chẳng hạn như "phương tiện" và "không phải phương tiện". Cách này đơn giản hóa việc gán nhãn và cần ít tài nguyên tính toán hơn, nhưng cung cấp ít thông tin chi tiết hơn, có thể hạn chế hiệu quả của model trong các tình huống phức tạp.
• Số lượng lớp chi tiết: Có nhiều danh mục hơn với sự phân biệt cụ thể hơn, chẳng hạn như "sedan", "SUV", "xe bán tải" và "xe máy". Cách này ghi nhận thông tin chi tiết hơn, cải thiện độ chính xác và hiệu suất của model. Tuy nhiên, việc gán nhãn tốn nhiều thời gian và công sức hơn, đồng thời đòi hỏi thêm tài nguyên tính toán.

Bắt đầu với các lớp cụ thể hơn có thể rất hữu ích, đặc biệt trong các dự án phức tạp cần chú ý đến chi tiết. Các lớp cụ thể hơn giúp bạn thu thập dữ liệu chi tiết hơn, có được insight sâu hơn và phân biệt rõ ràng hơn giữa các danh mục. Cách này không chỉ cải thiện độ chính xác của model mà còn giúp điều chỉnh model dễ dàng hơn về sau nếu cần, tiết kiệm cả thời gian lẫn tài nguyên.

Nguồn dữ liệu#

Bạn có thể sử dụng dataset công khai hoặc tự thu thập dữ liệu tùy chỉnh. Các dataset công khai như trên Kaggle và Google Dataset Search Engine cung cấp dữ liệu được gán nhãn tốt và chuẩn hóa, là điểm khởi đầu phù hợp để huấn luyện và đánh giá model.

Ngược lại, việc thu thập dữ liệu tùy chỉnh cho phép bạn thiết kế dataset theo nhu cầu cụ thể. Bạn có thể chụp ảnh và quay video bằng camera hoặc drone, thu thập hình ảnh từ web hoặc sử dụng dữ liệu nội bộ sẵn có của tổ chức. Dữ liệu tùy chỉnh giúp bạn kiểm soát tốt hơn chất lượng và mức độ phù hợp của dữ liệu. Kết hợp cả nguồn dữ liệu công khai và tùy chỉnh sẽ giúp tạo dataset đa dạng và toàn diện.

Tránh thiên lệch trong thu thập dữ liệu#

Thiên lệch xảy ra khi một số nhóm hoặc tình huống không được đại diện đầy đủ hoặc bị đại diện quá mức trong dataset. Điều này khiến model hoạt động tốt trên một số dữ liệu nhưng kém trên những dữ liệu khác. Điều quan trọng là tránh thiên lệch trong AI để model thị giác máy tính có thể hoạt động tốt trong nhiều tình huống.

Sau đây là cách tránh thiên lệch khi thu thập dữ liệu:

• Nguồn đa dạng: Thu thập dữ liệu từ nhiều nguồn để ghi nhận các góc nhìn và tình huống khác nhau.
• Đại diện cân bằng: Đảm bảo đại diện cân bằng cho mọi nhóm liên quan. Ví dụ, hãy cân nhắc các độ tuổi, giới tính và sắc tộc khác nhau.
• Giám sát liên tục: Thường xuyên rà soát và cập nhật dataset để nhận diện và xử lý các thiên lệch mới phát sinh.
• Kỹ thuật giảm thiểu thiên lệch: Sử dụng các phương pháp như tăng mẫu cho lớp chưa được đại diện đầy đủ, tăng cường dữ liệu và thuật toán có xét đến tính công bằng.

Thực hiện các phương pháp này giúp tạo ra model mạnh mẽ và công bằng hơn, có khả năng tổng quát hóa tốt trong các ứng dụng thực tế.

Gán nhãn dữ liệu là gì?#

Gán nhãn dữ liệu là quá trình dán nhãn cho dữ liệu để có thể dùng dữ liệu đó huấn luyện model machine learning. Trong thị giác máy tính, điều này có nghĩa là gán nhãn cho hình ảnh hoặc video bằng thông tin mà model cần học. Nếu dữ liệu không được gán nhãn đúng cách, model không thể học chính xác mối quan hệ giữa đầu vào và đầu ra.

Các loại gán nhãn dữ liệu#

Tùy theo yêu cầu cụ thể của tác vụ thị giác máy tính, có nhiều loại gán nhãn dữ liệu khác nhau. Sau đây là một số ví dụ:

• Bounding box: Các khung chữ nhật được vẽ quanh đối tượng trong ảnh, chủ yếu dùng cho tác vụ phát hiện đối tượng. Các khung này được xác định bằng tọa độ góc trên bên trái và góc dưới bên phải.
• Đa giác: Đường viền chi tiết của đối tượng, cho phép gán nhãn chính xác hơn bounding box. Đa giác được dùng trong các tác vụ như phân đoạn instance, khi hình dạng đối tượng rất quan trọng.
• Mask: Mask nhị phân trong đó mỗi pixel thuộc về đối tượng hoặc nền. Mask được dùng trong các tác vụ phân đoạn ngữ nghĩa để cung cấp thông tin chi tiết ở cấp pixel.
• Keypoint: Các điểm cụ thể được đánh dấu trong ảnh để xác định vị trí cần quan tâm. Keypoint được dùng trong các tác vụ như ước tính pose và phát hiện landmark khuôn mặt.
• Bounding box định hướng: Các hình chữ nhật có góc xoay, được dùng trong tác vụ OBB khi đối tượng xuất hiện ở nhiều hướng tùy ý, chẳng hạn như trong ảnh chụp từ trên không.

Các định dạng gán nhãn phổ biến#

Sau khi chọn loại gán nhãn, điều quan trọng là chọn định dạng phù hợp để lưu trữ và chia sẻ nhãn. Các định dạng phổ biến nhất gồm:

Định dạng YOLO lưu một hàng cho mỗi đối tượng, với chỉ số lớp bắt đầu từ 0. Đối với phát hiện đối tượng, hàng có dạng class x_center y_center width height với tọa độ chuẩn hóa trong khoảng 0–1. Hàng phân đoạn thay box bằng các điểm đa giác chuẩn hóa của đối tượng, trong khi hàng pose giữ nguyên box và thêm tọa độ keypoint phía sau, kèm cờ visibility cho mỗi keypoint khi dataset khai báo kpt_shape: [n, 3]. Hàng OBB lưu class x1 y1 x2 y2 x3 y3 x4 y4 bằng tọa độ góc đã chuẩn hóa.

Nếu công cụ gán nhãn của bạn export COCO JSON, bạn có thể chuyển đổi sang nhãn YOLO .txt hoặc huấn luyện trực tiếp trên JSON bằng lớp dataset tùy chỉnh.

Thiết lập hướng dẫn gán nhãn#

Sau khi chọn loại và định dạng gán nhãn, bước tiếp theo là thiết lập các quy tắc gán nhãn rõ ràng, khách quan. Những quy tắc này đóng vai trò định hướng để đảm bảo tính nhất quán và độ chính xác trong suốt quá trình gán nhãn. Các khía cạnh chính của những quy tắc này gồm:

• Rõ ràng và chi tiết: Đảm bảo hướng dẫn dễ hiểu. Dùng ví dụ và hình minh họa để cho thấy kết quả mong đợi.
• Nhất quán: Duy trì sự đồng nhất giữa các nhãn. Đặt tiêu chí chuẩn cho việc gán nhãn các loại dữ liệu khác nhau để mọi nhãn đều tuân theo cùng một quy tắc.
• Giảm thiên lệch: Giữ thái độ trung lập. Rèn luyện tính khách quan và giảm thiểu thiên kiến cá nhân để đảm bảo nhãn công bằng.
• Hiệu quả: Làm việc thông minh hơn, không phải vất vả hơn. Sử dụng các công cụ và quy trình tự động hóa tác vụ lặp lại để quá trình gán nhãn nhanh và hiệu quả hơn.

Thường xuyên rà soát và cập nhật quy tắc gán nhãn sẽ giúp nhãn luôn chính xác, nhất quán và phù hợp với mục tiêu dự án.

Công cụ gán nhãn#

Một công cụ gán nhãn tốt cho phép bạn gán nhãn mọi loại dữ liệu mà tác vụ yêu cầu, đảm bảo tuân thủ hướng dẫn nhất quán và export nhãn ở định dạng sẵn sàng cho huấn luyện. Ultralytics Platform cung cấp trình chỉnh sửa gán nhãn tích hợp, hỗ trợ phát hiện, phân đoạn instance, phân đoạn ngữ nghĩa, phân loại, pose và OBB; cùng với gán nhãn thông minh dựa trên SAM, biến một lần nhấp thành mask cho các tác vụ phát hiện, phân đoạn instance, phân đoạn ngữ nghĩa và OBB. Vì nhãn được lưu theo cấu trúc mà mỗi tác vụ yêu cầu — các hàng YOLO .txt cho các tác vụ không gian và thư mục lớp cho phân loại — dataset đã gán nhãn có thể được đưa thẳng vào quy trình huấn luyện mà không cần bước chuyển đổi.

Chất lượng gán nhãn: độ chính xác, precision và outlier#

Trước khi gán nhãn trên quy mô lớn, bạn nên hiểu về độ chính xác, precision, outlier và kiểm soát chất lượng để tránh gán nhãn dữ liệu theo cách gây phản tác dụng.

Tìm hiểu về độ chính xác và precision#

Điều quan trọng là hiểu sự khác biệt giữa độ chính xác và precision, cũng như mối liên hệ của chúng với việc gán nhãn. Độ chính xác cho biết dữ liệu được gán nhãn gần với giá trị thực đến mức nào. Chỉ số này giúp đánh giá mức độ nhãn phản ánh các tình huống thực tế. Precision cho biết tính nhất quán của nhãn, tức là liệu bạn có gán cùng một nhãn cho cùng một đối tượng hoặc đặc trưng trong toàn bộ dataset hay không. Độ chính xác và precision cao giúp huấn luyện model tốt hơn bằng cách giảm nhiễu và cải thiện khả năng tổng quát hóa từ dữ liệu huấn luyện.

Nhận diện outlier#

Outlier là các điểm dữ liệu khác biệt đáng kể so với những quan sát khác trong dataset. Trong ngữ cảnh gán nhãn, outlier có thể là ảnh được gán nhãn sai hoặc nhãn không phù hợp với phần còn lại của dataset. Outlier cần được lưu ý vì có thể làm sai lệch quá trình học của model, dẫn đến dự đoán không chính xác và khả năng tổng quát hóa kém.

Bạn có thể dùng nhiều phương pháp để phát hiện và xử lý outlier:

• Kỹ thuật thống kê: Để phát hiện outlier trong các đặc trưng số như giá trị pixel, tọa độ bounding box hoặc kích thước đối tượng, bạn có thể dùng các phương pháp như biểu đồ hộp, histogram hoặc z-score.
• Kỹ thuật trực quan: Để phát hiện bất thường trong các đặc trưng phân loại như lớp đối tượng, màu sắc hoặc hình dạng, hãy dùng các phương pháp trực quan như biểu diễn hình ảnh, nhãn hoặc heatmap.
• Phương pháp thuật toán: Sử dụng các công cụ như phân cụm (ví dụ: phân cụm K-means, DBSCAN) và thuật toán phát hiện bất thường để nhận diện outlier dựa trên các mẫu phân bố dữ liệu.

Kiểm soát chất lượng dữ liệu đã gán nhãn#

Cũng như các dự án kỹ thuật khác, kiểm soát chất lượng là yêu cầu bắt buộc đối với dữ liệu đã gán nhãn. Nên thường xuyên kiểm tra nhãn để đảm bảo tính chính xác và nhất quán. Có thể thực hiện việc này theo một số cách:

• Rà soát mẫu dữ liệu đã gán nhãn
• Sử dụng công cụ tự động để phát hiện lỗi thường gặp
• Nhờ người khác kiểm tra lại nhãn

Nếu làm việc với nhiều người, tính nhất quán giữa các annotator rất quan trọng. Mức độ đồng thuận cao giữa các annotator cho thấy hướng dẫn rõ ràng và mọi người đều áp dụng cùng một cách. Điều này giúp mọi người thống nhất cách làm và giữ cho nhãn nhất quán.

Trong quá trình rà soát, nếu phát hiện lỗi, hãy sửa lỗi và cập nhật hướng dẫn để tránh lặp lại về sau. Cung cấp phản hồi cho annotator và tổ chức đào tạo thường xuyên để giúp giảm lỗi. Quy trình xử lý lỗi chặt chẽ giúp dataset luôn chính xác và đáng tin cậy.

Chiến lược gán nhãn dữ liệu hiệu quả#

Để quy trình gán nhãn dữ liệu diễn ra thuận lợi và hiệu quả hơn, hãy cân nhắc triển khai các chiến lược sau:

• Hướng dẫn gán nhãn rõ ràng: Cung cấp chỉ dẫn chi tiết kèm ví dụ để đảm bảo tất cả người gán nhãn diễn giải nhiệm vụ nhất quán. Chẳng hạn, khi gán nhãn chim, hãy nêu rõ cần bao gồm toàn bộ con chim hay chỉ một số bộ phận cụ thể.
• Kiểm tra chất lượng định kỳ: Thiết lập các tiêu chuẩn và sử dụng những metric cụ thể để rà soát công việc, duy trì tiêu chuẩn cao thông qua phản hồi liên tục.
• Sử dụng công cụ tiền gán nhãn: Nhiều nền tảng gán nhãn hiện đại cung cấp tính năng tiền gán nhãn có AI hỗ trợ, giúp tăng tốc đáng kể quy trình bằng cách tự động tạo nhãn ban đầu để con người tinh chỉnh.
• Triển khai Active Learning: Phương pháp này ưu tiên gán nhãn trước cho những mẫu giàu thông tin nhất, qua đó có thể giảm tổng số nhãn cần thiết mà vẫn duy trì hiệu suất model.
• Xử lý theo lô: Nhóm các ảnh tương tự lại với nhau để gán nhãn, duy trì tính nhất quán và nâng cao hiệu quả.

Các chiến lược này có thể giúp duy trì chất lượng nhãn cao, đồng thời giảm thời gian và tài nguyên cần thiết cho quy trình gán nhãn.

Kết luận#

Thu thập dữ liệu đa dạng, không thiên lệch và gán nhãn nhất quán bằng các công cụ phù hợp là nền tảng cho một model thị giác máy tính đáng tin cậy. Sau khi thu thập và gán nhãn dataset, hãy tiếp tục với hướng dẫn các bước thực hiện một dự án thị giác máy tính để chuyển sang huấn luyện và đánh giá. Nếu có thắc mắc trong quá trình thực hiện, hãy hỏi cộng đồng tại kho lưu trữ Ultralytics trên GitHub hoặc máy chủ Ultralytics trên Discord.

Câu hỏi thường gặp#