Cách xác định mục tiêu cho dự án computer vision#
Để xác định phạm vi dự án computer vision, hãy viết mô tả vấn đề nêu rõ vấn đề cốt lõi, phạm vi, các bên liên quan và các ràng buộc; đặt mục tiêu có thể đo lường và giới hạn thời gian; đồng thời xác định tác vụ computer vision phù hợp để đưa ra quyết định về model, dataset và triển khai. Hướng dẫn này trình bày từng bước kèm một ví dụ minh họa chi tiết.
Xem: Cách xác định mục tiêu của dự án thị giác máy tính | Kết nối phát biểu bài toán với các tác vụ VisionAI 🚀
Để xem tổng quan về toàn bộ quy trình từ thu thập dữ liệu đến triển khai, hãy tham khảo hướng dẫn của chúng tôi về các bước chính trong một dự án computer vision.
Cách viết mô tả vấn đề cho dự án computer vision#
Mô tả vấn đề rõ ràng là bước quan trọng đầu tiên để tìm ra giải pháp hiệu quả nhất. Mô tả này gồm bốn phần:
- Xác định vấn đề cốt lõi: Nêu rõ thách thức cụ thể mà dự án computer vision của bạn hướng đến giải quyết.
- Xác định phạm vi: Định rõ giới hạn của vấn đề.
- Xem xét người dùng cuối và các bên liên quan: Xác định những ai sẽ chịu ảnh hưởng từ giải pháp.
- Phân tích yêu cầu và ràng buộc của dự án: Đánh giá các tài nguyên hiện có (thời gian, ngân sách, nhân sự) và xác định mọi ràng buộc về kỹ thuật hoặc quy định.
Ví dụ về mô tả vấn đề kinh doanh#
Hãy xem xét một dự án computer vision nhằm ước tính tốc độ phương tiện trên đường cao tốc. Vấn đề cốt lõi là các phương pháp giám sát tốc độ hiện tại kém hiệu quả và dễ xảy ra sai sót do hệ thống radar lỗi thời và các quy trình thủ công. Dự án hướng đến phát triển một hệ thống computer vision thời gian thực có thể thay thế các hệ thống ước tính tốc độ cũ.
Người dùng chính gồm các cơ quan quản lý giao thông và lực lượng thực thi pháp luật, trong khi các bên liên quan thứ cấp là đơn vị quy hoạch đường cao tốc và công chúng được hưởng lợi từ những tuyến đường an toàn hơn. Các yêu cầu chính bao gồm đánh giá ngân sách, thời gian và nhân sự, đồng thời đáp ứng nhu cầu kỹ thuật như camera độ phân giải cao và xử lý dữ liệu thời gian thực. Ngoài ra, cần xem xét các ràng buộc pháp lý về quyền riêng tư và bảo mật dữ liệu.
Thiết lập mục tiêu có thể đo lường#
Thiết lập mục tiêu có thể đo lường là yếu tố then chốt quyết định thành công của một dự án computer vision. Các mục tiêu hiệu quả tuân theo tiêu chí SMART:
| Tiêu chí | Ý nghĩa |
|---|---|
| Cụ thể | Xác định các mục tiêu rõ ràng và chi tiết. |
| Có thể đo lường | Đảm bảo các mục tiêu có thể định lượng được. |
| Có thể đạt được | Đặt ra các mục tiêu thực tế trong phạm vi năng lực của bạn. |
| Phù hợp | Đảm bảo các mục tiêu phù hợp với mục tiêu tổng thể của dự án. |
| Có thời hạn | Đặt thời hạn cho từng mục tiêu. |
Với ví dụ ước tính tốc độ trên đường cao tốc, các mục tiêu SMART có thể là:
- Đạt ít nhất 95% độ chính xác trong việc phát hiện tốc độ trong vòng sáu tháng, sử dụng bộ dữ liệu gồm 10.000 ảnh phương tiện.
- Hệ thống cần có khả năng xử lý luồng video thời gian thực ở tốc độ 30 khung hình/giây với độ trễ tối thiểu.
Bằng cách đặt ra các mục tiêu cụ thể và có thể định lượng, bạn có thể theo dõi tiến độ hiệu quả, xác định những điểm cần cải thiện và đảm bảo dự án đi đúng hướng.
Cách chọn tác vụ thị giác máy tính phù hợp#
Phát biểu vấn đề giúp bạn hình dung tác vụ thị giác máy tính nào có thể giải quyết vấn đề của mình. Các tác vụ phổ biến nhất gồm phân loại ảnh, phát hiện đối tượng và phân đoạn ảnh — xem trang tác vụ của Ultralytics để biết phần so sánh chi tiết.
Ví dụ: nếu vấn đề của bạn là giám sát tốc độ phương tiện trên đường cao tốc, tác vụ cần dùng là phát hiện đối tượng, chạy ở chế độ theo dõi. Theo dõi gán cho mỗi phương tiện được phát hiện một ID cố định xuyên suốt các khung hình video, điều cần thiết để tính tốc độ.
Chỉ phát hiện là chưa đủ trong trường hợp này: phương pháp này xác định vị trí phương tiện trong từng khung hình nhưng không duy trì danh tính của từng phương tiện qua các khung hình — nếu không có danh tính đó, hệ thống không thể đo chuyển động theo thời gian. Chế độ theo dõi bổ sung khả năng duy trì danh tính. Sau khi xác định được tác vụ thị giác máy tính phù hợp, tác vụ đó sẽ định hướng một số khía cạnh quan trọng của dự án, chẳng hạn như lựa chọn model, chuẩn bị bộ dữ liệu và phương pháp huấn luyện model.
Nên bắt đầu từ đâu: model, dữ liệu hay phương pháp huấn luyện?#
Thứ tự lựa chọn model, chuẩn bị bộ dữ liệu và chọn phương pháp huấn luyện phụ thuộc vào đặc điểm cụ thể của dự án:
| Tình huống của bạn | Bắt đầu với | Ví dụ |
|---|---|---|
| Vấn đề và mục tiêu đã được xác định rõ | Lựa chọn model | Với hệ thống giám sát giao thông ước tính tốc độ phương tiện, hãy chọn model phát hiện để chạy ở chế độ theo dõi, thu thập và gán nhãn video trên đường cao tốc, sau đó huấn luyện bằng các kỹ thuật xử lý video thời gian thực. |
| Dữ liệu đặc thù hoặc hạn chế | Chuẩn bị bộ dữ liệu | Với hệ thống nhận diện khuôn mặt có bộ dữ liệu nhỏ, trước tiên hãy gán nhãn dữ liệu, sau đó chọn model hoạt động tốt với lượng dữ liệu hạn chế — chẳng hạn như model được huấn luyện trước để học chuyển giao — và lên kế hoạch tăng cường dữ liệu để mở rộng bộ dữ liệu. |
| Cần thử nghiệm (nghiên cứu) | Phương pháp huấn luyện | Trong dự án nghiên cứu các phương pháp mới để phát hiện lỗi sản xuất, trước tiên hãy thử nghiệm trên một tập con dữ liệu nhỏ. Khi tìm được kỹ thuật tiềm năng, hãy chọn model phù hợp với kết quả đó và chuẩn bị một bộ dữ liệu toàn diện. |
Nếu bắt đầu từ dữ liệu, Ultralytics Platform sẽ đơn giản hóa việc tổ chức bộ dữ liệu, gán nhãn và huấn luyện khi dự án của bạn phát triển.
Các tùy chọn triển khai ảnh hưởng đến dự án của bạn như thế nào#
Các tùy chọn triển khai model ảnh hưởng đáng kể đến hiệu suất dự án thị giác máy tính, vì vậy hãy tính đến chúng ngay từ đầu. Môi trường triển khai phải đáp ứng được tải tính toán của model:
| Tùy chọn triển khai | Phù hợp nhất với | Công nghệ ví dụ |
|---|---|---|
| Thiết bị biên | Điện thoại thông minh và thiết bị IoT có tài nguyên tính toán hạn chế; model gọn nhẹ | LiteRT, ONNX Runtime |
| Máy chủ đám mây | Model phức tạp với nhu cầu tính toán lớn; phần cứng có thể mở rộng theo quy mô dự án | AWS, Google Cloud, Azure |
| Máy chủ tại chỗ | Yêu cầu cao về quyền riêng tư dữ liệu và bảo mật; toàn quyền kiểm soát dữ liệu và hạ tầng | Máy chủ GPU tự quản lý |
| Giải pháp kết hợp | Cân bằng hiệu suất với chi phí và độ trễ; xử lý tại biên kết hợp phân tích trên đám mây | Kết hợp runtime biên và nền tảng đám mây |
Mỗi tùy chọn có những lợi ích và thách thức riêng; lựa chọn phụ thuộc vào các yêu cầu cụ thể của dự án như hiệu suất, chi phí và bảo mật.
Kết luận#
Một dự án thị giác máy tính thành công bắt đầu bằng phát biểu vấn đề rõ ràng, các mục tiêu SMART có thể đo lường và tác vụ thị giác máy tính phù hợp — những quyết định này định hướng mọi bước tiếp theo, từ lựa chọn model đến triển khai. Bước tiếp theo, hãy tìm hiểu cách thu thập và gán nhãn dữ liệu, hoặc trao đổi về dự án của bạn với các nhà phát triển khác trên GitHub và máy chủ Discord của Ultralytics.
Câu hỏi thường gặp#
Phát biểu vấn đề rõ ràng nêu rõ vấn đề cốt lõi mà dự án giải quyết, phạm vi dự án, người dùng cuối và các bên liên quan, cùng những giới hạn về nguồn lực và quy định. Hãy lần lượt xác định bốn phần này, sau đó xác thực phát biểu với các bên liên quan trước khi đưa ra quyết định kỹ thuật. Xem Cách viết phát biểu vấn đề cho dự án thị giác máy tính để đọc phần phân tích đầy đủ và ví dụ minh họa.
Ghép đầu ra mà vấn đề yêu cầu với tác vụ tạo ra đầu ra đó: một nhãn duy nhất cho mỗi ảnh phù hợp với phân loại ảnh, vị trí đối tượng phù hợp với phát hiện đối tượng, ranh giới ở cấp pixel phù hợp với phân đoạn ảnh, còn việc duy trì danh tính xuyên suốt các khung hình video đòi hỏi chính model phát hiện đó chạy ở chế độ theo dõi. Ví dụ, giám sát tốc độ phương tiện cần theo dõi vì tốc độ được tính từ chuyển động của từng phương tiện theo thời gian. Xem trang tác vụ của Ultralytics để biết tất cả tác vụ được hỗ trợ.
Áp dụng các tiêu chí SMART: Cụ thể, Có thể đo lường, Có thể đạt được, Phù hợp và Có thời hạn. Ví dụ: "Đạt độ chính xác 95% trong phát hiện tốc độ trong vòng sáu tháng bằng bộ dữ liệu gồm 10.000 ảnh phương tiện." Phương pháp này giúp theo dõi tiến độ và xác định những điểm cần cải thiện. Tìm hiểu thêm về cách đặt mục tiêu có thể đo lường.
Không, model được huấn luyện trước không "ghi nhớ" các lớp theo nghĩa truyền thống. Model học các mẫu từ những bộ dữ liệu khổng lồ; trong quá trình huấn luyện tùy chỉnh (tinh chỉnh), các mẫu này được điều chỉnh cho tác vụ cụ thể của bạn. Năng lực của model có giới hạn, và việc tập trung vào thông tin mới có thể ghi đè một phần kiến thức đã học trước đó.
Nếu muốn sử dụng các lớp mà model đã được huấn luyện trước, một phương án thực tế là dùng hai model: một model giữ nguyên hiệu suất ban đầu, model còn lại được tinh chỉnh cho tác vụ cụ thể của bạn. Nhờ đó, bạn có thể kết hợp đầu ra của cả hai model. Các phương án khác gồm đóng băng các layer, dùng model được huấn luyện trước làm bộ trích xuất đặc trưng và phân nhánh theo tác vụ, nhưng những giải pháp này phức tạp hơn và đòi hỏi chuyên môn cao hơn.
Các tùy chọn triển khai quyết định kích thước và định dạng model nào khả thi, vì vậy chúng định hình dự án ngay từ đầu. Thiết bị biên cần model gọn nhẹ, được phục vụ qua các định dạng và runtime như LiteRT hoặc ONNX Runtime; máy chủ đám mây xử lý các model phức tạp trên phần cứng có thể mở rộng; máy chủ tại chỗ cho phép toàn quyền kiểm soát dữ liệu trong các dự án nhạy cảm về quyền riêng tư; còn thiết lập kết hợp giúp cân bằng hai phương án. So sánh các tùy chọn trong bảng tùy chọn triển khai, hoặc xem hướng dẫn về các tùy chọn triển khai model để biết chi tiết.
Các thách thức thường gặp gồm:
- Phát biểu vấn đề mơ hồ hoặc quá rộng.
- Mục tiêu thiếu thực tế.
- Các bên liên quan chưa thống nhất.
- Chưa hiểu đầy đủ các giới hạn kỹ thuật.
- Đánh giá thấp yêu cầu về dữ liệu.
Giải quyết những thách thức này bằng cách nghiên cứu kỹ lưỡng từ đầu, giao tiếp rõ ràng với các bên liên quan và liên tục hoàn thiện phát biểu vấn đề cùng các mục tiêu. Để xem toàn bộ quy trình dự án, hãy tham khảo các bước chính trong một dự án thị giác máy tính.