Thị giác máy tính đã trưởng thành, nhưng chỉ các pipeline production mới thực sự trưởng thành. Phần lớn dự án CV bàn giao một notebook đạt 95% trên tập kiểm thử sạch rồi tụt xuống 60% với camera thật trong điều kiện ánh sáng thật. NKKTech bàn giao hệ thống CV giữ được độ chính xác qua hiện tượng trôi dữ liệu (dataset drift), thay đổi ánh sáng, thay phần cứng và suốt 24 tháng vận hành. Phát hiện đối tượng, OCR, phân tích video, phát hiện lỗi sản phẩm, lớp phủ AR/VR. Triển khai trên edge (NVIDIA Jetson, Coral), cloud (AWS Rekognition + tùy biến) hoặc kết hợp (hybrid).
Hệ thống CV đầu-cuối, không phải notebook Kaggle. Sáu năng lực có trong mọi dự án.
Tuyển chọn dữ liệu, pipeline gán nhãn (Label Studio, CVAT, công cụ nội bộ), chiến lược tăng cường dữ liệu (augmentation), chia tập train/val/test khớp với phân phối thực tế.
YOLOv8 / RT-DETR cho phát hiện đối tượng, DINOv2 + linear probe cho phân loại, SAM2 cho phân đoạn, PaddleOCR / Tesseract cho OCR. Lựa chọn theo mục tiêu độ trễ và độ chính xác của bạn.
Edge: ONNX → TensorRT trên Jetson, OpenVINO trên Intel, Core ML trên iOS. Cloud: SageMaker / Vertex / Bedrock hoặc Triton tùy biến. Lựa chọn dựa trên chi phí truyền dữ liệu ra ngoài và ngân sách độ trễ.
Khi dữ liệu thật khan hiếm hoặc nhạy cảm (ảnh y tế, phát hiện lỗi sản phẩm), chúng tôi tạo dữ liệu huấn luyện tổng hợp bằng NVIDIA Omniverse hoặc Blender + ngẫu nhiên hóa miền (domain randomization).
mAP trên production, tỷ lệ dương tính giả theo từng lớp, phát hiện trôi phân phối đầu vào, cảnh báo khi độ chính xác giảm. Cổng CI chặn suy giảm chất lượng.
Vòng lặp active learning: khung hình bị phân loại sai được đánh dấu để con người rà soát, bổ sung vào tập huấn luyện, cập nhật mô hình hằng tuần. Mô hình tốt lên trên production chứ không kém đi.
1–2 tuần. Xác định bài toán, thống nhất mục tiêu độ chính xác và độ trễ, thu thập tập kiểm thử thực tế từ điều kiện production.
3–5 tuần. Xây pipeline gán nhãn, gán nhãn bộ dữ liệu ban đầu, huấn luyện mô hình đầu tiên, đánh giá trên tập kiểm thử.
3–5 tuần. Lặp chiến lược tăng cường dữ liệu, lượng tử hóa (INT8 / INT4), triển khai lên edge, kiểm thử thực địa.
2–3 tuần. Triển khai production, hệ thống giám sát, pipeline học liên tục, bàn giao cho đội ngũ của bạn.
Phát hiện lỗi bề mặt trên dây chuyền sản xuất, phát hiện bất thường mà không cần mẫu lỗi đã gán nhãn, QA dự đoán. Triển khai edge trên camera nhà máy.
Nhận diện tồn kho trên kệ, phân tích luồng khách hàng, kiểm tra tuân thủ sơ đồ trưng bày (planogram), chống thất thoát tại quầy tự thanh toán. Bảo vệ quyền riêng tư (không định danh khuôn mặt).
Hỗ trợ ra quyết định chẩn đoán hình ảnh, phân tích X-quang nha khoa, sàng lọc tiêu bản giải phẫu bệnh. Triển khai theo định hướng HIPAA; kỹ thuật có tính đến lộ trình phê duyệt của FDA.
Phát hiện bệnh cây trồng từ video drone, đếm vật nuôi, phân loại giai đoạn sinh trưởng. Triển khai edge cho môi trường kết nối yếu.
OCR nhãn vận chuyển, phát hiện hư hỏng, đo kích thước bưu kiện bằng camera, nhận diện ký hiệu hàng nguy hiểm.
Kiểm tra tuân thủ trang bị bảo hộ (mũ bảo hộ, áo phản quang), phân tích ảnh tiến độ công trường, theo dõi hiệu suất sử dụng thiết bị. Camera edge có che mờ dữ liệu riêng tư.
Tùy khối lượng công việc. Phát hiện đối tượng dưới 1 khung hình/giây trên ảnh nhỏ: CPU + lượng tử hóa là đủ. Phân tích video thời gian thực hoặc ảnh độ phân giải cao: cần GPU trên edge (Jetson) hoặc trên cloud. Chúng tôi sẽ ước tính chi phí suy luận trong giai đoạn khám phá.
Với một lớp đối tượng mới: thường 200–2.000 mẫu đã gán nhãn. Với fine-tune mô hình đã huấn luyện sẵn: thường dưới 500. Chúng tôi dùng active learning để giảm tối đa ngân sách gán nhãn — huấn luyện mô hình ban đầu trên tập nhỏ, rồi gửi các mẫu khó nhất đi gán nhãn tiếp.
Có. Chúng tôi tích hợp với RTSP, ONVIF, camera USB, MIPI-CSI trên thiết bị edge, AWS Kinesis Video Streams và phần lớn các hệ thống CCTV phổ biến. Bạn giữ phần cứng của mình; chúng tôi thích ứng.
Chúng tôi không phát triển nhận dạng khuôn mặt, nhận dạng biển số xe khi không có tài liệu chứng minh lợi ích hợp pháp rõ ràng, hay bất kỳ ứng dụng CV nào gần với giám sát con người. Với các tình huống bảo hộ lao động/an toàn/bán lẻ có ghi hình khuôn mặt một cách ngẫu nhiên, chúng tôi tự động làm mờ khuôn mặt/biển số ngay trên edge trước khi khung hình rời khỏi camera.
USD 50K–120K cho một dự án tiêu chuẩn 10–16 tuần, bao gồm bộ dữ liệu, mô hình, tối ưu cho edge và triển khai production. Chi phí tính toán định kỳ thay đổi tùy trường hợp (edge: phần cứng một lần + ~$0/tháng; GPU cloud: $200–$2K/tháng tùy khối lượng).
NKKTech bàn giao pipeline xử lý tài liệu bằng LLM của chúng tôi đúng hạn và đúng ngân sách. Tech lead có mặt trên Slack mỗi ngày. Đây là đội offshore đầu tiên thực sự làm việc đúng như chúng tôi kỳ vọng.
Đội của Tony hiểu hệ thống PHP cũ của chúng tôi còn nhanh hơn đội nội bộ. Di trú không downtime, đúng như cam kết. PM song ngữ giúp việc trao đổi diễn ra suôn sẻ.
Từ 15 giờ/tuần tìm kiếm khách hàng thủ công, chúng tôi chuyển sang tạo lead hoàn toàn tự động trong 8 tuần. Hoàn vốn (ROI) trong 60 ngày, đúng như Tony đã hứa.
NKKTech bàn giao pipeline xử lý tài liệu bằng LLM của chúng tôi đúng hạn và đúng ngân sách. Tech lead có mặt trên Slack mỗi ngày. Đây là đội offshore đầu tiên thực sự làm việc đúng như chúng tôi kỳ vọng.
Cập nhật lần cuối: · Được rà soát hằng quý để đảm bảo chính xác.
Cuộc gọi khám phá miễn phí 30 phút với kỹ sư cấp cao của NKKTech (không phải nhân viên kinh doanh). Chúng tôi sẽ xem xét yêu cầu của bạn, xác định phạm vi hợp tác và nói thẳng liệu chúng tôi có phải lựa chọn phù hợp hay không.
Nhận báo giá cố định