Tạo Recipe Đầu Tiên

Phần tìm hiểu chuyên sâu này giải thích Recipe là gì, trình bày sự khác biệt giữa Classification và Segmentation, đồng thời hướng dẫn từng bước cách tạo một Recipe. Nội dung cũng bao gồm hướng dẫn chi tiết về cấu hình Image Setup, chụp Template Image và thiết lập Alignment, tối ưu hóa ROI, thu thập dữ liệu và huấn luyện AI, cũng như cấu hình image augmentation.

Hướng Dẫn Video

Xem chủ đề này trong thực tế: Cách tạo recipe segmentation trong vài phút

---

Mục Tiêu Học Tập

Sau khi hoàn thành phần tìm hiểu chuyên sâu này, bạn sẽ hiểu được:

• recipe là gì
• sự khác biệt giữa classification và segmentation – và khi nào nên sử dụng mỗi loại
• cách tạo một recipe
• cách cấu hình Imaging Setup
• cách chụp Template Image và cấu hình Aligner
• ROI (Region of Interest) là gì và cách tối ưu hóa chúng
• thu thập dữ liệu cho huấn luyện AI
• kiểm thử và xác thực recipe

Recipe Là Gì?

• Là tập hợp các chỉ dẫn đã được cấu hình hướng dẫn camera cách kiểm tra một chi tiết hoặc sản phẩm cụ thể.
• Xác định các thiết lập camera, bao gồm các thông số exposure, focus và lighting để chụp ảnh nhất quán.
• Bao gồm logic xử lý như định nghĩa ROI, Aligner, các lớp classification hoặc segmentation.
• Lưu trữ cấu hình input/output để tích hợp với các hệ thống tự động hóa cho tín hiệu pass/fail hoặc tín hiệu nâng cao.
• Có thể được lưu và tái sử dụng để đảm bảo kiểm tra nhất quán giữa các ca làm việc, dây chuyền hoặc nhà máy.

Classification so với Segmentation

Định Nghĩa

• Classification: Xác định loại đối tượng trong ROI
• Segmentation: Định vị và phân tích các vùng trong hình ảnh/ROI

Ví Dụ

Image Classification	Image Segmentation	Image Classification	Image Segmentation
Con gì là con cừu?	Các pixel nào thuộc về đối tượng nào?	Chiếc pizza này đạt hay lỗi?	Mỗi miếng pepperoni ở đâu?

So Sánh Chính

	Classification	Segmentation
Tốc độ	Tốc độ phụ thuộc vào Image Setup và độ phức tạp. Thường hiệu quả và nhanh với các thiết lập đơn giản	Có thể nhanh tương đương hoặc thậm chí nhanh hơn classification khi được tối ưu hóa, đặc biệt với các mô hình tinh gọn
Độ chính xác	Phù hợp cho việc pass/fail tổng thể hoặc nhận dạng loại chi tiết	Độ chính xác cao hơn cho việc định vị khuyết tật chính xác
Độ phức tạp	Đơn giản để thiết lập và bảo trì; ít tham số hơn	Phức tạp – Cần nhiều dữ liệu, gắn nhãn và tinh chỉnh hơn
Yêu cầu dữ liệu	Thấp – Cần ít hình ảnh được gắn nhãn hơn	Trung bình – Yêu cầu nhiều hình ảnh với chú thích chính xác đến từng pixel
Trường hợp sử dụng	Sự hiện diện của chi tiết, hướng, kiểm tra chất lượng cơ bản, chi tiết đã lắp/chưa lắp, v.v.	Khuyết tật bề mặt, kiểm tra đặc điểm chi tiết, phát hiện đa khuyết tật, đếm, đo lường, v.v.

Tạo và Xuất Recipe

Sử dụng nút Export Recipe bên cạnh một Recipe để xuất một Recipe riêng lẻ.

Sử dụng nút Export ở đầu màn hình để xuất nhiều Recipe cùng một lúc.

Sử dụng nút Import ở đầu màn hình để nhập Recipe.

note

Lưu ý: Mỗi recipe chỉ hỗ trợ một loại inspection tại một thời điểm, hoặc segmentation hoặc classification. Chọn đúng loại trước khi bắt đầu thiết lập.

Image Setup

Image Rotation

• Định nghĩa: Xoay hình ảnh (0° hoặc 180°).
• Khi nào sử dụng: Nếu camera được gắn ở một góc nhưng bạn muốn hình ảnh được hiển thị theo hướng khác trong giao diện.

note

Nếu bạn cần xoay hình ảnh 90°, hãy xoay camera.

Gain

• Định nghĩa: Làm sáng hình ảnh một cách nhân tạo theo phương pháp kỹ thuật số (giống như ISO trên máy ảnh).
• Hiệu ứng:
  • Gain cao hơn → hình ảnh sáng hơn, nhưng thêm nhiễu (trông có hạt).
  • Gain thấp hơn → hình ảnh sạch hơn, nhưng cần ánh sáng tốt.

High Gain	Low Gain
Sáng hơn và nhiễu hơn	Tối hơn và ít nhiễu hơn

tip

Chỉ tăng gain nếu không thể điều chỉnh exposure hoặc ánh sáng.

Template Image and Alignment

Skip Aligner

• Định nghĩa: Tắt bước alignment trong quá trình inspection.
• Khi nào sử dụng: Nếu chi tiết luôn ở cùng một vị trí và hướng trong hình ảnh.

Template Regions

• Định nghĩa: Xác định (các) vùng của hình ảnh template được sử dụng để alignment.
  • Rectangle: Vẽ một vùng quan tâm hình chữ nhật.
  • Circle: Vẽ một vùng quan tâm hình tròn.
  • Ignore Template Region: Loại trừ các vùng nhất định khỏi alignment để tránh các mẫu gây nhiễu hoặc các đặc điểm không liên quan.
• Sử dụng tốt nhất: Giúp hệ thống chỉ tập trung vào các đặc điểm nổi bật nhất của chi tiết để có alignment chính xác.

Rotation Range

• Định nghĩa: Đặt mức độ xoay (tính bằng độ) mà hệ thống sẽ chấp nhận khi khớp chi tiết với template.
• Ví dụ: Đặt ±20° cho phép chi tiết xoay nhẹ nhưng vẫn được phát hiện.
• Khi nào điều chỉnh: Tăng nếu các chi tiết có xu hướng xoay trong quá trình sản xuất; giảm nếu hướng rất nhất quán.

Sensitivity

• Định nghĩa: Điều khiển mức độ chi tiết mà hệ thống tìm kiếm sự khớp giữa hình ảnh trực tiếp và template.
• Hiệu ứng:
  • Sensitivity cao → phát hiện nhiều chi tiết tinh tế hơn, hữu ích cho các chi tiết phức tạp.
  • Sensitivity thấp hơn → giảm khớp sai nhưng có thể bỏ sót các đặc điểm nhỏ.

Confidence Threshold

• Định nghĩa: Đặt điểm tin cậy tối thiểu cần thiết để hệ thống chấp nhận một phát hiện.
• Hiệu ứng:
  • Ngưỡng cao hơn → ít phát hiện sai (false positive) hơn nhưng có thể bỏ sót các kết quả khớp ở ngưỡng biên.
  • Ngưỡng thấp hơn → nhiều phát hiện hơn, nhưng tăng nguy cơ phát hiện sai.

tip

Bắt đầu ở mức trung bình và điều chỉnh dựa trên kết quả thử nghiệm.

Scale Invariant

• Định nghĩa: Cho phép hệ thống phát hiện các bộ phận lớn hơn hoặc nhỏ hơn một chút so với hình ảnh mẫu (template) ban đầu.
• Khi nào nên bật: Nếu kích thước bộ phận có thể thay đổi nhẹ do vị trí, thay đổi khoảng cách hoặc dung sai sản xuất.

Live Preview Legend

1. Một khung giới hạn (bounding box) có thể cấu hình xác định vùng cụ thể trong trường nhìn FOV của camera cần theo dõi trong quá trình kích hoạt (triggering).

• Mục đích: Đảm bảo camera chỉ tập trung vào vùng liên quan, bỏ qua các vùng nền không cần thiết.
• Sử dụng tốt nhất:
  • Đối với đối tượng di chuyển, để đảm bảo bộ phận nằm hoàn toàn trong vùng phát hiện.
  • Để tối ưu tốc độ xử lý bằng cách giảm lượng dữ liệu hình ảnh cần phân tích.

2. Một chấm đỏ hiển thị điểm trung tâm của tất cả các ROI (Regions of Interest) đã xác định trong hình ảnh.

• Mục đích: Giúp bạn căn chỉnh và định vị vùng tìm kiếm so với bộ phận hoặc khung nhìn camera.

3. Đường màu xanh lá chỉ ra cạnh của đối tượng đã được phát hiện.

tip

Nếu bạn thấy đường này chuyển sang màu đỏ, hãy thử tăng kích thước ROI, điều chỉnh ROI, hoặc tăng Sensitivity.

Định Nghĩa và Tối Ưu Hóa ROI (Region of Interest)

Inspection Types

• Định nghĩa: Xác định loại kiểm tra đang được thực hiện và nhóm các ROI (Regions of Interest) tương tự lại với nhau.
• Ví dụ: "Holes" để kiểm tra sự hiện diện, kích thước hoặc chất lượng của các lỗ trên một bộ phận.
• Tính năng chính:
  • Add Inspection Type: Tạo các danh mục mới cho các yêu cầu kiểm tra khác nhau.
  • # of ROIs: Hiển thị số lượng ROI hiện được gán cho loại kiểm tra đó.

Transformation

• Định nghĩa: Điều chỉnh vị trí và hình học của các ROI được chọn để căn chỉnh và đặt chính xác.
• Các trường và mục đích:
  • Height/Width: Thay đổi kích thước của ROI.
  • X / Y: Di chuyển vị trí ROI theo trục ngang (X) và trục dọc (Y).
  • Angle: Xoay ROI quanh tâm của nó.
• Sử dụng tốt nhất: Tăng tốc độ thiết lập khi bạn có các mẫu lặp lại, như nhiều lỗ giống hệt nhau.

Inspection Regions

• Định nghĩa: Danh sách tất cả các ROI được định nghĩa trong ảnh mẫu (template image).
• Tính năng:
  • Add Inspection Region: Tạo một ROI mới theo cách thủ công.
  • Ignore Regions: Loại trừ các vùng cụ thể khỏi quá trình xử lý.
  • Edit: Lưu, xóa hoặc hủy.
  • Lock Icon: Biểu thị các ROI đã bị khóa và không thể di chuyển nếu chưa mở khóa.

Live Preview Mode

• Định nghĩa: Hiển thị phản hồi theo thời gian thực sau khi điều chỉnh hoặc thêm ROI.
• Trường hợp sử dụng: Rất hữu ích để tinh chỉnh vị trí và kích thước ROI trong quá trình thiết lập.

Test Button

• Định nghĩa: Chạy backtesting dựa trên các ảnh cũ để xác minh những thay đổi.
• Trường hợp sử dụng: So sánh kết quả hiện tại với các cài đặt trước đó để đảm bảo độ chính xác và tính nhất quán.

Thu Thập Dữ Liệu và Huấn Luyện AI

Định nghĩa các lớp kiểm tra (inspection classes) khác nhau và gán nhãn cho từng ROI dựa trên loại kiểm tra được chỉ định (xem ví dụ bên dưới).

Sử dụng Annotation Tools để gán nhãn/chú thích cho ảnh. Sử dụng menu thả xuống Brush Class để chọn lớp cần chú thích. Giới hạn hiện tại là tối đa 10 lớp cho mỗi recipe đối với segmentation.

Tầm Quan Trọng Của Dữ Liệu Chất Lượng

• Garbage In, Garbage Out: Các mô hình AI chỉ tốt khi dữ liệu đầu vào tốt. Dữ liệu chất lượng kém hoặc không nhất quán sẽ dẫn đến kết quả không chính xác.

• Tính Đa Dạng Rất Quan Trọng: Thu thập dữ liệu đại diện cho tất cả các biến thể trong thực tế: các ca làm việc khác nhau, điều kiện ánh sáng, vị trí sản phẩm và tình trạng bề mặt.

• Chất Lượng Hơn Số Lượng: Một tập dữ liệu nhỏ, sạch và được gán nhãn tốt thường sẽ cho hiệu năng tốt hơn một tập dữ liệu lớn nhưng nhiễu hoặc không nhất quán.

Kiến Thức Cơ Bản về Annotation:

• Classification: Gán nhãn toàn bộ ảnh hoặc ROI thành một lớp cụ thể (ví dụ: "Good", "Damaged").
• Segmentation: Tô vẽ, khoanh vùng hoặc làm nổi bật các khu vực quan tâm cụ thể với độ chính xác ở cấp độ pixel (ví dụ: vị trí vết xước trên bề mặt).
• Tính Nhất Quán: Sử dụng các quy tắc và định nghĩa nhất quán khi gán nhãn để tránh nhầm lẫn trong quá trình huấn luyện.

Những Sai Lầm Thường Gặp

• Dữ Liệu Không Đủ: Quá ít mẫu sẽ dẫn đến underfitting, gây hiệu năng kém trong thực tế.
• Các Lớp Mất Cân Bằng: Việc một lớp chiếm tỷ lệ quá cao (ví dụ: nhiều sản phẩm "good" nhưng ít sản phẩm lỗi) sẽ làm lệch mô hình.
• Gán Nhãn Kém: Việc gán nhãn sai, không nhất quán hoặc vội vàng sẽ làm giảm đáng kể độ chính xác.
• Bỏ Qua Thay Đổi Môi Trường: Không cập nhật tập dữ liệu khi ánh sáng, hướng đặt sản phẩm hoặc tình trạng bề mặt thay đổi sẽ dẫn đến sự trôi dạt (drift) về độ chính xác.
• Không Xác Thực Dữ Liệu: Bỏ qua bước kiểm tra chất lượng trước khi huấn luyện thường dẫn đến lãng phí thời gian và phải làm lại.

Data Augmentation

Image augmentations sửa đổi hình ảnh huấn luyện một cách nhân tạo để cải thiện độ ổn định của model. Chúng mô phỏng các biến thể trong thế giới thực như thay đổi độ sáng, xoay hoặc nhiễu để model hoạt động tốt trong các điều kiện khác nhau.

Color Augmentations

Brightness

• Định nghĩa: Điều chỉnh mức độ sáng hoặc tối của hình ảnh.
• Trường hợp sử dụng: Để xử lý những thay đổi nhỏ về ánh sáng trong quá trình sản xuất.

tip

Sử dụng ±0.1 cho các thiết lập ổn định; tăng lên nếu ánh sáng thay đổi nhiều hơn.

Contrast

• Định nghĩa: Thay đổi sự khác biệt giữa vùng sáng và vùng tối.
• Trường hợp sử dụng: Hữu ích cho các chi tiết có kết cấu hoặc bề mặt đa dạng, giúp model thích ứng với sự khác biệt về hình ảnh.

Hue

• Định nghĩa: Dịch chuyển các tông màu một chút.
• Trường hợp sử dụng: Phù hợp với các thiết lập mà màu sắc ánh sáng (ví dụ: nhiệt độ LED) có thể thay đổi theo thời gian.

Saturation

• Định nghĩa: Điều chỉnh cường độ của màu sắc.
• Trường hợp sử dụng: Giúp xử lý các biến thể trong chiếu sáng khiến hình ảnh trông xỉn màu hoặc rực rỡ hơn.

Geometric Augmentations

Rotation Range

• Định nghĩa: Xoay hình ảnh ngẫu nhiên trong phạm vi đã đặt (ví dụ: ±20°).
• Trường hợp sử dụng: Dành cho các chi tiết có thể ở vị trí hơi xoay.

tip

Tránh xoay quá mức đối với các chi tiết thường được cố định về hướng.

Flip

• Định nghĩa: Lật hình ảnh theo chiều ngang, chiều dọc hoặc cả hai.
• Trường hợp sử dụng: Hữu ích cho các chi tiết đối xứng hoặc khi hướng có thể bị lật trong quá trình xử lý.

Lighting & Color Simulation

Planckian

• Định nghĩa: Mô phỏng các biến thể về nhiệt độ màu (ví dụ: ánh sáng ấm hoặc lạnh).
• Trường hợp sử dụng: Xử lý các ca làm việc khác nhau hoặc các work cell có nguồn sáng khác nhau.

Gaussian Noise

• Định nghĩa: Thêm nhiễu nhỏ vào hình ảnh.
• Trường hợp sử dụng: Cải thiện độ ổn định nếu môi trường sản xuất của bạn có nhiễu hình ảnh nhỏ hoặc các artifact từ cảm biến camera.

Motion Simulation

Motion Blur

• Định nghĩa: Mô phỏng hiện tượng mờ nhẹ như thể chi tiết bị chuyển động khi chụp.
• Trường hợp sử dụng: Quan trọng đối với các dây chuyền tốc độ cao, nơi có thể xảy ra motion blur.

Probability (prob)

• Định nghĩa: Đặt xác suất áp dụng mỗi augmentation trong quá trình huấn luyện.
• Ví dụ: 0.50 = 50% khả năng áp dụng thay đổi đó cho bất kỳ hình ảnh huấn luyện nào.

tip

Bắt đầu ở 0.5 cho hầu hết các augmentation và điều chỉnh dựa trên sự biến đổi trong thực tế.

Training Parameters (Segmentation)

Training parameters (còn gọi là hyperparameters) là các cài đặt điều khiển cách model machine learning học từ dữ liệu.

Learning Rate

• Định nghĩa: Điều khiển tốc độ cập nhật các trọng số nội bộ của model trong quá trình huấn luyện.
• Giá trị (0.003): Learning rate càng cao, model học càng nhanh, nhưng quá cao có thể gây mất ổn định hoặc độ chính xác kém.
• Dải thanh trượt: Từ 10^-4 (rất chậm) đến 10^-1 (rất nhanh).

tip

Thông thường, giá trị từ 0.001–0.01 là điểm khởi đầu tốt cho các tác vụ segmentation.

Kích thước ROI (Region of Interest)

• Định nghĩa: Xác định kích thước (chiều rộng × chiều cao) của vùng ảnh được sử dụng trong quá trình training.
• Không chọn: Theo mặc định, mô hình sẽ tự động xác định ROI dựa trên dữ liệu của bạn.
• Khi chọn: Bạn có thể thiết lập chiều rộng và chiều cao thủ công nếu cần kích thước đầu vào nhất quán (ví dụ: tất cả ảnh được cắt về 256×256 pixel).

tip

Sử dụng kích thước cố định (ví dụ: 256×256) khi tập dữ liệu của bạn có các ảnh với kích thước khác nhau và bạn muốn đầu vào nhất quán để có độ ổn định, khả năng tái lập tốt hơn, hoặc để phù hợp với một kiến trúc mô hình đã biết.

Để hệ thống tự động lựa chọn khi dữ liệu của bạn đã có độ phân giải đồng nhất hoặc khi bạn muốn hệ thống tối ưu hóa vùng quan tâm tốt nhất dựa trên đặc điểm của tập dữ liệu.

Số lần lặp (Epochs)

• Định nghĩa: Một epoch = một lần đi qua toàn bộ tập dữ liệu training.
• Giá trị (100): Mô hình sẽ training qua 100 lượt đầy đủ.

tip

Việc tăng số này thường cải thiện độ chính xác đến một mức nhất định nhưng sẽ mất nhiều thời gian hơn.

Nguyên tắc chung: Theo dõi training loss và validation loss trong quá trình training. Nếu validation loss ngừng giảm trong khi training loss vẫn tiếp tục giảm, đó là dấu hiệu mô hình đang bị overfitting và bạn nên dừng training sớm hơn.

Kiến trúc (Architecture)

• Định nghĩa: Lựa chọn kích thước và độ phức tạp của mạng neural.
• Small: Training nhanh hơn và thường đủ cho hầu hết các tập dữ liệu. Lý tưởng cho việc thử nghiệm nhanh hoặc với tập dữ liệu nhỏ.
• Mô hình lớn hơn có thể nắm bắt nhiều chi tiết hơn nhưng có thể bị overfitting trên tập dữ liệu nhỏ, trong khi các mô hình nhỏ hơn hiệu quả hơn và có khả năng tổng quát hóa tốt hơn khi dữ liệu bị hạn chế.

tip

Hãy bắt đầu với Small, thường là đủ và giúp bạn lặp lại nhanh hơn trước khi mở rộng quy mô.

External GPU

Liên hệ với bộ phận Hỗ trợ để biết thêm thông tin về External GPU.

Tham số Training (Classification)

Tham số training (còn gọi là hyperparameters) là các cài đặt điều khiển cách mô hình machine learning học từ dữ liệu.

Learning Rate

• Định nghĩa: Điều khiển tốc độ cập nhật các trọng số nội bộ của mô hình trong quá trình training.
• Giá trị (0.003): Learning rate càng cao, mô hình học càng nhanh, nhưng quá cao có thể gây mất ổn định hoặc độ chính xác kém.
• Phạm vi thanh trượt: Từ 10^-4 (rất chậm) đến 10^-1 (rất nhanh).

tip

Thông thường, giá trị nằm trong khoảng 0.001–0.01 là điểm khởi đầu tốt cho các tác vụ segmentation.

Tỷ lệ Validation

• Định nghĩa: Xác định phần nào của tập dữ liệu sẽ được dành riêng cho validation (kiểm tra trong quá trình training).
• Mục đích: Dữ liệu validation giúp theo dõi mô hình hoạt động tốt như thế nào trên các mẫu chưa thấy trước đó, ngăn ngừa overfitting.
• Phạm vi: 0–50%.

tip

Các lựa chọn phổ biến là 10–20%.

Nếu đặt là 0%, toàn bộ dữ liệu được sử dụng cho training, điều này có thể cải thiện độ chính xác training nhưng khiến việc phát hiện overfitting khó khăn hơn.

Kích thước ROI (Region of Interest)

• Định nghĩa: Xác định kích thước (chiều rộng × chiều cao) của vùng ảnh được sử dụng trong quá trình huấn luyện.
• Không chọn: Theo mặc định, mô hình sẽ tự động xác định ROI dựa trên dữ liệu của bạn.
• Khi được chọn: Bạn có thể thiết lập thủ công chiều rộng và chiều cao nếu cần kích thước đầu vào nhất quán (ví dụ: tất cả hình ảnh được cắt thành 256×256 pixel).

tip

Sử dụng kích thước cố định (ví dụ: 256×256) khi tập dữ liệu của bạn có các hình ảnh với kích thước khác nhau và bạn muốn đầu vào nhất quán để đảm bảo tính ổn định, khả năng tái tạo, hoặc để phù hợp với một kiến trúc mô hình đã biết.

Để hệ thống tự động chọn khi dữ liệu của bạn đã có độ phân giải đồng nhất hoặc khi bạn muốn hệ thống tối ưu hóa vùng quan tâm tốt nhất dựa trên đặc điểm của tập dữ liệu.

Số lần lặp (Epochs)

• Định nghĩa: Một epoch = một lần duyệt hoàn chỉnh qua toàn bộ tập dữ liệu huấn luyện.
• Giá trị (100): Mô hình sẽ được huấn luyện qua 100 lần duyệt hoàn chỉnh.

tip

Việc tăng số này thường cải thiện độ chính xác đến một mức nhất định nhưng sẽ mất nhiều thời gian hơn.

Quy tắc chung: Theo dõi training loss và validation loss trong quá trình huấn luyện. Nếu validation loss ngừng giảm trong khi training loss vẫn tiếp tục giảm, đó là dấu hiệu mô hình đang bị overfitting và bạn nên dừng huấn luyện sớm hơn.

Kiến trúc (Architecture)

• Định nghĩa: Chọn kích thước và độ phức tạp của mạng neural.
• Small: Huấn luyện nhanh hơn và thường đủ cho hầu hết các tập dữ liệu. Lý tưởng cho việc thử nghiệm nhanh hoặc các tập dữ liệu nhỏ.

tip

Bắt đầu với Small, thường là đủ và giúp bạn lặp lại nhanh hơn trước khi mở rộng quy mô.

Kiến trúc và Camera	Mô tả	Sử dụng được khuyến nghị
ConvNeXt-Pico	Mô hình siêu nhẹ được tối ưu hóa cho tốc độ và sử dụng ít bộ nhớ.	Phù hợp cho các thử nghiệm nhanh hoặc phần cứng hạn chế.
ConvNeXt-Nano	Lớn hơn Pico một chút; độ chính xác tốt hơn với chi phí tăng thêm tối thiểu.	Cân bằng tốt cho các tập dữ liệu nhỏ–trung bình.
ConvNeXt-Tiny	Cung cấp độ chính xác cải thiện trong khi vẫn hiệu quả.	Phù hợp cho các tập dữ liệu vừa phải và các lần huấn luyện dài hơn.
ConvNeXt-Small	Biến thể mạnh nhất trong danh sách này. Có dung lượng và độ chính xác cao hơn.	Sử dụng cho các tập dữ liệu lớn hoặc khi cần hiệu suất tối đa.

GPU Ngoài (External GPU)

Liên hệ Support để biết thêm về External GPU.