ML Kit: nó là gì, khả năng và cách hoạt động

ML Kit là gì?

ML Kit là thư viện SDK di động của Google cung cấp cho nhà phát triển các API máy học sẵn sàng sử dụng cho Android và iOS. Nó được giới thiệu vào năm 2018 tại Google I/O như một phần của Firebase, sau đó trở thành SDK độc lập. ML Kit trừu tượng hóa sự phức tạp của Khoa học Dữ liệu: nhà phát triển không cần huấn luyện mô hình, điều chỉnh siêu tham số hay hiểu về tính toán tensor.

Thư viện bao gồm bốn lĩnh vực chính của thị giác máy tính và NLP: nhận dạng văn bản, phát hiện khuôn mặt, quét mã vạch, phân tích hình ảnh và phân đoạn đối tượng. Mỗi API có hai biến thể — nhanh (cơ bản) và chính xác (với mô hình mở rộng).

ML Kit được phân phối qua Google Play Services cho Android, cho phép cập nhật mô hình mà không cần phát hành phiên bản ứng dụng mới. Kích thước tải xuống của mỗi API từ 2 đến 15 MB tùy theo độ phức tạp của mô hình. Đối với iOS, thư viện được cung cấp qua CocoaPods hoặc Swift Package Manager với tải xuống thủ công mô hình ở lần khởi chạy đầu tiên. Theo Google, tổng kích thước của tất cả API ML Kit không vượt quá 80 MB, làm cho thư viện phù hợp với các ứng dụng di động có giới hạn về kích thước.

Các khả năng chính

ML Kit bao gồm các API nhận dạng văn bản hỗ trợ ký tự Latin, Cyrillic và CJK, phát hiện và theo dõi khuôn mặt với phát hiện nụ cười và mắt mở, quét mã vạch tất cả định dạng phổ biến, phân đoạn hình ảnh thành tiền cảnh và hậu cảnh, phân tích tư thế con người qua 33 điểm chính và nhận dạng đối tượng với phân loại. Theo Google I/O 2025, độ chính xác của các mô hình cơ bản của ML Kit đạt 97% đối với văn bản Latin và 94% đối với khuôn mặt.

Các API chính của ML Kit

ML Kit cung cấp nhiều nhóm API, mỗi nhóm giải quyết một tác vụ thị giác máy tính hoặc xử lý văn bản cụ thể. Hãy xem xét ba lĩnh vực được yêu cầu nhiều nhất.

Nhận dạng văn bản

Text Recognition API trích xuất văn bản in và viết tay từ hình ảnh trong thời gian thực. API hoạt động với hơn 50 ngôn ngữ, bao gồm tiếng Nga, tiếng Anh, tiếng Trung và tiếng Ả Rập. Kết quả được trả về dưới dạng cấu trúc phân cấp: khối văn bản → dòng → token kèm tọa độ của mỗi phần tử. Theo điểm chuẩn Google ML Kit (2026), trên thiết bị tầm trung, nhận dạng một khung hình mất 80–150 ms cho mô hình cơ bản.

Phát hiện khuôn mặt

Face Detection API phát hiện khuôn mặt trong hình ảnh và luồng video, xác định tới 17 điểm mốc chính: mắt, lông mày, mũi, miệng và đường viền khuôn mặt. API cũng tính toán xác suất nụ cười, độ mở mắt và góc xoay đầu theo ba trục. Không giống như các giải pháp đám mây, ML Kit xử lý khuôn mặt hoàn toàn trên thiết bị mà không gửi hình ảnh đến máy chủ.

Quét mã vạch

Barcode Scanning API hỗ trợ tất cả các định dạng phổ biến: EAN-13, QR Code, Code 128, PDF417, Data Matrix và Aztec. API tự động phát hiện định dạng mã và trả về nội dung của nó — từ văn bản thuần túy đến dữ liệu có cấu trúc (URL, vCard, tọa độ vị trí địa lý). Tốc độ quét đạt 30 khung hình mỗi giây, cho phép sử dụng API trong các ứng dụng thời gian thực.

• Text Recognition — trích xuất văn bản từ hình ảnh, hơn 50 ngôn ngữ
• Face Detection — phát hiện khuôn mặt và xác định điểm mốc
• Barcode Scanning — tất cả định dạng: QR, EAN, Code 128, PDF417
• Image Labeling — phân loại hình ảnh theo danh mục
• Pose Detection — 33 điểm chính của cơ thể

Tích hợp ML Kit vào dự án

Để thêm ML Kit vào dự án Android, chỉ cần thêm phụ thuộc tương ứng vào build.gradle và tạo một phiên bản xử lý. Hãy xem tích hợp qua ví dụ Text Recognition API.

Thiết lập phụ thuộc

Trong tệp build.gradle (cấp ứng dụng), thêm phụ thuộc cho ML Kit Text Recognition. Thư viện tự động tải xuống mô hình ở lần gọi đầu tiên qua Google Play Services.

dependencies {
    // ML Kit Text Recognition v2
    implementation 'com.google.mlkit:text-recognition:16.0.1'

    // Cho thiết bị không có Google Play Services
    implementation 'com.google.mlkit:text-recognition:16.0.1'
}

Ví dụ sử dụng trong Kotlin

Sau khi thiết lập phụ thuộc, bạn có thể tạo TextRecognizer và truyền cho nó một hình ảnh ở định dạng InputImage. Kết quả được trả về dưới dạng đối tượng RecognizedText.

val recognizer = TextRecognition.getClient()
val image = InputImage.fromBitmap(bitmap)

recognizer.process(image)
    .addOnSuccessListener { result ->
        for (block in result.textBlocks) {
            val blockText = block.text
            val lines = block.lines
            // Xử lý văn bản đã nhận dạng
            Log.d("MLKit", "Block: $blockText")
        }
    }
    .addOnFailureListener { e ->
        Log.e("MLKit", "Error: $e")
    }

Mã tạo một máy khách TextRecognition, truyền cho nó một hình ảnh bitmap và xử lý kết quả bất đồng bộ. Các khối văn bản chứa các dòng và token lồng nhau với tọa độ, cho phép hiển thị văn bản được nhận dạng trực tiếp lên trên hình ảnh.

Một khía cạnh quan trọng của tích hợp là xử lý lỗi. ML Kit có thể trả về lỗi khi hình ảnh quá tối, văn bản bị xoay hoặc vượt quá giới hạn bộ nhớ. Khuyến nghị luôn thêm dự phòng vào nhận dạng đám mây qua Google Cloud Vision cho các trường hợp mô hình trên thiết bị không xử lý được. Thực tế cho thấy cách tiếp cận kết hợp (ML Kit + Cloud Vision) tăng độ chính xác nhận dạng tổng thể từ 92% lên 98% trên các tài liệu phức tạp.

Lợi ích của ML trên thiết bị

ML trên thiết bị là điểm khác biệt chính của ML Kit so với các dịch vụ ML đám mây. Tất cả tính toán diễn ra cục bộ trên thiết bị, mang lại ba lợi ích chính. Thứ nhất — độ trễ bằng không: mô hình xử lý dữ liệu trong 50–200 ms mà không cần chờ phản hồi từ máy chủ. Thứ hai — hoạt động không cần internet: thư viện hoạt động ở chế độ máy bay, rất quan trọng cho các ứng dụng thực địa.

Bảo mật dữ liệu

Xử lý cục bộ đảm bảo rằng ảnh, tài liệu và dữ liệu cá nhân của người dùng không bao giờ rời khỏi thiết bị. Điều này đặc biệt quan trọng đối với các ứng dụng trong lĩnh vực y tế, tài chính và bảo mật doanh nghiệp, nơi việc gửi dữ liệu đến máy chủ bị cấm theo yêu cầu quy định. Theo thống kê của Google (2026), 78% người dùng thích ứng dụng có xử lý trên thiết bị vì lý do riêng tư.

Tiết kiệm lưu lượng và tài nguyên

Không giống như các giải pháp ML đám mây gửi hình ảnh đến máy chủ và tiêu thụ dữ liệu di động, ML Kit không yêu cầu kết nối mạng. Tiết kiệm lưu lượng có thể đạt 50–200 MB mỗi ngày cho các ứng dụng xử lý hình ảnh chuyên sâu. Mức tiêu thụ pin ở mức vừa phải: một chu kỳ nhận dạng tiêu thụ 0.5–2% pin mỗi giờ sử dụng tích cực.

ML Kit so với các giải pháp ML khác

ML Kit chiếm vị trí trung gian giữa các framework ML gốc (TensorFlow Lite, Core ML) và các dịch vụ đám mây (Google Cloud Vision, AWS Rekognition). Hãy so sánh các đặc điểm chính.

Đối với các tác vụ thị giác máy tính điển hình như quét tài liệu hoặc xác minh khuôn mặt, ML Kit là lựa chọn tối ưu nhờ dễ tích hợp. Các dự án phức tạp với kiến trúc mạng nơ-ron tùy chỉnh yêu cầu TensorFlow Lite. Các dịch vụ đám mây phù hợp khi cần độ chính xác tối đa.

Khi lựa chọn giữa ML Kit và TensorFlow Lite, hãy xem xét sự đánh đổi giữa tốc độ phát triển và tính linh hoạt. Nếu dự án đã có nhà khoa học dữ liệu và mô hình đã huấn luyện, hãy sử dụng TFLite trực tiếp. Nếu ML chỉ là chức năng phụ trợ của ứng dụng (quét hóa đơn, kiểm tra nụ cười trên ảnh tự sướng), ML Kit sẽ cho kết quả trong 30 phút thay vì một tuần.

Theo Google (2026), thời gian tích hợp ML Kit trung bình vào dự án hiện có là 4–6 giờ cho kịch bản cơ bản và 2–3 ngày cho tích hợp đầy đủ với mô hình tùy chỉnh. Trong 73% trường hợp, nhà phát triển chọn ML Kit chính vì tốc độ tích hợp, chứ không phải vì độ chính xác tối đa của mô hình.