Cách kiếm 11.000 USD mỗi tháng với thị giác máy tính sử dụng AI

Hướng dẫn toàn diện cho người mới bắt đầu không cần biết code.

Thị trường quốc tế. Thu nhập bằng đô la.

Cách sử dụng hướng dẫn này. Hãy đọc theo thứ tự.

Phần 1–3 giúp bạn hiểu chuyện gì đang xảy ra và cách tư duy về nó.

Phần 4–5 là phần thực hành: bạn chạy dòng code đầu tiên của mình.

Phần 6–8 biến kỹ năng thành tiền.

Ở cuối có phần Câu hỏi thường gặp và Bảng thuật ngữ (nếu bạn gặp từ nào không hiểu, hãy tra ở đó).

Mục lục

1. Đây là gì và tại sao người ta trả tiền cho nó
2. Công cụ của bạn -> chúng là gì và tại sao (bằng ngôn ngữ đơn giản)
3. Cách làm việc với AI -> kỹ năng chính của bạn thay vì lập trình
4. Chạy dòng code đầu tiên trong Google Colab -> từng bước
5. Bộ script sẵn sàng sử dụng (kèm giải thích từng cái làm gì)
6. Portfolio -> ba dự án có thể bán được
7. Nơi tìm khách hàng và nên tính phí bao nhiêu (kèm mẫu câu tiếng Anh)
8. Kế hoạch 90 ngày đầu tiên
9. Các mốc thu nhập
10. Các câu hỏi thường gặp (FAQ)
11. Những điều KHÔNG nên làm
12. Bảng thuật ngữ

Phần 1. Đây là gì và tại sao người ta trả tiền cho nó

Thị giác máy tính (Computer vision) là công nghệ cho phép máy tính "nhìn" vào một bức ảnh hoặc video và hiểu được nội dung bên trong: có những vật thể nào, chúng ở đâu, chúng đang di chuyển đi đâu, có bao nhiêu cái. Về cơ bản, nó giống như những gì mắt người và bộ não làm -> chỉ khác là nó tự động và có thể thực hiện trên bất kỳ số lượng camera nào cùng một lúc.

Bốn video khởi nguồn cho tất cả những điều này không phải là các bài hướng dẫn đồ chơi -> chúng là bốn tác vụ thương mại thực tế:

• Đếm vật thể -> nhà kho, kiểm kê, quản lý hàng tồn kho.
• Theo dõi và đếm người/phương tiện -> cửa hàng (có bao nhiêu người vào), đường xá (có bao nhiêu xe chạy qua).
• Ước tính tốc độ -> giám sát giao thông, an toàn đường bộ và công trường.
• Phân tích thể thao -> theo dõi cầu thủ, phân tích trận đấu (một ngành công nghiệp khổng lồ).

Các doanh nghiệp liên tục trả tiền cho những thứ như thế này: bán lẻ, an ninh, giao thông đường bộ, sản xuất (kiểm soát lỗi), nông nghiệp, thể thao, hậu cần.

Tại sao một người không có bằng cấp và không biết lập trình lại có thể làm được điều này ngay bây giờ? Bởi vì hai thứ đã xuất hiện:

1. Các công cụ có sẵn đã biết cách "nhìn" (không cần phải phát minh ra chúng -> bạn chỉ cần chạy chúng).
2. Trợ lý AI viết và sửa code cho bạn.

Trước đây, việc này đòi hỏi một kỹ sư với nhiều năm kinh nghiệm. Giờ đây, công việc của bạn là lắp ráp các khối có sẵn và giải thích cho AI biết bạn cần gì.

Nói thật về những gì thực sự sẽ hiệu quả:

• Con đường này tốt nhất dẫn đến làm việc tự do và các dự án chìa khóa trao tay -> bạn xây dựng một hệ thống hoạt động cho khách hàng (ví dụ: đếm khách truy cập) và được trả tiền cho kết quả. Đây là con đường chính (Con đường B bên dưới).
• Sẽ khó hơn và chậm hơn để có được công việc kỹ sư toàn thời gian tại một công ty: trong các buổi phỏng vấn, họ vẫn sẽ yêu cầu bạn viết code trực tiếp, và chỉ riêng AI là không đủ. Mọi người sẽ đi theo hướng đó khi đã có kinh nghiệm dự án (Con đường A).

Nói cách khác, tiền đến nhanh nhất từ khách hàng trả cho công việc hoàn thành, chứ không phải từ lời mời làm việc của một tập đoàn lớn.

Phần 2. Công cụ của bạn -> chúng là gì và tại sao

Đừng sợ hãi vì những cái tên. Đây là tất cả những thứ này được giải thích bằng ngôn ngữ đơn giản:

• YOLO -> "con mắt." Một mô hình có sẵn giúp tìm vật thể trong ảnh và vẽ một khung xung quanh chúng kèm nhãn ("người," "xe hơi"). Tải về chỉ với một dòng lệnh, sử dụng được ngay lập tức.
• ByteTrack -> "bộ nhớ." Một mình YOLO nhìn mọi khung hình từ đầu. ByteTrack liên kết các vật thể giữa các khung hình và gán cho chúng các số nhận dạng (ID), để nó hiểu được: người này ở giây thứ 1 và ở giây thứ 5 là cùng một người. Nếu không có điều này, bạn không thể đếm hoặc đo lường chuyển động.
• Supervision -> "bộ công cụ xây dựng." Một thư viện các khối có sẵn: vẽ khung, thêm một đường đếm, xác định một vùng, đếm số lần băng qua. Nó biến "mô hình nhìn thấy vật thể" thành "chương trình đếm số lần ra vào."
• Roboflow -> "nền tảng gần như không cần code." Trong trình duyệt: bạn gắn nhãn dữ liệu của mình bằng chuột, huấn luyện một mô hình chỉ trong vài cú nhấp chuột, và nhận được một API sẵn sàng. Và trong phần Roboflow Universe có hàng ngàn mô hình đã được huấn luyện sẵn -> thường thì bạn không cần phải huấn luyện gì cả, chỉ cần lấy một cái có sẵn.
• Google Colab -> "máy tính trong trình duyệt của bạn." Một môi trường miễn phí nơi code chạy trên máy chủ của Google. Bạn không cần một PC mạnh và không cần cài đặt gì: mở trang, dán code, nhấn nút.
• Trợ lý AI (Claude, ChatGPT, Gemini) -> "lập trình viên của bạn." Viết code cho tác vụ của bạn, thay đổi nó, và sửa lỗi. Dành cho những ai muốn xây dựng một ứng dụng thực sự, có Cursor -> một trình soạn thảo nơi AI tự viết gần như toàn bộ code.

Cách chúng hoạt động cùng nhau (quy trình):

Video →

YOLO

tìm vật thể →

ByteTrack

gán số cho chúng →

Supervision

đếm theo đường/vùng → bạn nhận được kết quả (video có chú thích + số liệu). Tất cả chạy trong

Colab

, và code được viết và sửa bởi

AI

. Nếu bạn cần các vật thể không phải tiêu chuẩn, bạn huấn luyện một mô hình trong

Roboflow

.

Phần 3. Cách làm việc với AI -> kỹ năng chính của bạn

Trong thiết lập này, kỹ năng thực sự của bạn không phải là Python -> mà là khả năng giải thích rõ ràng nhiệm vụ cho AI và ghép các mảnh lại với nhau. Nó giống như làm việc với một trợ lý rất có năng lực: nhiệm vụ càng rõ ràng, kết quả càng tốt.

Nguyên tắc vàng: bất kỳ lỗi nào Colab đưa ra, bạn sao chép toàn bộ và đưa cho AI -> nó sẽ sửa code cho phiên bản hiện tại của thư viện. Các phiên bản thay đổi, code đôi khi bị lỗi -> điều đó bình thường, đó là lý do AI tồn tại. Đừng bao giờ ngồi vật lộn với lỗi một mình.

Các mẫu prompt bao phủ 90% tác vụ:

Điều chỉnh script cho riêng bạn:

"Đây là một script Python đang hoạt động sử dụng thư viện supervision [dán code]. Tôi không phải là lập trình viên. Hãy thay đổi nó để chỉ đếm người, không phải tất cả vật thể. Trả về toàn bộ code hoàn chỉnh."

Sửa lỗi:

"Tôi đã chạy code này trong Google Colab [dán code] và gặp lỗi này: [dán toàn bộ nội dung lỗi]. Hãy sửa code cho phiên bản hiện tại của thư viện và trả về phiên bản đã sửa hoàn chỉnh."

Hiểu code làm gì:

"Hãy giải thích bằng ngôn ngữ đơn giản, không dùng thuật ngữ chuyên ngành, script này làm gì và tôi sẽ thấy gì ở đầu ra."

Tinh chỉnh cho một video cụ thể:

"Hãy giúp tôi đặt tọa độ của đường đếm cho một video rộng 1280 và cao 720. Đường thẳng nên chạy theo chiều ngang qua tâm."

Xây dựng tính năng mới:

"Dựa trên script này, hãy thêm tính năng đếm riêng theo loại: có bao nhiêu xe hơi và bao nhiêu xe tải đã đi qua. Trả về toàn bộ code."

Viết văn bản (CV, README, đề xuất cho khách hàng):

"Hãy viết một mô tả ngắn bằng tiếng Anh về một dự án đếm khách truy cập cho GitHub của tôi: vấn đề, giải pháp, công nghệ nào, cách chạy nó."

Những sai lầm phổ biến của người mới bắt đầu khi làm việc với AI:

• Đưa cho AI một đoạn code nhỏ thay vì toàn bộ code -> khiến nó sửa một cách mù quáng. Hãy đưa toàn bộ script.
• Viết "nó không hoạt động" thay vì nội dung lỗi. Luôn dán toàn bộ lỗi.
• Tự ý sửa code một cách ngẫu nhiên. Đừng làm vậy. Hãy yêu cầu AI thực hiện thay đổi và trả về phiên bản hoàn chỉnh.

Và quan trọng nhất -> luôn kiểm tra kết quả. AI có thể tự tin tạo ra code chạy được nhưng lại đếm sai thứ. Hãy mở video đầu ra, xem bằng mắt để xác nhận các khung nằm đúng trên các vật thể và các con số có vẻ hợp lý. Đó là trách nhiệm của bạn, không phải của AI.

Phần 4. Chạy dòng code đầu tiên trong Google Colab -> từng bước

Đây là phần "đáng sợ nhất" đối với người mới bắt đầu, nhưng thực tế nó chỉ mất 5 phút. Hãy làm quen một lần.

1. Mở colab.research.google.com (đăng nhập bằng tài khoản Google) → nhấp vào New notebook.
2. Bạn sẽ thấy một ô trống -> đó là một cell. Đây là nơi chứa code. Bên trái cell là nút ▶ (chạy).
3. Dán Script 0 (cài đặt các thư viện) vào cell đầu tiên và nhấn ▶. Chờ 20–60 giây -> các dòng chữ sẽ chạy qua, điều đó bình thường.
4. Lấy một video thử nghiệm. Cách đơn giản nhất là dùng mẫu có sẵn. Tạo một cell mới (nút "+ Code") và chạy:

1from supervision.assets import download_assets, VideoAssets
2path = download_assets(VideoAssets.PEOPLE_WALKING)
3print("Video downloaded:", path)   # đây là file people-walking.mp4

Hoặc tải video của riêng bạn lên:

1from google.colab import files
2uploaded = files.upload()   # chọn một file; nhớ tên của nó và đặt vào script thay vì input.mp4

• Dán script bạn cần (ví dụ: Script 3) vào một cell mới. Sửa tên file đầu vào nếu cần. Nhấn ▶.
• Tải kết quả về máy tính của bạn:

1from google.colab import files
2files.download("output_count.mp4")

Nếu có gì đó sai:

• "No such file" / không tìm thấy file -> tên video trong script không khớp với tên thực tế. Kiểm tra tên file.
• Chậm và ì ạch -> bật GPU miễn phí: menu Runtime → Change runtime type → GPU.
• Bất kỳ lỗi đỏ nào -> sao chép toàn bộ và đưa cho AI (nguyên tắc vàng).

Phần 5. Bộ script sẵn sàng sử dụng

Bạn không cần phải hiểu từng dòng code trong các script này. Hãy chạy nó, nếu có lỗi, hãy đưa cho AI. Mỗi script đều kèm theo giải thích bằng ngôn ngữ đơn giản.

Script 0 -> cài đặt (luôn chạy cái này trước)

1!pip install ultralytics supervision -q

Chức năng: cài đặt "con mắt" (YOLO) và "bộ công cụ xây dựng" (Supervision). Thực hiện một lần mỗi phiên làm việc.

Script 1 -> tìm và gắn nhãn vật thể trong video

Chức năng: vẽ các khung có nhãn xung quanh tất cả vật thể. Đây là bước kiểm tra cơ bản xem mọi thứ có hoạt động không.

1from ultralytics import YOLO
2import supervision as sv
3
4model = YOLO("yolov8n.pt")          # mô hình "con mắt", tự động tải về
5box_annotator = sv.BoxAnnotator()
6label_annotator = sv.LabelAnnotator()
7
8def callback(frame, index):
9    results = model(frame)[0]
10    detections = sv.Detections.from_ultralytics(results)
11    labels = [f"{results.names[c]} {conf:.2f}"
12              for c, conf in zip(detections.class_id, detections.confidence)]
13    out = box_annotator.annotate(frame.copy(), detections=detections)
14    out = label_annotator.annotate(out, detections=detections, labels=labels)
15    return out
16
17sv.process_video(source_path="input.mp4", target_path="output_detect.mp4", callback=callback)
18print("Done: output_detect.mp4")

Script 2 -> theo dõi bằng số nhận dạng (ID)

Chức năng: gán cho mỗi vật thể một số nhận dạng cố định và giữ nó khi vật thể ở trong khung hình. Cơ sở cho việc đếm và đo lường chuyển động.

1from ultralytics import YOLO
2import supervision as sv
3
4model = YOLO("yolov8n.pt")
5tracker = sv.ByteTrack()
6box_annotator = sv.BoxAnnotator()
7label_annotator = sv.LabelAnnotator()
8
9def callback(frame, index):
10    results = model(frame)[0]
11    detections = sv.Detections.from_ultralytics(results)
12    detections = tracker.update_with_detections(detections)
13    labels = [f"#{tid}" for tid in detections.tracker_id]
14    out = box_annotator.annotate(frame.copy(), detections=detections)
15    out = label_annotator.annotate(out, detections=detections, labels=labels)
16    return out
17
18sv.process_video(source_path="input.mp4", target_path="output_track.mp4", callback=callback)
19print("Done: output_track.mp4")

Script 3 -> đếm số lần băng qua đường (script chính, mang tính thương mại)

Chức năng: đếm có bao nhiêu vật thể đã băng qua một đường tưởng tượng theo mỗi hướng. Đây chính xác là "có bao nhiêu khách truy cập đã vào" hoặc "có bao nhiêu xe hơi đã chạy qua."

1from ultralytics import YOLO
2import supervision as sv
3
4model = YOLO("yolov8n.pt")
5tracker = sv.ByteTrack()
6
7# Đường đếm: điều chỉnh tọa độ (x, y tính bằng pixel) cho video của bạn.
8line_zone = sv.LineZone(start=sv.Point(x=0, y=400), end=sv.Point(x=1280, y=400))
9
10box_annotator = sv.BoxAnnotator()
11label_annotator = sv.LabelAnnotator()
12line_annotator = sv.LineZoneAnnotator()
13
14def callback(frame, index):
15    results = model(frame)[0]
16    detections = sv.Detections.from_ultralytics(results)
17
18    # ĐỂ CHỈ ĐẾM NGƯỜI — bỏ dấu # ở dòng bên dưới (0 = người):
19    # detections = detections[detections.class_id == 0]
20
21    detections = tracker.update_with_detections(detections)
22    line_zone.trigger(detections)
23    labels = [f"#{tid}" for tid in detections.tracker_id]
24    out = box_annotator.annotate(frame.copy(), detections=detections)
25    out = label_annotator.annotate(out, detections=detections, labels=labels)
26    out = line_annotator.annotate(out, line_counter=line_zone)
27    return out
28
29sv.process_video(source_path="input.mp4", target_path="output_count.mp4", callback=callback)
30print(f"In: {line_zone.in_count} | Out: {line_zone.out_count}")

Lưu số đếm vào một file (bạn có thể đưa cho khách hàng)

Thêm đoạn này ở cuối cùng, sau khi video đã được xử lý:

1with open("counts.txt", "w") as f:
2    f.write(f"In: {line_zone.in_count}\n")
3    f.write(f"Out: {line_zone.out_count}\n")
4print("Numbers saved to counts.txt")

Bất cứ thứ gì khó hơn -> hãy đưa cho AI (đừng tự viết)

• Ước tính tốc độ phương tiện: "Dựa trên YOLO và thư viện supervision, hãy viết một script cho Google Colab ước tính tốc độ của xe hơi trong video từ camera hành trình/camera đường phố. Giải thích bằng ngôn ngữ đơn giản, chi tiết, cách thiết lập phối cảnh cho khung hình của tôi. Tôi không phải là lập trình viên, hãy đưa cho tôi code hoàn chỉnh, sẵn sàng sử dụng."
• Đếm bên trong một khu vực (thay vì bằng một đường) -> ví dụ, có bao nhiêu người trong một khu vực chờ: "Làm lại script để nó đếm số lượng người bên trong một vùng hình chữ nhật trong video (sử dụng PolygonZone từ supervision). Đưa toàn bộ code và giải thích cách đặt tọa độ vùng."
• Các vật thể tùy chỉnh (sản phẩm, lỗi, động vật không có trong mô hình tiêu chuẩn): gắn nhãn một tập dữ liệu trong Roboflow thông qua trình duyệt, huấn luyện nó ở đó, lấy mô hình của bạn và yêu cầu AI kết nối nó vào Script 3.

Phần 6. Portfolio -> ba dự án có thể bán được

Portfolio quan trọng hơn bằng cấp: trên thị trường quốc tế, người ta nhìn vào kết quả bạn đã trình bày, chứ không phải chứng chỉ. Bạn cần 3 bản demo ngắn cho các thị trường ngách thực tế.

Nơi lấy video miễn phí cho bản demo (không lo vấn đề bản quyền):

• Mẫu có sẵn của Supervision (xem Phần 4) -> cách bắt đầu nhanh nhất.
• Pexels và Pixabay -> video kho miễn phí về người, đường phố, xe hơi, được cấp phép sử dụng.

Ba dự án:

1. Đếm khách truy cập cho cửa hàng. Script 3 với bộ lọc chỉ người, đường đếm ở lối vào. Bạn trình bày: video có khung và bộ đếm + các con số cuối cùng. Ai sẽ mua: bán lẻ, quán cà phê, trung tâm thương mại.
2. Đếm và theo dõi xe hơi. Script 3 trên cảnh quay đường/phương tiện đỗ. Ai sẽ mua: nhà điều hành bãi đỗ xe, dịch vụ đường bộ, phân tích giao thông.
3. Một vật thể tùy chỉnh thông qua Roboflow. Bạn gắn nhãn một thứ gì đó không phải tiêu chuẩn (ví dụ: chai trên dây chuyền, hoặc lỗi sản phẩm) và đếm nó. Cho thấy bạn có thể làm việc với dữ liệu của khách hàng. Ai sẽ mua: sản xuất, nhà kho, nông nghiệp.

Cách đóng gói từng dự án:

• Quay video demo về kết quả (10–30 giây). Ghi lại màn hình khi video đầu ra đang phát -> bất kỳ phần mềm ghi màn hình nào cũng được, hoặc chỉ cần tải một đoạn clip ngắn lên YouTube ở chế độ "không công khai."
• Đưa nó lên GitHub (một trang web miễn phí cho code và dự án). Hãy để AI viết các file và văn bản mô tả (README): "Viết một README bằng tiếng Anh cho một dự án đếm khách truy cập trên video. Chia thành: vấn đề, giải pháp làm gì, công nghệ nào (YOLO, ByteTrack, Supervision), cách chạy nó trong Google Colab. Ngắn gọn và rõ ràng."
• Tùy chọn -> một bản demo trực tiếp. Bạn có thể triển khai nó miễn phí trên Hugging Face Spaces (một nền tảng nơi bản demo của bạn chạy trực tuyến và có thể được mở bằng một đường link) hoặc thông qua API có sẵn của Roboflow. Điều này làm tăng đáng kể lòng tin của khách hàng. Cách làm -> hãy hỏi AI.

Phần 7. Nơi tìm khách hàng và nên tính phí bao nhiêu

Khách hàng từ Mỹ/Châu Âu trả tiền bằng đô la. Nền tảng chính để bắt đầu là Upwork.

Bước 1. Hồ sơ Upwork của bạn

Tiêu đề nên là một chuyên môn hẹp, không phải "nhà phát triển AI nói chung." Ví dụ (bạn có thể sử dụng nguyên văn):

Kỹ sư Thị giác Máy tính

->

Phát hiện, Theo dõi & Đếm Người/Phương tiện

Phần "Tổng quan" -> một ví dụ bằng tiếng Anh:

Tôi xây dựng các hệ thống thị giác máy tính phát hiện, theo dõi và đếm vật thể trong video -> đếm người cho bán lẻ, đếm phương tiện cho giao thông và bãi đỗ xe, và phát hiện vật thể tùy chỉnh cho sản xuất và kiểm kê.Công nghệ: YOLO, ByteTrack, Supervision, Roboflow, Python. Tôi cung cấp các giải pháp hoạt động với video đầu ra có chú thích và số liệu đếm có thể xuất được (CSV/báo cáo).Xem các bản demo của tôi bên dưới. Hãy cho tôi biết trường hợp sử dụng của bạn và tôi sẽ cho bạn thấy chính xác những gì có thể.

Trong phần portfolio của hồ sơ -> ba bản demo của bạn kèm video và link đến GitHub.

Bước 2. Những đánh giá đầu tiên của bạn

Điều này quyết định mọi thứ lúc ban đầu. Hãy nhận 3–5 công việc đầu tiên với mức giá thấp hơn một chút so với thị trường (ví dụ: $30–45/giờ thay vì $60+) để nhanh chóng có được đánh giá và xếp hạng. Sau đó tăng giá ngay lập tức -> ngồi ở mức giá thấp sau khi có đánh giá tốt đồng nghĩa với việc bỏ lỡ tiền.

Bước 3. Trả lời một công việc (đề xuất)

Đừng viết một bức tường văn bản. Cấu trúc: "Tôi hiểu nhiệm vụ → Tôi đã xây dựng chính xác điều này → Tôi sẽ làm nó như thế nào và với giá bao nhiêu." Ví dụ bằng tiếng Anh:

Xin chào! Bạn cần đếm [người/phương tiện] trong cảnh quay video của mình -> tôi đã xây dựng chính xác điều này. Đây là bản demo 20 giây về hệ thống đếm của tôi: [link].Đối với dự án của bạn, tôi sẽ: phát hiện và theo dõi các vật thể, thiết lập một đường/vùng đếm, và cung cấp cho bạn video có chú thích cùng số liệu đếm cuối cùng trong một báo cáo.Tôi có thể giao phiên bản hoạt động đầu tiên trong [3–5] ngày. Sẵn lòng thực hiện một bài kiểm tra nhanh trên một đoạn clip ngắn từ cảnh quay của bạn trước, miễn phí.

Một bài kiểm tra miễn phí trên đoạn clip ngắn của khách hàng sẽ loại bỏ một nửa sự nghi ngờ và thường chốt được thỏa thuận.

Bước 4. Những gì cần hỏi khách hàng trước (để không làm sai)

• Chúng ta đang đếm/phát hiện chính xác cái gì (người, xe hơi, một sản phẩm cụ thể)?
• Video đến từ đâu: một file có sẵn, một camera, một luồng trực tuyến (RTSP)?
• Cần đầu ra là gì: video có chú thích, số liệu trong bảng, một bảng điều khiển trực tiếp, cảnh báo?
• Độ chính xác nào là đủ tốt, và thời hạn là bao lâu?
• Ngân sách là bao nhiêu?

Bước 5. Giá cả và phí

• Theo giờ: bắt đầu ở mức $30–45 (để có đánh giá) → sau đó tự tin tiến tới mức thị trường: junior $50–80, middle $80–120, senior $120–200+. Mức giá trung bình cho freelancer ML là khoảng ~$100/giờ.
• Theo dự án (cố định): một hệ thống đếm chìa khóa trao tay đơn giản, mức khởi điểm là $300–1500; các hệ thống nghiêm túc bắt đầu từ $5k và cao hơn nhiều (trên thị trường, các dự án đạt tới $250k+).
• Phí Upwork -> biến động 0–15%, thường khoảng ~10% (với mức giá $50, bạn thực nhận ~$45). Hãy tính khoản này vào giá của bạn.

Bước 6. Nơi để phát triển

• Toptal -> một nền tảng với quy trình sàng lọc top 3%, mức giá cao hơn và khách hàng chất lượng hơn. Hãy đến đó khi bạn đã có portfolio và đánh giá.
• Fiverr -> bạn có thể thiết lập một "dịch vụ được sản phẩm hóa" (ví dụ: "Tôi sẽ thiết lập tính năng đếm người trên video của bạn với giá $X") và nhận công việc một cách thụ động hơn.

Phần 8. Kế hoạch 90 ngày đầu tiên

Khoảng thời gian

Việc bạn làm

Kết quả

Tuần 1

Làm quen với Colab, chạy Script 1–3 trên video thử nghiệm

Code hoạt động trong tay bạn

Tuần 2–3

Xây dựng 3 bản demo thị trường ngách trên video của riêng bạn, quay clip

Bản demo sẵn sàng

Tuần 4

GitHub + đóng gói bằng tiếng Anh (văn bản từ AI)

Portfolio trực tuyến

Tuần 5

Hồ sơ Upwork, các đề xuất đầu tiên

Các đề xuất đầu tiên đã gửi

Tuần 6–10

Đề xuất tích cực (10–20/tuần), kiểm tra miễn phí cho khách hàng

Công việc đầu tiên và đánh giá

Tuần 11–13

Bàn giao công việc, thu thập đánh giá, tăng giá

Tiền đầu tiên, tăng giá

Đừng nản lòng nếu công việc đầu tiên không đến ngay lập tức -> lúc ban đầu điều đó là bình thường; con đường này thường mất 1–3 tháng nỗ lực tích cực.

Phần 9. Các mốc thu nhập (USD, 2026)

Kênh

Junior

Middle

Senior

Freelance ($/giờ)

$50–80

$80–120

$120–200+

Dự án chìa khóa trao tay

từ ~$10k

—

lên tới $250k+

Công việc toàn thời gian tại Mỹ ($/năm)

~$102k

~$130–165k

$200k–266k+

Thị trường thị giác máy tính đang phát triển: khoảng 22 tỷ đô la vào năm 2024 → dự báo khoảng ~111 tỷ đô la vào năm 2033. Nhu cầu đang đứng về phía bạn.

Phần 10. Các câu hỏi thường gặp (FAQ)

Tôi có cần một máy tính mạnh không? Không. Google Colab cung cấp cho bạn quyền truy cập miễn phí vào các máy chủ mạnh mẽ với GPU trên đám mây. Bạn có thể làm việc ngay cả từ một máy tính xách tay yếu hoặc máy tính bảng.

Tôi có phải trả tiền cho bất cứ thứ gì không? Về cơ bản mọi thứ đều miễn phí: Colab (gói miễn phí), YOLO/Supervision (mã nguồn mở), Roboflow (gói miễn phí), GitHub. Bạn chỉ bắt đầu trả tiền khi các dự án phát triển (Colab/đám mây trả phí).

Điều này có hợp pháp không? Bản thân các công cụ -> có, chúng là mã nguồn mở và hợp pháp. Nhưng khi bạn làm việc với camera và con người thực tế, có các luật về quyền riêng tư và dữ liệu. Đừng công bố cảnh quay của người khác mà không có sự cho phép, và hãy thảo luận với khách hàng rằng họ có quyền đối với dữ liệu đó.

Nếu nhiệm vụ của khách hàng không giống các script thì sao? Đó là lúc AI phát huy tác dụng: hãy chia nhỏ nhiệm vụ thành các phần và yêu cầu sự giúp đỡ. Nếu nhiệm vụ thực sự vượt quá khả năng của bạn, tốt hơn hết là từ chối một cách trung thực còn hơn là trễ thời hạn.

Khoản tiền đầu tiên sẽ đến nhanh như thế nào? Thực tế -> từ vài tuần đến vài tháng với sự nỗ lực tích cực. Đây không phải là một "nút bấm ra tiền," mà là một kỹ năng bạn phải bán được.

Tôi có cần toán học và lý thuyết không? Đối với con đường có sự hỗ trợ của AI này -> không. Hiểu những điều cơ bản sẽ hữu ích sau này, khi bạn muốn đảm nhận các dự án phức tạp hoặc đi làm toàn thời gian.

Nó có hoạt động theo thời gian thực / với camera trực tiếp không? Colab miễn phí đủ cho các bản demo và xử lý file. Đối với luồng trực tuyến (RTSP) và thời gian thực, bạn cần nhiều tài nguyên hơn -> AI sẽ cho bạn biết cách thiết lập.

Phần 11. Những điều KHÔNG nên làm

• Đừng ra thị trường khi chưa thể "bàn giao kết quả." "Nó đã chạy trên máy của tôi" là chưa đủ -> khách hàng cần một kết quả rõ ràng (video + số liệu + một báo cáo ngắn).
• Đừng sao chép nguyên xi các hướng dẫn thuần túy. Bạn cần các bản demo trên video của riêng bạn và cho một thị trường ngách cụ thể.
• Đừng mắc kẹt ở mức giá thấp. Hãy tăng giá sau những đánh giá đầu tiên của bạn.
• Đừng tin tưởng mù quáng vào code của AI. Luôn mở kết quả và kiểm tra bằng mắt xem nó có đếm chính xác không.
• Đừng dàn trải bản thân quá nhiều vào "AI nói chung." Một chuyên môn hẹp (đếm/theo dõi/phân tích video) bán được giá cao hơn và dễ hiểu hơn.

Phần 12. Bảng thuật ngữ

• Model → một chương trình đã được huấn luyện để nhận dạng một thứ gì đó (ví dụ: YOLO nhận dạng vật thể).
• Dataset → một tập hợp các hình ảnh/video mà mô hình học từ đó.
• Labeling / annotation → khi bạn dùng chuột khoanh vùng các đối tượng cần thiết trong ảnh để mô hình hiểu cần tìm gì (thực hiện trong Roboflow).
• Bounding box → khung hình chữ nhật bao quanh một đối tượng được phát hiện.
• Class → loại đối tượng: "người", "xe hơi", "chai lọ".
• Confidence → mức độ chắc chắn của mô hình về một phát hiện (từ 0 đến 1).
• Inference → thời điểm mô hình chạy và nhận dạng một thứ gì đó (trái ngược với quá trình huấn luyện).
• Training → quá trình mô hình học từ một tập dữ liệu cho nhiệm vụ của bạn.
• Tracking / ID → theo dõi một đối tượng duy nhất qua các khung hình với một mã số cố định.
• API → một cách để truy cập mô hình "qua internet": gửi một hình ảnh, nhận lại kết quả, mà không cần mã nguồn mô hình của riêng bạn.
• FPS → khung hình trên giây; càng cao thì xử lý video càng "thời gian thực".
• RTSP → định dạng của một luồng trực tiếp từ camera giám sát.
• GPU → một bộ xử lý mạnh mẽ cho card đồ họa; nó tăng tốc các mô hình (trong Colab, nó miễn phí trên đám mây).

Tất cả các con số đều là chuẩn thị trường cho năm 2026 và phụ thuộc vào cấp độ, lĩnh vực ngách, cũng như khách hàng/nhà tuyển dụng cụ thể của bạn.

Tất cả những ai đã đọc và muốn thử, tôi chúc bạn thành công 🩷

Lưu vào dấu trang để không bị mất