PHÂN LOẠI HÌNH ẢNH ĐỘNG VẬT SỬ DỤNG MẠNG NƠ-RON TÍCH CHẬP VÀ ỨNG DỤNG

Tìm hiểu về phân loại ảnh động vật sử dụng mạng nơ-ron tích chập (CNN). Ứng dụng công nghệ AI để nhận diện và phân loại hình ảnh động vật hiệu quả. Xem ngay!

• Tác giả: Trần Hải Thành
• Người hướng dẫn: TS. Ngô Trường Giang
• Trường học: Đại học Quản lý và Công nghệ Hải Phòng
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Phân loại hình ảnh động vật sử dụng mạng nơ-ron tích chập và ứng dụng
• Loại tài liệu: Đồ án tốt nghiệp
• Năm xuất bản: 2023
• Địa điểm: Hải Phòng

Mục lục chi tiết

• LỜI CẢM ƠN
• 1. CHƯƠNG 1: TỔNG QUAN VÀ HỌC MÁY
• 1.1. Khái niệm Học máy (Machine Learning)
• 1.2. Nguyên tắc hoạt động
• 1.3. Ứng dụng của học máy trong thực tế
• 1.4. Ưu điểm và nhược điểm của học máy
• 1.5. Các phương pháp học máy
• 1.6. Giới thiệu về học sâu (Deep Learning)
• 1.7. Nguyên tắc hoạt động của học sâu
• 1.8. Ứng dụng của học sâu trong thực tế
• 2. CHƯƠNG 2: MẠNG NƠ-RON TÍCH CHẬP
• 2.1. Giới thiệu về mạng nơ-ron
• 2.2. Nguyên tắc hoạt động
• 2.3. Kiến trúc mạng nơ-ron
• 2.4. Giới thiệu về mạng nơ-ron tích chập (Convolutional Neural Network - CNN)
• 2.5. Nguyên tắc hoạt động của mạng nơ-ron tích chập
• 2.6. Ứng dụng của mạng nơ-ron tích chập trong thực tế
• 2.7. Ưu điểm và nhược điểm của mạng nơ-ron tích chập
• 3. CHƯƠNG 3: ỨNG DỤNG CỦA MẠNG NƠ-RON TÍCH CHẬP CHO PHÂN LỚP ẢNH
• 3.1. Môi trường thử nghiệm
• 3.1.1. Giới thiệu về Google Colab
• 3.1.2. Cấu hình môi trường Google Colab
• 3.1.3. Các thư viện được sử dụng
• 3.2. Giới thiệu về ngôn ngữ lập trình Python
• 3.2.1. Tại sao Python lại được sử dụng nhiều trong học máy?
• 3.3. Thu thập dữ liệu
• 3.4. Tiền xử lý dữ liệu
• 3.5. Xây dựng mô hình
• 3.5.1. Xây dựng tầng cho mô hình
• 3.5.2. Biên dịch và huấn luyện mô hình
• 3.6. Đánh giá mô hình
• 3.7. Một số kết quả thử nghiệm
• 3.7.1. Xây dựng hàm dự đoán 1 ảnh
• 3.7.2. Thử nghiệm với tập ảnh test
• 3.7.3. Thử nghiệm với tập ảnh huấn luyện
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Học Máy CNN Tổng quan về Phân loại Ảnh động vật

Học máy (Machine Learning - ML) là một nhánh của trí tuệ nhân tạo (AI), cho phép máy tính học hỏi từ dữ liệu và đưa ra dự đoán hoặc quyết định. Các thuật toán được thiết kế để cải thiện hiệu suất, trở nên chính xác và hiệu quả hơn theo thời gian. Đặc biệt, khi xử lý lượng dữ liệu lớn. Mạng Nơ-ron Tích chập (CNNs) là một trong những mô hình Deep Learning tiên tiến, giúp xây dựng các hệ thống thông minh với độ chính xác cao. Một ứng dụng quan trọng của CNN là nhận diện đối tượng trong ảnh, có thể phân loại ảnh vào các lớp khác nhau. Trong đồ án này, thuật toán CNN được sử dụng để phân loại ảnh động vật và các ứng dụng liên quan.

1.1. Nguyên tắc hoạt động cơ bản của Học Máy Machine Learning

Cách hoạt động của học máy bao gồm việc đi sâu vào quy trình từng bước để chuyển đổi dữ liệu thô thành những hiểu biết có giá trị. Quy trình này bắt đầu bằng việc thu thập dữ liệu từ nhiều nguồn khác nhau. Dữ liệu sau đó được tiền xử lý để làm sạch và chuẩn hóa, đảm bảo chất lượng và tính nhất quán. Tiếp theo, một mô hình phù hợp được chọn dựa trên bản chất của dữ liệu và vấn đề cần giải quyết. Mô hình được huấn luyện bằng dữ liệu đã chuẩn bị, điều chỉnh các tham số bên trong để đưa ra dự đoán tốt hơn. Cuối cùng, mô hình được đánh giá và điều chỉnh để tối ưu hóa hiệu suất trước khi triển khai. "Chất lượng và số lượng của dữ liệu có thể ảnh hưởng trực tiếp đến hiệu suất mô hình".

1.2. Các ứng dụng thực tế của Học Máy trong đời sống

Machine Learning (ML) đang được áp dụng rộng rãi trong nhiều lĩnh vực khác nhau, từ công nghệ thông tin và internet đến tài chính, y tế, và giao thông vận tải. Trong công nghệ thông tin, ML được sử dụng để cải thiện kết quả tìm kiếm, dịch thuật tự động và phân loại email. Trong tài chính, nó giúp phát hiện gian lận và dự báo thị trường. Trong y tế, ML hỗ trợ chẩn đoán bệnh và dự đoán các nguy cơ sức khỏe. Ô tô tự hành và IoT cũng tận dụng ML để phát triển xe tự lái và hệ thống quản lý năng lượng thông minh. Cuối cùng, ML giúp các công ty bán lẻ tùy chỉnh trải nghiệm mua sắm cho khách hàng và dự đoán nhu cầu thị trường.

II. Thách thức và Giới hạn của Phân loại ảnh động vật bằng CNN

Mặc dù mang lại nhiều tiềm năng, việc phân loại ảnh động vật bằng CNN cũng đối mặt với không ít thách thức. Yêu cầu lượng dữ liệu lớn để huấn luyện hiệu quả là một vấn đề lớn, đặc biệt khi dữ liệu có thể không cân bằng hoặc chứa nhiều nhiễu. Nguy cơ overfitting (quá khớp) cũng là một mối lo ngại, khi mô hình trở nên quá phù hợp với dữ liệu huấn luyện mà không thể khái quát hóa tốt trên dữ liệu mới. Bên cạnh đó, khả năng diễn giải của các mô hình CNN phức tạp thường kém, gây khó khăn trong việc hiểu rõ cách mô hình đưa ra quyết định. Cuối cùng, việc xây dựng và triển khai các mô hình CNN đòi hỏi kiến thức chuyên sâu về toán học, thống kê và lập trình.

2.1. Yêu cầu về bộ dữ liệu ảnh động vật lớn và đa dạng

Các thuật toán học máy, đặc biệt là CNN, đòi hỏi lượng dữ liệu lớn để huấn luyện mô hình một cách hiệu quả và đảm bảo tính chính xác. Bộ dữ liệu ảnh động vật cần phải đa dạng về loài, góc chụp, điều kiện ánh sáng, và môi trường. Việc thu thập và gán nhãn cho một bộ dữ liệu lớn như vậy đòi hỏi nguồn lực đáng kể. Nếu dữ liệu không đủ lớn hoặc không đa dạng, mô hình có thể không học được các đặc trưng quan trọng và dẫn đến hiệu suất kém. "Đa số các thuật toán ML đòi hỏi lượng dữ liệu lớn để huấn luyện mô hình một cách hiệu quả và đảm bảo tính chính xác."

2.2. Khó khăn trong việc xử lý ảnh động vật chất lượng kém

Trong thực tế, ảnh động vật thường có chất lượng không cao do nhiều yếu tố như điều kiện ánh sáng kém, đối tượng bị mờ hoặc che khuất, và góc chụp không thuận lợi. Việc tiền xử lý ảnh để cải thiện chất lượng là một bước quan trọng nhưng cũng đầy thách thức. Các kỹ thuật như tăng cường độ tương phản, khử nhiễu, và crop ảnh có thể giúp cải thiện hiệu suất của mô hình, nhưng cũng có thể làm mất đi các đặc trưng quan trọng. Do đó, cần có sự cân nhắc kỹ lưỡng khi áp dụng các phương pháp tiền xử lý này.

III. Phương pháp Xây dựng Mô hình CNN phân loại Ảnh động vật

Xây dựng một mô hình CNN phân loại ảnh động vật đòi hỏi một quy trình cẩn thận, bắt đầu từ việc thu thập và chuẩn bị dữ liệu. Sau đó, cần lựa chọn một kiến trúc CNN phù hợp, chẳng hạn như AlexNet, VGG, ResNet, hoặc Inception. Quá trình huấn luyện mô hình bao gồm việc tối ưu hóa các tham số để đạt được độ chính xác cao nhất. Cuối cùng, mô hình được đánh giá trên một tập dữ liệu kiểm tra độc lập để đảm bảo khả năng khái quát hóa tốt. Việc transfer learning từ các mô hình đã được huấn luyện trước cũng có thể giúp cải thiện hiệu suất và giảm thời gian huấn luyện.

3.1. Lựa chọn kiến trúc CNN phù hợp và hiệu quả

Việc lựa chọn kiến trúc CNN là một quyết định quan trọng, ảnh hưởng lớn đến hiệu suất của mô hình. Các kiến trúc phổ biến như AlexNet, VGG, ResNet, và Inception có những ưu điểm và nhược điểm riêng. AlexNet là một trong những kiến trúc đầu tiên đạt được thành công lớn trong ImageNet, nhưng có thể không đủ sâu để xử lý các bài toán phức tạp. VGG có cấu trúc đơn giản và dễ hiểu, nhưng lại tốn nhiều tài nguyên tính toán. ResNet giải quyết vấn đề vanishing gradient bằng cách sử dụng các kết nối skip, cho phép xây dựng các mô hình sâu hơn. Inception sử dụng các module đa dạng để trích xuất các đặc trưng ở nhiều tỷ lệ khác nhau. Cần cân nhắc kỹ lưỡng các yếu tố như kích thước bộ dữ liệu, tài nguyên tính toán, và độ phức tạp của bài toán để lựa chọn kiến trúc phù hợp.

3.2. Tối ưu hóa Tham số để Tăng Độ chính xác của CNN

Quá trình huấn luyện mô hình CNN bao gồm việc tối ưu hóa các tham số để giảm thiểu hàm mất mát và tăng độ chính xác trên tập dữ liệu huấn luyện. Các thuật toán tối ưu hóa phổ biến bao gồm Adam, SGD, và RMSprop. Learning rate là một siêu tham số quan trọng, điều chỉnh tốc độ học của mô hình. Learning rate scheduling có thể giúp mô hình hội tụ nhanh hơn và đạt được độ chính xác cao hơn. Regularization (ví dụ: L1, L2 regularization) có thể giúp ngăn chặn overfitting bằng cách thêm một hình phạt vào hàm mất mát. Batch normalization giúp ổn định quá trình huấn luyện bằng cách chuẩn hóa các đầu vào của mỗi lớp.

IV. Ứng dụng CNN trong Nhận dạng Động vật Hoang dã

Một trong những ứng dụng quan trọng của CNN là trong việc nhận dạng động vật hoang dã, giúp các nhà nghiên cứu và bảo tồn theo dõi và bảo vệ các loài động vật quý hiếm. Bằng cách huấn luyện CNN trên một bộ dữ liệu lớn các ảnh động vật hoang dã, có thể xây dựng một hệ thống tự động nhận diện loài, số lượng, và hành vi của chúng. Hệ thống này có thể được triển khai trên các thiết bị di động hoặc camera giám sát để thu thập dữ liệu trong môi trường tự nhiên. Các thông tin thu thập được có thể giúp các nhà bảo tồn đưa ra các quyết định quản lý hiệu quả hơn.

4.1. Giám sát quần thể động vật hoang dã bằng CNN

Sử dụng CNN để giám sát quần thể động vật hoang dã có thể cung cấp thông tin quan trọng về số lượng, phân bố, và xu hướng quần thể. Các camera giám sát được trang bị CNN có thể tự động phát hiện và nhận diện các loài động vật, giúp giảm thiểu công sức và chi phí của các phương pháp giám sát truyền thống. Dữ liệu thu thập được có thể được sử dụng để đánh giá hiệu quả của các chương trình bảo tồn và đưa ra các điều chỉnh cần thiết. Hệ thống này cũng có thể giúp phát hiện các hoạt động săn bắn trái phép và buôn bán động vật hoang dã.

4.2. Hỗ trợ Nghiên cứu Hành vi và Sinh thái của Động vật

Việc sử dụng CNN để phân tích hình ảnh và video có thể cung cấp thông tin chi tiết về hành vi và sinh thái của động vật. Ví dụ, có thể sử dụng CNN để nhận diện các hành vi như kiếm ăn, giao phối, và chăm sóc con non. Thông tin này có thể giúp các nhà nghiên cứu hiểu rõ hơn về cách động vật tương tác với môi trường của chúng và cách chúng thích nghi với các thay đổi trong môi trường. Hệ thống này cũng có thể giúp phát hiện các bệnh tật và các vấn đề sức khỏe khác ở động vật.

V. Ứng dụng nhận diện Ảnh động vật sử dụng CNN trong nông nghiệp

Ứng dụng CNN trong nông nghiệp mang lại một cuộc cách mạng trong việc quản lý và chăm sóc động vật nuôi. Bằng cách nhận diện ảnh động vật sử dụng CNN, các nhà nông có thể giám sát sức khỏe, phân loại và quản lý đàn gia súc một cách hiệu quả hơn. Việc phát hiện sớm các dấu hiệu bệnh tật, phân loại theo giống loài, và theo dõi sự phát triển của động vật trở nên dễ dàng hơn bao giờ hết. Điều này không chỉ giúp giảm thiểu rủi ro và tăng năng suất mà còn cải thiện điều kiện sống của động vật, hướng tới một nền nông nghiệp bền vững và nhân văn.

5.1. Phát hiện bệnh sớm ở động vật nuôi bằng CNN

Việc phát hiện bệnh sớm ở động vật nuôi bằng CNN là một bước tiến quan trọng trong việc bảo vệ sức khỏe đàn gia súc. Mô hình CNN có thể được huấn luyện để nhận diện các dấu hiệu bất thường trên hình ảnh của động vật, như thay đổi về màu sắc da, biểu hiện mệt mỏi, hoặc các triệu chứng khác. Khi phát hiện sớm bệnh tật, người chăn nuôi có thể kịp thời can thiệp, ngăn chặn sự lây lan và giảm thiểu thiệt hại về kinh tế. Điều này không chỉ giúp bảo vệ đàn gia súc mà còn đảm bảo an toàn thực phẩm cho người tiêu dùng.

5.2. Phân loại và Quản lý Đàn Gia súc thông minh

CNN cũng có thể được sử dụng để phân loại và quản lý đàn gia súc thông minh. Mô hình có thể nhận diện từng cá thể trong đàn, theo dõi quá trình phát triển, và phân loại theo giống loài, độ tuổi, hoặc các tiêu chí khác. Thông tin này giúp người chăn nuôi quản lý đàn gia súc một cách hiệu quả hơn, từ việc cung cấp thức ăn phù hợp đến việc điều chỉnh điều kiện sống để tối ưu hóa sức khỏe và năng suất. Việc quản lý đàn gia súc thông minh cũng giúp giảm thiểu công sức và thời gian cho người chăn nuôi, cho phép họ tập trung vào các hoạt động quan trọng khác.

VI. Tương lai của Phân loại Ảnh động vật bằng CNN Triển vọng

Tương lai của phân loại ảnh động vật bằng CNN hứa hẹn nhiều đột phá và ứng dụng tiềm năng. Với sự phát triển không ngừng của công nghệ, các mô hình CNN sẽ trở nên mạnh mẽ hơn, chính xác hơn, và dễ dàng triển khai hơn. Việc tích hợp CNN với các công nghệ khác như Internet of Things (IoT) và trí tuệ nhân tạo (AI) sẽ mở ra những khả năng mới trong việc giám sát và bảo vệ động vật hoang dã, quản lý nông nghiệp, và nhiều lĩnh vực khác. Nghiên cứu và phát triển liên tục sẽ là chìa khóa để khai thác tối đa tiềm năng của CNN trong lĩnh vực này.

6.1. Phát triển mô hình CNN nhỏ gọn và tiết kiệm năng lượng

Một trong những hướng phát triển quan trọng là phát triển mô hình CNN nhỏ gọn và tiết kiệm năng lượng. Điều này sẽ cho phép triển khai các mô hình CNN trên các thiết bị di động và nhúng, mở ra khả năng giám sát và bảo vệ động vật hoang dã ở những khu vực xa xôi và khó tiếp cận. Các mô hình nhỏ gọn cũng giúp giảm chi phí tính toán và năng lượng tiêu thụ, làm cho việc triển khai trở nên khả thi hơn về mặt kinh tế. Các kỹ thuật như pruning và quantization có thể giúp giảm kích thước và độ phức tạp của mô hình mà không làm giảm đáng kể độ chính xác.

6.2. Kết hợp CNN với các công nghệ khác để tạo ra giải pháp toàn diện

Kết hợp CNN với các công nghệ khác để tạo ra giải pháp toàn diện là một xu hướng quan trọng trong tương lai. Ví dụ, có thể tích hợp CNN với IoT để tạo ra các hệ thống giám sát động vật hoang dã tự động, thu thập dữ liệu và gửi cảnh báo về các hoạt động bất thường. CNN cũng có thể được kết hợp với AI để phân tích hành vi và sinh thái của động vật, cung cấp thông tin chi tiết cho các nhà nghiên cứu và bảo tồn. Sự kết hợp này sẽ tạo ra những giải pháp mạnh mẽ và hiệu quả hơn trong việc bảo vệ và quản lý động vật.

Trích đoạn nội dung tài liệu

Bà GIÁO DĀC VÀ ĐÀO T¾O TR¯äNG Đ¾I HàC QUÀN LÝ VÀ CÔNG NGHÞ HÀI PHÒNG ---------------------------------------------- Đâ ÁN TàT NGHIÞP NGÀNH: CÔNG NGHÞ THÔNG TIN Sinh viên : Trần HÁi Thành GiÁng viên h°ãng d¿n: TS. Ngô Tr°ờng Giang HÁi Phòng -2023 Trần HÁi Thành _ CT2401C 1 Bà GIÁO DĀC VÀ ĐÀO T¾O TR¯äNG Đ¾I HàC QUÀN LÝ VÀ CÔNG NGHÞ HÀI PHÒNG ----------------------------------- ĐÀ TÀI : PHÂN LO¾I HÌNH ÀNH ĐàNG VÀT Sþ DĀNG M¾NG N¡-RON TÍCH CHÀP VÀ ĄNG DĀNG Đâ ÁN TàT NGHIÞP Đ¾I HàC HÞ CHÍNH QUY NGÀNH : CÔNG NGHÞ THÔNG TIN Sinh viên : Trần HÁi Thành GiÁng viên h°ãng d¿n: TS. Ngô Tr°ờng Giang HÁi Phòng – 2023 Trần HÁi Thành _ CT2401C 2 Bà GIÁO DĀC VÀ ĐÀO T¾O TR¯äNG Đ¾I HàC QUÀN LÝ VÀ CÔNG NGHÞ HÀI PHÒNG ---------------------------------------------- NHIÞM VĀ ĐÀ TÀI TàT NGHIÞP Sinh viên : Trần HÁi Thành - MSV : 2012111008. Lãp : CT2401C Ngành : Công nghệ thông tin Tên đÁ tài : Phân lo¿i hình Ánh động vật sử dụng m¿ng n¡-ron tích chập và āng dụng Trần HÁi Thành _ CT2401C 3 LäI CÀM ¡N Trong quá trình làm đồ án vừa qua vì đ°ợc sự chỉ dẫn nhiệt tình cÿa thầy TS.

Ngô Tr°ờng Giang – Tr°ờng Đ¿i học Thuỷ lợi, em đã hoàn thành đồ án cÿa mình. Mặc dù em đã cố gắng với sự tận tâm cÿa thầy, nh°ng vì thời gian và khÁ năng nên đồ án cÿa em vẫn còn không tránh đ°ợc những điều thiếu sót. − Em xin chân thành và bày tỏ lòng biết ¡n sâu sắc đến thầy Ngô Tr°ờng Giang vì đã tận tình chỉ bÁo, h°ớng dẫn và giành thời gian quý báu cÿa mình cho em trong thời gian qua để em có thể hoàn thành đồ án cÿa mình đúng thời h¿n. − Em xin cÁm ¡n tất cÁ thầy cô giáo trong khoa Công nghệ thông tin vì đã truyền đ¿t cho em rất các kiến thāc nền tÁng, chuyên ngành, chuyên môn và chuyên sâu cực kì vững chắc trong những năm qua để em có thể hoàn thanh đ°ợc đồ án này.

Em xin cÁm ¡n Tr°ờng Đ¿i học QuÁn lý và Công nghệ HÁi Phòng vì không ngừng hỗ trợ và t¿o những điều kiện tốt nhất trong những năm vừa qua để em có thể học và thực hiện tốt đồ án. Em xin cÁm ¡n gia đình, b¿n bè đã hỗ trợ và cổ vũ cho em trong suốt quá trình học tập cũng nh° làm đồ án để em có thể hoàn thành khóa học và đồ án theo quy định. Em xin chân thành cÁm ¡n! Trần HÁi Thành _ CT2401C 4 MỤC LỤC LäI CÀM ¡N. 1 DANH MĀC HÌNH MINH HàA.

8 CH¯¡NG 1: TäNG QUAN VÀ HàC MÁY .1 Giới thiệu về học máy (Machine Learning) .2 Nguyên tắc ho¿t động .3 Āng dụng cÿa học máy trong thực tế .4 ¯u điểm và nh°ợc điểm cÿa học máy .2 Các ph°¡ng pháp học máy.3 Giới thiệu về học sâu (Deep Learning) .2 Nguyên tắc ho¿t động .3 Āng dụng cÿa học sâu trong thực tế .4 ¯u điểm và nh°ợc điểm cÿa học sâu .4 Bài toán phân lớp dữ liệu .1 Bài toán nhận d¿ng Ánh .2 Āng dụng cÿa bài toán nhận d¿ng hình Ánh. 24 CH¯¡NG 2: M¾NG N¡-RON TÍCH CHÀP .1 Giới thiệu về m¿ng n¡-ron .2 Nguyên tắc ho¿t động .3 Kiến trúc m¿ng n¡-ron .2 Giới thiệu về m¿ng n¡-ron tích chập (Convolutional Neural Network - CNN) .2 Nguyên tắc ho¿t động .3 Āng dụng cÿa m¿ng n¡-ron tích chập trong thực tế .4 ¯u điểm và nh°ợc điểm cÿa m¿ng n¡-ron tích chập. 33 Trần HÁi Thành _ CT2401C 5 CH¯¡NG 3: ĄNG DĀNG CĂA M¾NG N¡-RON TÍCH CHÀP CHO PHÂN LâP ÀNH .1 Môi tr°ờng thử nghiệm .1 Giới thiệu về Google Colab .2 Cấu hình môi tr°ờng Google Colab .3 Các th° viện đ°ợc sử dụng .2 Giới thiệu về ngôn ngữ lập trình Python .2 T¿i sao Python l¿i đ°ợc sử dụng nhiều trong học máy? .3 Thu thập dữ liệu .4 Tiền xử lý dữ liệu .5 Xây dựng mô hình.1 Xây dựng tầng cho mô hình .2 Biên dịch và huấn luyện mô hình .6 Đánh giá mô hình .7 Một số kết quÁ thử nghiệm .1 Xây dựng hàm dự đoán 1 Ánh .2 Thử nghiệm với tập Ánh test.3 Thử nghiệm với tập Ánh huấn luyện. 54 TÀI LIÞU THAM KHÀO.

56 Trần HÁi Thành _ CT2401C 6 DANH MĀC HÌNH MINH HàA Hình 1-1 Minh ho¿ AI, học máy và học sâu. 9 Hình 1-2 Mối quan hệ giữa học sâu với AI và học máy. 17 Hình 1-3 Sự khác biệt giữa nguyên tắc ho¿t động cÿa học máy và học sâu. 18 Hình 1-4 Ví dụ mô tÁ quá trình phân lo¿i th° rác.

23 Hình 2-1 Quá trình ho¿t động cÿa m¿ng n¡-ron. 28 Hình 2-2 Kiến Trúc m¿ng n¡-ron tích chập đ¡n giÁn. 32 Hình 2-3 Ví dụ minh ho¿ cấu trúc cÿa một m¿ng n¡-ron tích chập. 32 Hình 3-1 Các tiện ích cÿa Google Colab.

36 Hình 3-2 Logo ngôn ngữ lập trình Python. 40 Hình 3-3 Một số Ánh mẫu. 41 Hình 3-4 Thông tin chi tiết kiến trúc mô hình. 44 Hình 3-5 Kết quÁ test_1 trên tập test.

47 Hình 3-6 Kết quÁ test_2 trên tập test. 47 Hình 3-7 Kết quÁ test_3 trên tập test. 47 Hình 3-8 Kết quÁ test_4 trên tập test. 47 Hình 3-9 Kết quÁ test_5 trên tập test.

48 Hình 3-10 Kết quÁ test_6 trên tập test. 48 Hình 3-11 Kết quÁ test_7 trên tập test. 48 Hình 3-12 Kết quÁ test_8 trên tập test. 48 Hình 3-13 Kết quÁ test_9 trên tập test.

49 Hình 3-14 Kết quÁ test_10 trên tập test. 49 Hình 3-15 Kết quÁ test_1 trên tập training. 50 Hình 3-16 Kết quÁ test_2 trên tập training. 50 Hình 3-17 Kết quÁ test_3 trên tập training.

50 Hình 3-18 Kết quÁ test_4 trên tập training. 51 Hình 3-19 Kết quÁ test_5 trên tập training. 51 Hình 3-20 Kết quÁ test_6 trên tập training. 51 Hình 3-21 Kết quÁ test_7 trên tập training.

51 Hình 3-22 Kết quÁ test_8 trên tập training. 51 Hình 3-23 Kết quÁ test_9 trên tập training. 52 Hình 3-24 Kết quÁ test_10 trên tập training. 52 Trần HÁi Thành _ CT2401C 7 Mæ ĐÀU Mô hình Deep Learning (Học Sâu) là một lo¿i mô hình máy học sử dụng các m¿ng n¡-ron sâu để học các đặc tr°ng từ dữ liệu đầu vào.

Mô hình Deep Learning có kiến trúc với nhiều tầng (lớp) n¡-ron, trong đó thông tin đ°ợc truyền qua nhiều tầng để học các đặc tr°ng phân cấp từ dữ liệu. Mô hình học sâu đ°ợc sử dụng trong nhiều lĩnh vực nh° thị giác máy tính (xử lý hình Ánh), xử lý ngôn ngữ tự nhiên, dịch máy, nhận diện tiếng nói, tự động lái xe, và nhiều āng dụng khác. Deep Learning th°ờng yêu cầu l°ợng dữ liệu lớn để huấn luyện hiệu quÁ và tránh overfitting (quá khớp). Convolutional Neural Network (CNNs – M¿ng n¡-ron tích chập) là một trong những mô hình Deep Learning tiên tiến.

Nó giúp xây dựng lên đ°ợc những hệ thống thông minh với độ chính xác cao. Một trong những āng dụng cÿa CNN là nhận diện đối t°ợng trong hình Ánh. CNN đ°ợc sử dụng để nhận diện các đối t°ợng trong hình Ánh, bao gồm các āng dụng nh° nhận diện khuôn mặt, nhận diện đồ vật, nhận diện ng°ời dùng. Phân lo¿i hình Ánh, CNN có thể phân lo¿i các hình Ánh vào các lớp khác nhau.

Đề tài em chọn là sử dụng thuật toán CNN để phân lo¿i hình Ánh động vật và āng dụng, nội dung cÿa đồ án bao gồm: Ch°¡ng 1: Tổng quan về học máy. Ch°¡ng 2: M¿ng n¡ ron nhân chập. Ch°¡ng 3: Āng dụng CNN cho phân lớp Ánh. Trần HÁi Thành _ CT2401C 8 CH¯¡NG 1: TäNG QUAN VÀ HàC MÁY 1.1 Khái nißm Học máy (Machine Learning) th°ờng đ°ợc viết tắt là ML, nó là một tập con cÿa trí tuệ nhân t¿o (AI) cho phép máy tính học từ dữ liệu và đ°a ra dự đoán hay quyết định.

Nó triển khai các thuật toán nhằm t¿o điều kiện thuận lợi cho dự đoán và quyết định này. Các thuật toán đ°ợc thiết kế với mục đích cÁi thiện hiệu suất đã trở nên ngày càng chính xác và hiệu quÁ h¡n theo thời gian, đặc biệt khi chúng phÁi xử lý l°ợng dữ liệu lớn h¡n. [1] Hình 1-1 Minh ho¿ AI, hác máy và hác sâu 1.2 Nguyên tắc ho¿t đáng Cách ho¿t động cÿa máy học bao gồm việc đi sâu vào quy trình từng b°ớc để chuyển đổi dữ liệu thô thành những hiểu biết có giá trị. Quy trình này bao gồm một số b°ớc chính sau: B°ãc 1: Thu thÁp dữ lißu − Chất l°ợng và số l°ợng cÿa dữ liệu có thể Ánh h°ởng trực tiếp đến hiệu suất mô hình.

Dữ liệu đ°ợc thu thập từ nhiều nguồn khác nhau nh° c¡ sở dữ liệu, tập tin văn bÁn, hình Ánh, tập tin âm thanh hoặc trang web… Trần HÁi Thành _ CT2401C 9 − Dữ liệu cần đ°ợc chuẩn bị theo định d¿ng phù hợp nh° là tập CSV, c¡ sở dữ liệu và đÁm bÁo dữ liệu có liên quan đến vấn đề đang giÁi quyết. B°ãc 2: TiÁn xÿ lý dữ lißu − Tiền xử lý dữ liệu là một b°ớc quan trọng nó xử lý dữ liệu (lo¿i bỏ trùng lặp, sửa lỗi), xử lý dữ liệu bị thiếu (xóa hoặc điền vào) và chuẩn hóa dữ liệu. − Quá trình tiền xử lý cÁi thiện chất l°ợng dữ liệu đÁm bÁo mô hình học máy có thể diễn giÁi dữ liệu đó một cách chính xác, cÁi thiện đáng kể độ chính xác cÿa mô hình. B°ãc 3: Chán mô hình phù hÿp − Sau khi dữ liệu đ°ợc chuẩn bị tiếp theo sẽ chọn mô hình.

Có nhiều lo¿i mô hình để lựa chọn, bao gồm hồi quy tuyến tính, cây quyết định và m¿ng l°ới thần kinh. Lựa chọn mô hình tùy thuộc vào bÁn chất cÿa dữ liệu và vấn đề đang giÁi quyết. − Các yếu tố cần xem xét bao gồm kích th°ớc và lo¿i dữ liệu, độ phāc t¿p cÿa vấn đề và tài nguyên sẵn có. B°ãc 4: Hu¿n luyßn mô hình − Quá trình huấn luyện mô hình bao gồm đ°a dữ liệu vào mô hình và cho phép mô hình điều chỉnh các tham số bên trong để dự đoán kết quÁ đầu ra tốt h¡n.

− Trong quá trình huấn luyện, điều quan trọng là tránh bị trang bị quá māc (mô hình ho¿t động tốt trên dữ liệu huấn luyện nh°ng kém trên dữ liệu mới) và trang bị thiếu (mô hình ho¿t động kém trên cÁ dữ liệu huấn luyện và dữ liệu mới). Trần HÁi Thành _ CT2401C 10 B°ãc 5: Đánh giá mô hình − Thử nghiệm mô hình trên dữ liệu mới mà nó ch°a thấy trong quá trình đào t¿o. Các số liệu phổ biến để đánh giá hiệu suất cÿa mô hình bao gồm độ chính xác (đối với các vấn đề phân lo¿i), độ chính xác và thu hồi (đối với các vấn đề phân lo¿i nhị phân) và sai số bình ph°¡ng trung bình (đối với các vấn đề hồi quy).