CHƯƠNG 1: TỔNG QUAN CƠ SỞ LÝ THUYẾT 1.1 Giới thiệu tổng quan Trong một thế giới ngày càng đông đúc và phức tạp, việc quản lý và điều tiết giao thông đang trở nên ngày càng quan trọng. Tình hình giao thông kém hiệu quả không chỉ gây ra sự lãng phí thời gian của người tham gia giao thông mà còn tạo ra những tác động tiêu cực đến môi trường và an toàn đường đi. Đây là bài toán thách thức mà ứng dụng AI có thể giải quyết. Mục tiêu chính của dự án này là xây dựng một website ứng dụng AI có khả năng nhận diện và đếm phương tiện giao thông.
Điều này có thể giúp tăng cường khả năng quản lý giao thông, dự đoán tình hình lưu lượng giao thông, và cải thiện an toàn đường đi. Đồng thời, dự án cũng nhằm tạo ra một công cụ hiệu quả cho việc giám sát và thu thập dữ liệu liên quan đến phương tiện giao thông, có thể ứng dụng trong nhiều lĩnh vực, từ quản lý đô thị đến nghiên cứu vận tải. Bài toán thuộc lĩnh vực computer vision. Computer vision là một lĩnh vực trí tuệ nhân tạo (AI) tập trung vào phát triển các giải pháp và thuật toán để máy tính có khả năng "nhìn" và hiểu hình ảnh và video giống như con người.
Dựa trên việc máy tính sử dụng các thuật toán và mô hình để hiểu và xử lý hình ảnh và video. Nó cho phép máy tính phân loại, nhận dạng và hiểu nội dung của các phương tiện trực göi là hình ảnh và video. Mục tiêu chính là trích xuất thông tin từ dữ liệu hình ảnh và video để máy tính có thể đưa ra quyết định hoặc tác động dựa trên dữ liệu này. Phạm vi của dự án bao gồm việc phát triển một website có khả năng nhận diện và đếm các loại phương tiện giao thông như ô tô, xe máy, xe buýt, xe tải,.
trên các tuyến đường phổ biến và tính thời gian chờ đèn đỏ của các phương tiện giao thông. Sản phẩm này sẽ sử dụng các kỹ thuật và thuật toán AI như học sâu (deep learning) để xử lý hình ảnh và dữ liệu video.2 Nền tảng lý thuyết 1.1 Trí tuệ nhân tạo (AI). AI (Artificial Intelligence) nghĩa là trí tuệ nhân tạo, công nghệ này mô phỏng những suy nghĩ và quá trình tiếp thu kiến thức của con người cho máy móc, đặc biệt là các hệ thống máy tính. Tại hội nghị The Dartmouth diễn ra vào năm 1956, khái niệm về công nghệ AI xuất hiện đầu tiên bởi John McCarthy, một nhà khoa học máy tính Mỹ.
Hiện nay, công nghệ AI là thuật ngữ phổ biến rộng rãi ở nhiều ngành nghề khác nhau bao gồm cả quá trình tự động hoá robot đến người máy AI. Ưu điểm Mạng lưới thần kinh nhân tạo và công nghệ trí tuệ nhân tạo với khả năng học tập sâu đang phát triển nhanh chóng, AI xử lý được lượng lớn dữ liệu nhanh hơn nhiều và đưa ra dự đoán chính xác hơn khả năng của con người. Khối lượng dữ liệu khổng lồ được tạo ra hàng ngày sẽ gây khó khăn cho các nhà nghiên cứu, AI sử dụng học máy để có thể lấy những dữ liệu đó và nhanh chóng biến nó thành thông tin có thể thực hiện được. Nhược điểm Việc sử dụng AI là tốn kém rất nhiều khi xử lý một lượng lớn dữ liệu mà lập trình AI yêu cầu.
Khả năng giải thích sẽ một trở ngại trong việc sử dụng AI trong các lĩnh vực hoạt động theo các yêu cầu phải tuân thủ quy định nghiêm ngặt. Ví dụ: Các tổ chức tài chính, khi quyết định từ chối cấp tín dụng được đưa ra bởi AI, khó có 3 thể đưa ra những giải thích rõ ràng, các lý do không cấp tín dụng cho khách hàng. Machine learning có thể tự dự đoán hoặc đưa ra quyết định mà không cần được lập trình cụ thể. Bài toán machine learning thường được chia làm hai loại là dự đoán (prediction) và phân loại (classification).
Các bài toán dự đoán như dự đoán giá nhà, giá xe… Các bài toán phân loại như nhận diện chữ viết tay, nhận diện đồ vật… Machine learning Workflow Cụ thể từng bước trong machine learning workflow như sau như sau: 1. Data collection – thu thập dữ liệu: để máy tính có thể học được bạn cần có một bộ dữ liệu (dataset), bạn có thể tự thu thập chúng hoặc lấy các bộ dữ liệu đã được công bố trước đó. Lưu ý là bạn phải thu thập từ nguồn chính thống, có như vậy dữ liệu mới chính xác và máy có thể học một cách đúng đắng và đạt hiệu quả cao hơn. Preprocessing – tiền xử lý: bước này dùng để chuẩn hóa dữ liệu, loại bỏ các thuộc tính không cần thiết, gán nhãn dữ liệu, mã hóa một số đặc trưng, trích xuất đặc trưng, rút gọn dữ liệu nhưng vẫn đảm bảo kết quả… Bước này tốn thời gian nhất tỉ lệ thuận với số lượng dữ liệu bạn có.
Bước 1 và 2 thường chiếm hơn 70% tổng thời gian thực hiện. Training model – huấn luyện mô hình: bước này là bước bạn huấn luyện cho mô hình hay chính là cho nó học trên dữ liệu bạn đã thu thập và xử lý ở hai bước đầu. Evaluating model – đánh giá mô hình: sau khi đã huấn luyện mô hình xong, chúng ta cần dùng các độ đo để đánh giá mô hình, tùy vào từng độ đo khác nhau mà mô hình cũng được đánh giá tốt hay không khác nhau. Độ chính xác của mô hình đạt trên 80% được cho là tốt.
Improve – cải thiện: sau khi đã đánh giá mô hình, các mô hình đạt độ chính xác không tốt thì cần được train lại, chúng ta sẽ lặp lại từ bước 3, cho đến khi đạt độ chính xác như kỳ vọng. Tổng thời gian của 3 bước cuối rơi vào khoảng 30% tổng thời gian thực hiện. Có mấy loại Machine Learning? Các mô hình machine learning được phân thành 3 loại chính: 1. Supervised machine learning (học máy có giám sát): Phương pháp này được xác định bằng cách sử dụng các bộ dữ liệu được gắn nhãn để huấn luyện các thuật toán.
Mục tiêu để phân loại hoặc dự đoán kết quả một cách chính xác. Khi dữ liệu đầu vào được đưa vào mô hình, mô hình sẽ điều chỉnh trọng số của nó cho đến khi phù hợp. Điều này xảy ra như một phần của quy trình xác thực chéo, tránh việc thừa hoặc thiếu trang. Supervised machine learning giúp cho tổ chức giải quyết các vấn đề ở quy mô lớn.
Ví dụ: phân loại thư rác trong mục hộp thư đến. Một số phương pháp được sử dụng: mạng thần kinh, hồi quy tuyến tính, hồi quy logistics,… 2. Unsupervised machine learning (học máy không giám sát): Sử dụng các thuật toán học máy để phân tích và phân cụm các bộ dữ liệu không được gắn nhãn. Các thuật toán này khám phá những mẫu hoặc nhóm dữ liệu ẩn mà không cần sự can thiệp của con người.
Khả năng khám phá những điểm tương đồng và khác biệt trong thông tin của phương pháp này khiến nó phù hợp với việc phân tích dữ liệu khám phá, chiến lược bán chéo, phân khúc khách hàng cũng 4 như nhận dạng hình ảnh và mẫu. Nó cũng được sử dụng để giảm số lượng các tính năng trong một mô hình, thông qua quá trình giảm kích thước. Phân tích thành phần chính (PCA) và phân tích giá trị đơn lẻ (SVD) là hai cách tiếp cận phổ biến cho phương pháp này. Các thuật toán thường được sử dụng: mạng thần kinh, phân cụm k-means, phân cụm xác suất,… 3.
Semi-supervised learning (Học máy bán giám sát): sự kết hợp giữa học máy không giám sát và học máy giám sát. Trong quá trình học, nó sử dụng tập dữ liệu được gắn nhãn nhỏ hơn để hướng dẫn, phân loại và trích xuất tính năng từ tệp dữ liệu lớn hơn, không được gắn nhãn. Học máy bán giám sát có thể giải quyết vấn đề không có đủ dữ liệu được gắn nhãn cho thuật toán học máy có giám sát, hoặc dán nhãn đủ dữ liệu tốn quá nhiều thời gian và công sức. Deep Learning là một nhánh của Machine Learning và Khoa học dữ liệu bắt chước cách con người thu được những kiến thức cụ thể, giúp máy tính tự huấn luyện chính nó thực hiện những tác vụ tương tự con người, hỗ trợ cho việc dịch ngôn ngữ, phân loại các hình ảnh, nhận dạng giọng nói.
Các thuật toán Deep Learning là nhân tố quan trọng đằng sau những chiếc xe không người lái, cho phép chúng nhận ra biển báo dừng hoặc phân biệt người đi bộ với cột đèn. Công nghệ này là chìa khóa để con người có thể dùng giọng nói điều khiển các thiết bị tiêu dùng như điện thoại, máy tính bảng, TV và loa cầm tay. Qua từng bước phát triển, Deep Learning đang đạt được những kết quả chưa từng có trước đây. Deep Learning về cơ bản là một mạng nơ-ron gồm ba lớp trở lên, những mạng lưới nơ-ron này thu thập từ dữ liệu lớn (Big Data), học từ những dữ liệu đó và cố gắng “bắt chước” hành vi của não bộ con người.
Công nghệ này hoạt động bằng cách khám phá các cấu trúc phức tạp trong dữ liệu mà chúng trải nghiệm, cụ thể là xây dựng các mô hình tính toán bao gồm nhiều lớp xử lý, mạng có thể tạo ra nhiều mức trừu tượng để biểu diễn dữ liệu. Ưu điểm Nhược điểm • Deep Learning được tối ưu tốt hơn nhờ sự bùng nổ của Internet và khả năng phát triển mạnh mẽ từ khả năng tính toán của máy tính. • Đòi hỏi một nguồn dữ liệu đầu vào • Độ chính xác cao, đảm bảo cho các khủng để máy tính học hỏi. Quy trình thiết bị điện tử tiêu dùng có thể đáp này mất nhiều thời gian và công sức để ứng được mọi nhu cầu cũng như xử lý mà chỉ có các Server chuyên mong đợi của người dùng.
nghiệp mới có thể làm được. Trường • Cung cấp hệ thống gợi ý trên các hợp không đủ dữ liệu đầu vào để xử lý, nền tảng lớn như: Facebook, mọi thứ sẽ không thể diễn ra đúng như Amazon, Netflix,…, giúp tăng độ dự định của máy tính đưa ra. tương tác của người dùng lên cao • Chưa thể nhận biết được những thứ đáng kể. Bởi, kỹ thuật của Deep • Khả năng nhận diện hình ảnh tốt, Learning hiện chưa đảm bảo tốt để trí không chỉ xác định được đối tượng tuệ nhân tạo có thể rút ra những kết trong ảnh mà còn hiểu được nội luận một cách logic.
dung và ngữ cảnh trong bức hình. • Độ an toàn cao, được tin dùng trong hệ thống lái xe tự động.1: Ưu/nhược điểm của Deep Learning.4 So sánh, phân biệt AI, ML và DL. 5 Ở thời đại công nghệ 4.