B&agrave;i to&aacute;n ph&acirc;n loại h&igrave;nh ảnh l&agrave; một trong những b&agrave;i to&aacute;n phổ biến nhất trong Computer Vision. Nhiệm vụ của b&agrave;i to&aacute;n n&agrave;y l&agrave; ph&acirc;n loại một h&igrave;nh ảnh đầu v&agrave;o (input) th&agrave;nh một nh&atilde;n (label) đầu ra (output). Trong b&agrave;i viết n&agrave;y h&atilde;y c&ugrave;ng với <a href="https://tek4.vn/" target="_blank" rel="noopener">tek4.vn</a> t&igrave;m hiểu c&aacute;ch x&acirc;y dựng một m&ocirc; h&igrave;nh gi&uacute;p ph&acirc;n loại h&igrave;nh ảnh sử dụng Keras với bộ dữ liệu&nbsp;CIFAR-10 nh&eacute;!
<h3>Giới Thiệu Về Bộ Dữ Liệu</h3>
CIFAR-10 l&agrave; bộ dữ liệu về thị gi&aacute;c m&aacute;y t&iacute;nh rất phổ biến. Bộ dữ liệu n&agrave;y đ&atilde; được nghi&ecirc;n cứu kỹ lưỡng trong nhiều loại m&ocirc; h&igrave;nh Deep learning phục vụ cho nhận dạng đối tượng.
Bộ&nbsp;dữ liệu n&agrave;y bao gồm 60.000 h&igrave;nh ảnh được chia th&agrave;nh 10 target classes, với mỗi class chứa 6000 h&igrave;nh ảnh c&oacute; k&iacute;ch thước 32 x 32.
Bộ dữ liệu n&agrave;y chứa c&aacute;c h&igrave;nh ảnh c&oacute; độ ph&acirc;n giải thấp (32 x 32), cho ph&eacute;p c&aacute;c researchers thử c&aacute;c thuật to&aacute;n mới.&nbsp;10 lớp kh&aacute;c nhau của tập dữ liệu n&agrave;y l&agrave;
<ul style="list-style-type: disc;">
<li>Airplane</li>
<li>Car</li>
<li>Bird</li>
<li>Cat</li>
<li>Deer</li>
<li>Dog</li>
<li>Frog</li>
<li>Horse</li>
<li>Ship</li>
<li>Truck</li>
</ul>
CIFAR-10 đ&atilde; c&oacute; sẵn trong datasets module của Keras, ch&uacute;ng ta chỉ việc import trực tiếp từ&nbsp;keras.datasets.
<h3>X&acirc;y Dựng M&ocirc; H&igrave;nh Ph&acirc;n Loại H&igrave;nh Ảnh</h3>
Trước ti&ecirc;n, h&atilde;y chắc chắn rằng bạn đ&atilde; c&agrave;i đặt thư viện Keras v&agrave; Tensorflow.
Tạo một file notebook để training m&ocirc; h&igrave;nh, đặt t&ecirc;n l&agrave;&nbsp;Image_Classification hoặc bạn cũng c&oacute; thể sử dụng google colab để training.
Bước 1: Load tập dữ liệu từ keras
<pre><code class="python">from keras.datasets import cifar10
import matplotlib.pyplot as plt
 
(train_X,train_Y),(test_X,test_Y)=cifar10.load_data()</code></pre>
&nbsp;Bước 2: Hiển thị một số h&igrave;nh ảnh từ tập dữ liệu để c&oacute; thể quan s&aacute;t một c&aacute;ch trực quan về tập dữ liệu
<pre><code class="python">n=6
plt.figure(figsize=(20,10))
for i in range(n):
 plt.subplot(330+1+i)
 plt.imshow(train_X[i])
plt.show()</code></pre>
<img src="https://tek4.vn/public_files/bea7055d-2079-46a8-86e0-1d80eeff7184" alt="" width="700" height="351" />
Bước 3: import v&agrave;o c&aacute;c layers v&agrave; module cần thiết để x&acirc;y dựng kiến tr&uacute;c mạng neural
<pre><code class="python">from keras.models import Sequential
from keras.layers import Dense
from keras.layers import Dropout
from keras.layers import Flatten
from keras.constraints import maxnorm
from keras.optimizers import SGD
from keras.layers.convolutional import Conv2D
from keras.layers.convolutional import MaxPooling2D
from keras.utils import np_utils</code></pre>
Bước 4:&nbsp;Chuyển đổi c&aacute;c gi&aacute; trị pixel của tập dữ liệu th&agrave;nh kiểu float v&agrave; sau đ&oacute; chuẩn h&oacute;a tập dữ liệu
<pre><code class="python">train_x=train_X.astype('float32')
test_X=test_X.astype('float32')
 
train_X=train_X/255.0
test_X=test_X/255.0</code></pre>
Bước 5: Sử dụng one-hot encoding để xử l&yacute; dữ liệu
<pre><code class="python">train_Y=np_utils.to_categorical(train_Y)
test_Y=np_utils.to_categorical(test_Y)
 
num_classes=test_Y.shape[1]</code></pre>
Bước 6: Tạo m&ocirc; h&igrave;nh&nbsp;sequential v&agrave; th&ecirc;m v&agrave;o c&aacute;c layers
<pre><code class="python">model=Sequential()
model.add(Conv2D(32,(3,3),input_shape=(32,32,3),
 padding='same',activation='relu',
 kernel_constraint=maxnorm(3)))
model.add(Dropout(0.2))
model.add(Conv2D(32,(3,3),activation='relu',padding='same',kernel_constraint=maxnorm(3)))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Flatten())
model.add(Dense(512,activation='relu',kernel_constraint=maxnorm(3)))
model.add(Dropout(0.5))
model.add(Dense(num_classes, activation='softmax'))</code></pre>
Bước 7: Cấu h&igrave;nh&nbsp;optimizer v&agrave;&nbsp;compile m&ocirc; h&igrave;nh
<pre><code class="python">sgd=SGD(lr=0.01,momentum=0.9,decay=(0.01/25),nesterov=Fals)
 
model.compile(loss='categorical_crossentropy',
 optimizer=sgd,
 metrics=['accuracy'])</code></pre>
Bước 8: Xem t&oacute;m tắt để hiểu r&otilde; hơn về kiến tr&uacute;c m&ocirc; h&igrave;nh
<pre><code class="python">model.summary()</code></pre>
<img src="https://tek4.vn/public_files/f4b62538-aa63-4b3d-a05c-9abc921fbd2c" alt="" width="700" height="598" />
Bước 9: Training m&ocirc; h&igrave;nh
<pre><code class="python">model.fit(train_X,train_Y, validation_data=(test_X,test_Y), epochs=20,batch_size=32)</code></pre>
<img src="https://tek4.vn/public_files/68d7b90f-bac5-4042-bd87-436214f6ec61" alt="" width="700" height="795" />
Bước 10: T&iacute;nh độ ch&iacute;nh x&aacute;c tr&ecirc;n tập test set
<pre><code class="python">_,acc=model.evaluate(test_X,test_Y)
print(acc*100)</code></pre>
Bước 11: Lưu lại m&ocirc; h&igrave;nh
<pre><code class="python">model.save("image_classification_20epoch.h5")</code></pre>
Bước 12:&nbsp;Tạo dictionary để &aacute;nh xạ đến c&aacute;c lớp đầu ra v&agrave; đưa ra dự đo&aacute;n từ m&ocirc; h&igrave;nh
<pre><code class="python">results={
 0:'aeroplane',
 1:'automobile',
 2:'bird',
 3:'cat',
 4:'deer',
 5:'dog',
 6:'frog',
 7:'horse',
 8:'ship',
 9:'truck'
}
from PIL import Image
import numpy as np
im=Image.open("__image_path__")
# the input image is required to be in the shape of dataset, i.e (32,32,3)
 
im=im.resize((32,32))
im=np.expand_dims(im,axis=0)
im=np.array(im)
pred=model.predict_classes([im])[0]
print(pred,results[pred])</code></pre>
Bạn c&oacute; thể kiểm tra kết quả bằng c&aacute;ch thay thế v&agrave;o "image_path" bằng đường dẫn h&igrave;nh ảnh bất kỳ của m&igrave;nh. Để cải thiện độ ch&iacute;nh x&aacute;c bạn c&oacute; thể tăng số&nbsp;epoch l&ecirc;n để training.
<h3>Thiết Kế Giao Diện Người D&ugrave;ng</h3>
Phần n&agrave;y sẽ x&acirc;y dựng giao diện người d&ugrave;ng cho m&ocirc; h&igrave;nh ph&acirc;n loại h&igrave;nh ảnh của ch&uacute;ng ta. H&atilde;y chắc chắn rằng bạn đ&atilde; c&agrave;i đặt thư viện Tkinter trước khi bắt đầu.
Trước ti&ecirc;n h&atilde;y tạo một file mới đặt t&ecirc;n l&agrave; GUI.py trong c&ugrave;ng 1 thư mục với file&nbsp;image_classification_20epoch.h5
Sau đ&oacute; h&atilde;y sao ch&eacute;p đoạn m&atilde; dưới đ&acirc;y v&agrave;o file GUI.py
<pre><code class="python">import tkinter as tk
from tkinter import filedialog
from tkinter import *
from PIL import ImageTk, Image
import numpy

#load the trained model to classify the images

from keras.models import load_model
model = load_model('image_classification_20epoch.h5')

#dictionary to label all the CIFAR-10 dataset classes.

classes = { 
 0:'aeroplane',
 1:'automobile',
 2:'bird',
 3:'cat',
 4:'deer',
 5:'dog',
 6:'frog',
 7:'horse',
 8:'ship',
 9:'truck' 
}
#initialise GUI

top=tk.Tk()
top.geometry('800x600')
top.title('Image Classification CIFAR10')
top.configure(background='#CDCDCD')
label=Label(top,background='#CDCDCD', font=('arial',15,'bold'))
sign_image = Label(top)

def classify(file_path):
 global label_packed
 image = Image.open(file_path)
 image = image.resize((32,32))
 image = numpy.expand_dims(image, axis=0)
 image = numpy.array(image)
 pred = model.predict_classes( 


)[0]
 sign = classes[pred]
 print(sign)
 label.configure(foreground='#011638', text=sign) 

def show_classify_button(file_path):
 classify_b=Button(top,text="Classify Image",
 command=lambda: classify(file_path),padx=10,pady=5)
 classify_b.configure(background='#364156', foreground='white',
font=('arial',10,'bold'))
 classify_b.place(relx=0.79,rely=0.46)

def upload_image():
 try:
 file_path=filedialog.askopenfilename()
 uploaded=Image.open(file_path)
 uploaded.thumbnail(((top.winfo_width()/2.25),(top.winfo_height()/2.25)))
 im=ImageTk.PhotoImage(uploaded)
 sign_image.configure(image=im)
 sign_image.image=im
 label.configure(text='')
 show_classify_button(file_path)
 except:
 pass

upload=Button(top,text="Upload an image",command=upload_image,
 padx=10,pady=5)

upload.configure(background='#364156', foreground='white',
 font=('arial',10,'bold'))

upload.pack(side=BOTTOM,pady=50)
sign_image.pack(side=BOTTOM,expand=True)
label.pack(side=BOTTOM,expand=True)
heading = Label(top, text="Image Classification CIFAR10",pady=20, font=('arial',20,'bold'))

heading.configure(background='#CDCDCD',foreground='#364156')
heading.pack()
top.mainloop()</code></pre>
B&acirc;y giờ h&atilde;y chạy file GUI.py để thử nghiệm
<pre><code class="python">python gui.py</code></pre>
Bạn c&oacute; thể tải xuống to&agrave;n bộ source code tại đ&acirc;y: <a href="https://drive.google.com/drive/folders/1mK8r0UzSFrM5yGs0jyvWf0dS4SpDoXfF?usp=sharing" target="_blank" rel="noopener">Image Classification</a>
<h3>Kết Luận</h3>
Trong project n&agrave;y ch&uacute;ng ta đ&atilde; học được c&aacute;ch x&acirc;y dựng một m&ocirc; h&igrave;nh gi&uacute;p ph&acirc;n loại h&igrave;nh ảnh, c&oacute; được c&aacute;i nh&igrave;n tổng quan về bộ dữ liệu&nbsp;CIFAR-10.&nbsp;Hi vọng bạn th&agrave;nh c&ocirc;ng với project n&agrave;y, h&atilde;y tiếp tục truy cập v&agrave;o&nbsp;<a href="https://tek4.vn/" target="_blank" rel="noopener">Tek4.vn</a>&nbsp;để thực h&agrave;nh c&aacute;c project về Deep Learning th&uacute; vị kh&aacute;c nh&eacute;!
&nbsp;
<div class="ant-row">
<div class="ant-col ant-col-24">
<div class="content--html line-numbers">
<div><hr />
Fanpage Facebook:&nbsp;<a href="https://www.facebook.com/tek4.vn/">TEK4.VN</a>&nbsp;
Tham gia cộng đồng để chia sẻ, trao đổi v&agrave; thảo luận:&nbsp;<a href="https://www.facebook.com/groups/tek4.vn/">TEK4.VN - Học Lập Tr&igrave;nh Miễn Ph&iacute;</a>
</div>
</div>
</div>
</div>

Admin

Phân Loại Hình Ảnh Sử Dụng Keras (Image Classification)

Cùng tác giả

Admin

Có liên quan