TIỂU LUẬN đề tài NHẬN DIỆN ĐỘNG vật BẰNG YOLOv5

ĐẠI HỌC ĐÀ NẴNG PHÂN HIỆU TẠI KON TUM BÁO CÁO TIỂU LUẬN ĐỀ TÀI NHÂN DIỆN ĐỘNG VÂT BẰNG YOLOv5 GIÁO VIÊN HƯỚNG DẪN : TS HUỲNH HỮU HƯNG SINH VIÊN THỰC HIỆỆ̣N : SY THATOM LỚP : K12TT MSSV :1817480201026 Kon tum, tháng 10 năm 2022 TIEU LUAN MOI download : skknchat123@gmail.com moi nhat ĐẠI HỌC ĐÀ NẴNG PHÂN HIỆU TẠI KON TUM BÁO CÁO TIỂU LUẬN ĐỀ TÀI NHÂN DIỆN ĐỘNG VÂT BẰNG YOLOv5 GIÁO VIÊN HƯỚNG DẪN : TS HUỲNH HỮU HƯNG SINH VIÊN THỰC HIỆỆ̣N : SY THATOM LỚP : K12TT MSSV :1817480201026 Kon tum, tháng 10 năm 2022 TIEU LUAN MOI download : skknchat123@gmail.com moi nhat MỤC LỤC DANH MỤC HÌNH ẢNH DANH MUC BANG CHƯƠNG 1: TỔNG QUAN 1.1 Giới thiệu 1.2 Mục tiêu đề tài 1.3 Giới hạn đề tài 1.4 Phương phap nghiên cứu 1.5 Đối tượng và phạm vi nghiên cứu 1.6 Bố cục quyển bao cao CHƯƠNG 2: CƠ SỞ LÝ THUYẾT 2.1 Tổng quan về YOLO 2.1.1 Kiến trúc mạng YOLO 2.1.2 Nguyên lý hoạt động của mạng YOLO 2.2 Output của YOLO 2.2.1 Dự bao nhiều feature map 2.2.2 Anchor box 2.2.3 Hàm mất mat ( Loss Function) 2.2.3.1 Classification Loss 2.2.3.2 Localization Loss 2.2.3.3 Confidence Loss 2.3 2.3.1 2.4 2.4.1 Dự bao bounding box Non-max suppression Thuật toan sử dụng YOLOv5 Phân loại YOLOv5 TIEU LUAN MOI download : skknchat123@gmail.com moi nhat 2.5 Cấu trúc của YOLOv5 việc nhận diện vật thể (Object Detection) .23 2.6 Những cải tiến của YOLOv5 so với cac phiên bản trước 24 CHƯƠNG : THIẾT KẾ HÊ THỐNG .25 3.1 Tập dữ liệu chuẩn bị cho qua trình huấn luyện 25 3.2 Qua trình huấn luyện 28 3.2.1 Tiến hành huấn luyện 29 CHƯƠNG 4: KẾT QUA 31 4.1 Kết quả qua trình huấn luyện 31 4.2 Hoạt động của hệ thống 32 CHƯƠNG 5: KẾT LUẬN VA HƯỚNG PHÁT TRIỂN 34 5.1 Kết luận 34 5.2 Hướng phat triển 34 PHỤ LỤC 35 TAI LIÊU THAM KHAO 38 TIEU LUAN MOI download : skknchat123@gmail.com moi nhat DANH MỤC HÌNH ẢNH Hình 2.1: Kiến trúc mạng YOLO 10 Hình 2.2: Các layer mạạ̣ng darknet-53 11 Hình 2.3: Cach hoạt động của mạng YOLO 12 Hình 2.4: Kiến trúc một output của model YOLO 13 Hình 2.5: Các feature maps mạng YOLOv3 với input shape 416x416, output feature maps có kích thước 13x13, 26x26 52x52 14 Hình 2.6: Xác địạ̣nh anchor box cho mộạ̣t vậạ̣t thểể 15 Hình 2.7: Khi vậạ̣t thểể người vàà̀ xe trùng mid point vàà̀ thuộạ̣c mộạ̣t cell Thuậạ̣t toán cần thêm nhữữ̃ng lượạ̣t tiebreak đểể quyếế́t địạ̣nh đâu làà̀ class cho cell .16 Hình 2.8: Tính toan Loss Function cho object: tam giac và hình thoi 17 Hình 2.9: Công thứế́c ướế́c lượạ̣ng bounding box từ anchor box .20 Hình 2.10: Non-max suppression Từ bounding box ban đầu bao quanh chiếế́c xe giảểm x́ế́ng cịn mợạ̣t bounding box cuốế́i 20 Hình 2.11: So sanh kich thươc lưu trữ Model cua cac mẫu mã YOLOv5 22 Hình 2.12: So sanh độ trễ trung bình giữa cac phiên bản YOLO(v3,v4,v5) .23 Hình 2.13: Cấu trúc nhận diện vật thể của YOLOv5 24 Hình 3.1: Hình ảnh về Trâu và label của tưng hình 25 Hình 3.2: Hình ảnh về Hươu và label của tưng hình 26 Hình 3.3: Hình ảnh về Voi và label của tưng hình 26 Hình 3.4: Hình ảnh về Hươu cao cổể và label của tưng hình 27 Hình 3.5: Sử dụng roboflow.ai để gia tăng tập dữ liệu vốn co 27 Hình 3.6: clone Yolov5 và cài đặt cac dependencies 28 Hình 3.7: Thêm cac hình và label cho qua trình huấn luyện .28 Hình 3.8: Phân chia hình theo label tưng loài 29 Hình 3.9: Qua trình huấn luyện với 16 lớp và 100 lân 29 Hình 4.1: Kết quả display sau đa train xong 30 TIEU LUAN MOI download : skknchat123@gmail.com moi nhat DANH MUC BANG Bảng 1: Đanh gia mức độ chinh xac cua qua trình nhận diện 32 TIEU LUAN MOI download : skknchat123@gmail.com moi nhat TỔNG QUAN Giới thiệu Ngàà̀y nay, tríế́ tuệạ̣ nhân tạạ̣o-Artificial Intelligence (AI) ngày càng phổ biến và goế́p phần thay đổểi sâu sắc nhiềà̀u khíế́a cạạ̣nh cuộạ̣c sốế́ng ngàà̀y Trong đoế́ thịạ̣ giác máy tíế́nh-Computer Vision (CV) làà̀ mộạ̣t lĩnh vựạ̣c quan trọng củểa AI bao gồm phương pháp thu nhậạ̣n, xửể líế́ ảểnh kỹ thuậạ̣t sốế́, phân tíế́ch vàà̀ nhậạ̣n dạạ̣ng hìà̀nh ảểnh Mạạ̣ng Nơron học sâu (Deep learning Network) làà̀ lĩnh vựạ̣c nghiên cứế́u thuậạ̣t toán, chương trìà̀nh máy tíế́nh đểể máy tíế́nh coế́ thểể học tậạ̣p vàà̀ đưa nhữữ̃ng dựạ̣ đoán người Noế́ đượạ̣c ứế́ng dụạ̣ng vàà̀o nhiềà̀u ứế́ng dụạ̣ng khác khoa học, kỹ thuậạ̣t, lĩnh vựạ̣c đời sốế́ng khác ứế́ng dụạ̣ng vềà̀ phân loạạ̣i vàà̀ phát hiệạ̣n đốế́i tượạ̣ng Mộạ̣t víế́ dụạ̣ điểển hìà̀nh làà̀ CNN (Convolutional Neural Network) áp dụạ̣ng đểể nhậạ̣n dạạ̣ng tựạ̣ độạ̣ng, tìà̀m hiểểu mẫu phân biệạ̣t từ ảểnh cách xếế́p chồng liên tiếế́p lớế́p lên vàà̀ nhiềà̀u ứế́ng dụạ̣ng, CNN hiệạ̣n đượạ̣c coi làà̀ trìà̀nh phân loạạ̣i ảểnh mạạ̣nh vàà̀ thúế́c đẩểy công nghệạ̣ lĩnh vựạ̣c thịạ̣ giác máy tíế́nh, làà̀m đòn bẩểy cho trìà̀nh học máy Nhưng bên cạạ̣nh đoế́, đểể phân loạạ̣i đượạ̣c mộạ̣t đốế́i tượạ̣ng thìà̀ công nghệạ̣ CNN tiêu tốế́n cựạ̣c lớế́n vềà̀ tàà̀i nguyên băng thông, bộạ̣ nhớế́ vàà̀ khảể xửể lýế́ củểa phần cứế́ng Đểể giảểm thiểểu nhữữ̃ng tàà̀i nguyên tiêu hao nàà̀y, nhữữ̃ng thuậạ̣t tốn, mơ hìà̀nh giảểi tḥạ̣t theo thời gian đượạ̣c đời ngàà̀y càà̀ng nhiềà̀u vàà̀ đoế́ coế́ mơ hình YOLOv5 cho bàà̀i toán nhậạ̣n diệạ̣n, cụạ̣ thểể làà̀ ứế́ng dụạ̣ng vàà̀o đềà̀ tàà̀i “Nhận diệỆ̣n động vật” Mục tiêu đề tài Vận dụng được những kiến thức bản về huấn luyện mạng nơ-ron Xây dựng được một mô hình co khả huấn luyện cac tập dữ liệu động vật khac Nhận diện được tất cả cac loài động vật co tập dữ liệu Giới hạn đề tài Trong đề tài này nhậạ̣n diệạ̣n đượạ̣c 1loàà̀i độạ̣ng vậạ̣t làà̀: Chim bổể câu Tập dữ liệu coế́ sốế́ lượạ̣ng íế́t ảểnh hưởng đếế́n độạ̣ chíế́nh xác củểa mộạ̣ hìà̀nh Phương pháp nghiên cứu Dựa cac kiến thức đa hoc về cach huấn luyện một mạng nơ-ron Thu thậạ̣p tàà̀i liệạ̣u, tham khảểo nhữữ̃ng ứế́ng dụạ̣ng liên quan coế́ trướế́c đoế́ Đối tượng và phạm vi nghiên cứu Nhận dạng cac loài động vật hoang da tự nhiên co tập dữ liệu, làà̀ loàà̀i độạ̣ng vậạ̣t: Chim bổể câu TIEU LUAN MOI download : skknchat123@gmail.com moi nhat CƠ SỞ LÝ THUYẾT Trong vàà̀i năm trở lạạ̣i đây, Object detection làà̀ mộạ̣t nhữữ̃ng đềà̀ tàà̀i rấế́t hot củểa deep learning khảể ứế́ng dụạ̣ng cao, dữữ̃ liệạ̣u dễ chuẩển bịạ̣ vàà̀ kếế́t quảể ứế́ng dụạ̣ng thìà̀ cựạ̣c kìà̀ nhiềà̀u Các thuậạ̣t toán mớế́i củểa Object detection YOLO, SSD coế́ tốế́c độạ̣ nhanh vàà̀ độạ̣ chíế́nh xác cao nên giúế́p cho Object Detection coế́ thểể thựạ̣c hiệạ̣n đượạ̣c tác vụạ̣ dường làà̀ real time, thậạ̣m chíế́ làà̀ nhanh so vớế́i người màà̀ độạ̣ chíế́nh xác không giảểm Các mô hìà̀nh trở nên nhẹ nên coế́ thểể hoạạ̣t độạ̣ng thiếế́t bịạ̣ IoT đểể tạạ̣o nên thiếế́t bịạ̣ thông minh Tổng quan về YOLO YOLO(You only look once) làà̀ mộạ̣t mô hìà̀nh mạạ̣ng CNN cho việạ̣c phát hiệạ̣n, nhậạ̣n dạạ̣ng, phân loạạ̣i đốế́i tượạ̣ng YOLO đượạ̣c tạạ̣o từ việạ̣c kếế́t hợạ̣p giữữ̃a convolutional layers vàà̀ connected layers Trong đoế́p convolutional layers tríế́ch xuấế́t feature củểa ảểnh, cịn full-connected layers dựạ̣ đốn xác suấế́t đoế́ vàà̀ tọa độạ̣ củểa đốế́i tượạ̣ng.[1] YOLO coế́ thểể khơng phảểi làà̀ tḥạ̣t tốn tớế́t nhấế́t noế́ làà̀ tḥạ̣t tốn nhanh nhấế́t lớế́p mơ hìà̀nh object detection Noế́ coế́ thểể đạạ̣t đượạ̣c tốế́c độạ̣ gần real time màà̀ độạ̣ chíế́nh xác không giảểm so vớế́i model thuộạ̣c top đầu YOLO làà̀ tḥạ̣t tốn object detection nên mụạ̣c tiêu củểa mơ hìà̀nh không làà̀ dựạ̣ báo nhãn cho vậạ̣t thểể bàà̀i tốn classification màà̀ noế́ cịn xác địạ̣nh location củểa vậạ̣t thểể Do đoế́ YOLO coế́ thểể phát hiệạ̣n đượạ̣c nhiềà̀u vậạ̣t thểể coế́ nhãn khác mộạ̣t bứế́c ảểnh thay vìà̀ phân loạạ̣i nhấế́t mộạ̣t nhãn cho mộạ̣t bứế́c ảểnh Mộạ̣t ưu điểểm màà̀ YOLO đem lạạ̣i đoế́ làà̀ sửể dụạ̣ng thông tin toàà̀n bợạ̣ bứế́c ảểnh mợạ̣t lần vàà̀ dựạ̣ đốn toàà̀n bộạ̣ object box chứế́a đốế́i tượạ̣ng, mô hìà̀nh đượạ̣c xây dựạ̣ng theo kiểểu end-to-end nên đượạ̣c huấế́n luyệạ̣n hoàà̀n toàà̀n gradient descent Tính đến thơi điểm hiện tại YOLO đa co tổng cộng phiên bản(v1,v2,v3,v4,v5) Trong đo bản v5 là bản mới nhất, khac phục được cac nhược điểm của cac phiên bản trước như: lỗi vềà̀ việạ̣c xác địạ̣nh vịạ̣ tríế́ củểa vậạ̣t thểể, ràà̀ng buộạ̣c vềà̀ không gian nhữữ̃ng bounding box, grid cell coế́ thểể predict rấế́t íế́t bounding box, 2.1.1 Kiến trúc mạng YOLO Kiếế́n trúế́c YOLO bao gồm: Base network làà̀ mạạ̣ng convolution làà̀m nhiệạ̣m vụạ̣ tríế́ch xuấế́t đặạ̣c trưng Phần phíế́a sau làà̀ nhữữ̃ng Extra Layers đượạ̣c áp dụạ̣ng đểể phát hiệạ̣n vậạ̣t thểể feature map củểa base network Base network củểa YOLO sửể dụạ̣ng chủể yếế́u làà̀ convolutional layer vàà̀ fully conntected layer Các kiếế́n trúế́c YOLO đa dạạ̣ng vàà̀ coế́ thểể tùy biếế́n thàà̀nh version cho nhiềà̀u input shape khác nhau.[1] TIEU LUAN MOI download : skknchat123@gmail.com moi nhat Hình 2.1: Kiến trúc mang YOLO Thàà̀nh phần Darknet Architechture đượạ̣c gọi làà̀ base network coế́ tác dụạ̣ng tríế́ch suấế́t đặạ̣c trưng Output củểa base network làà̀ mộạ̣t feature map coế́ kíế́ch thướế́c 7x7x1024 đượạ̣c sửể dụạ̣ng làà̀m input cho Extra layers coế́ tác dụạ̣ng dựạ̣ đốn nhãn vàà̀ tọa đợạ̣ bounding box củểa vậạ̣t thểể Ở phiên bản thứ của YOLO tức là YOLOv3 tác giảể áp dụạ̣ng mộạ̣t mạạ̣ng feature extractor làà̀ darknet-53 Mạạ̣ng nàà̀y gồm 53 convolutional layers kếế́t nốế́i liên tiếế́p, layer đượạ̣c theo sau mộạ̣t batch normalization vàà̀ mộạ̣t activation Leaky Relu Đểể giảểm kíế́ch thướế́c củểa output sau convolution layer, tác giảể down sample filter vớế́i kíế́ch thướế́c làà̀ Mẹo nàà̀y coế́ tác dụạ̣ng giảểm thiểểu sốế́ lượạ̣ng tham sốế́ cho mô hìà̀nh TIEU LUAN MOI download : skknchat123@gmail.com moi nhat Hình 2.2: Các layer mạng darknet-53 Các bứế́c ảểnh đượạ̣c đưa vàà̀o mô hìà̀nh đượạ̣c scale đểể vềà̀ chung mộạ̣t kíế́ch thướế́c phù hợạ̣p vớế́i input shape củểa mô hìà̀nh vàà̀ sau đoế́ đượạ̣c gom lạạ̣i thàà̀nh batch đưa vàà̀o huấế́n luyệạ̣n Hiệạ̣n tạạ̣i YOLO hỗ trợạ̣ đầu vàà̀o chíế́nh làà̀ 416x416 vàà̀ 608x608 Mỗi mộạ̣t đầu vàà̀o coế́ mộạ̣t thiếế́t kếế́ layers riêng phù hợạ̣p vớế́i shape củểa input Sau qua layer convolutional thìà̀ shape giảểm dần theo cấế́p sốế́ nhân làà̀ Cuốế́i ta thu đượạ̣c mộạ̣t feature map coế́ kíế́ch thướế́c tương đốế́i nhỏ đểể dựạ̣ báo vậạ̣t thểể ô củểa feature map.[1] Kíế́ch thướế́c củểa feature map phụạ̣ thuộạ̣c vàà̀o đầu vàà̀o Đốế́i vớế́i input 416x416 thìà̀ feature map coế́ kíế́ch thướế́c làà̀ 13x13, 26x26 vàà̀ 52x52 Vàà̀ input làà̀ 608x608 tạạ̣o feature map 19x19, 38x38, 72x72 2.1.2 Nguyên lý hoạt động của mạng YOLO 10 TIEU LUAN MOI download : skknchat123@gmail.com moi nhat Quá trinh huấn luyện Sử dụng nền tảng co sẵn Google Colab kết hợp với models YOLOv5 để tiến hành qua trình huấn luyện Hìà̀nh Clone yolov5 vàà̀ càà̀i đặạ̣t dependencies Sau clone xong, uploade file zip datasets mơi tạạ̣o xong từ công cụạ̣ Makesense.ai vàà̀o google colab vàà̀ unzip Hình 3.1: upload unzip datasets 26 TIEU LUAN MOI download : skknchat123@gmail.com moi nhat Sau đoế́ sửểa dư liệạ̣u tạạ̣i coco128.yaml vàà̀ lưu lạạ̣i làà̀ xong Hinh coco128.yaml sau sửểa dư liệạ̣u Tiến hành huấn luyện Chaỵ câu lệạ̣nh python train.py với 16 lớp và 200 lân 49 hìà̀nh ảểnh 27 TIEU LUAN MOI download : skknchat123@gmail.com moi nhat Hinh Quá trìà̀nh huấế́n luyệạ̣n vớế́i 16 lớế́p vàà̀ 200 lần Sau chaỵ câu lệạ̣nh python train.py với 16 lớp và 200 lân 49 hìà̀nh ảểnh 28 TIEU LUAN MOI download : skknchat123@gmail.com moi nhat xong, nhậạ̣n đượạ̣c mộạ̣t kếế́t quảể tương tựạ̣ vậạ̣y, try cậạ̣p theo đường dẫn đếế́n file best.pt vàà̀ tảểi file nàà̀y vềà̀ Hìà̀nh tảểi file best.pt Sau đoế́ chạạ̣y câu lệạ̣nh python detect.py vớế́i link youtube 29 TIEU LUAN MOI download : skknchat123@gmail.com moi nhat Hinh chạạ̣y câu lệạ̣nh python detect.py vớế́i link youtube 30 TIEU LUAN MOI download : skknchat123@gmail.com moi nhat KẾT QUA Kết quả quá trinh huấn luyện Hình 4.1: Kết quả display sau đã train xong 31 TIEU LUAN MOI download : skknchat123@gmail.com moi nhat 32 TIEU LUAN MOI download : skknchat123@gmail.com moi nhat Hoạt đông của hệ thống Dưới là một số hình ảnh qua trình test sau đa training xong Sau tiến hành kiểm tra, nhom em đưa được bảng đanh gia mức độ chính xac: Tên động vật TIEU LUAN MOI download : skknchat123@gmail.com moi nhat ChimBồCâu Bảng 1: Đanh gia mức độ chinh xac cua qua trình nhận diện 34 TIEU LUAN MOI download : skknchat123@gmail.com moi nhat KẾT LUÂN VÀ HƯƠNG PHAT TRIÊN Kết luân Mô hình đa bản thực hiện được việc nhận dạng động vật dựa vào tập dữ liệu huấn luyện Độ chính xac chưa cao vì tập dữ liệu íế́t, và độ đa dạng động vật thấp Hướng phát triển Cảểi tiếế́n thêm giảểi thuậạ̣t xửể lýế́ ảểnh đểể thu nhậạ̣n đượạ̣c hìà̀nh ảểnh chấế́t lượạ̣ng tốế́t Cảểi tiếế́n giảểi thuậạ̣t đểể ứế́ng dụạ̣ng coế́ thểể phát hiệạ̣n đượạ̣c độạ̣ng vậạ̣t chưa coế́ đặạ̣c tíế́nh riêng vàà̀ loàà̀i tương đốế́i đa dạạ̣ng Đa dạạ̣ng hoế́a tậạ̣p mẫu đểể ứế́ng dụạ̣ng coế́ thểể nhậạ̣n dạạ̣ng đượạ̣c đa dạạ̣ng loàà̀i vàà̀ thu đượạ̣c kếế́t quảể chíế́nh xác 35 TIEU LUAN MOI download : skknchat123@gmail.com moi nhat PHỤỆ̣ LỤỆ̣C # clone YOLOv5 repository !git clone https://github.com/ultralytics/yolov5 # clone repo %cd yolov5 !git reset hard 886f1c03d839575afecb059accf74296fad395b6 # install dependencies as necessary !pip install -qr requirements.txt # install dependencies (ignore errors) import torch from IPython.display import Image, clear_output # to display images from utils.google_utils import gdrive_download # to download models/ datasets # clear_output() print('Setup complete Using torch %s %s' % (torch. version , torch.cuda get_device_properties(0) if torch.cuda.is_available() else 'CPU')) %cd /content # this is the YAML file Roboflow wrote for us that we're loading into this notebook with our data %cat data.yaml # define number of classes based on YAML import yaml with open("data.yaml", 'r') as stream: num_classes = str(yaml.safe_load(stream)['nc']) #this is the model configuration we will use for our tutorial %cat /content/yolov5/models/yolov5s.yaml #customize iPython writefile so we can write variables from IPython.core.magic import register_line_cell_magic @register_line_cell_magic def writetemplate(line, cell): with open(line, 'w') as f: f.write(cell.format(**globals())) %%writetemplate /content/yolov5/models/custom_yolov5s.yaml # parameters nc: {num_classes} # number of classes depth_multiple: 0.33 # model depth multiple width_multiple: 0.50 # layer channel multiple # anchors anchors: - [10,13, 16,30, 33,23] # P3/8 - [30,61, 62,45, 59,119] # P4/16 - [116,90, 156,198, 373,326] # P5/32 # YOLOv5 backbone 36 TIEU LUAN MOI download : skknchat123@gmail.com moi nhat # [from, ] # YOLOv5 head head: [[-1, 1, Conv, [512, 1, 1]], [-1, 1, nn.Upsample, [None, 2, 'nearest']], [[-1, 6], 1, Concat, [1]], # cat backbone P4 [-1, 3, BottleneckCSP, [512, False]], # 13 [-1, 1, Conv, [256, 1, 1]], [-1, 1, nn.Upsample, [None, 2, 'nearest']], [[-1, 4], 1, Concat, [1]], # cat backbone P3 [-1, 3, BottleneckCSP, [256, False]], # 17 (P3/8-small) [-1, 1, Conv, [256, 3, 2]], [[-1, 14], 1, Concat, [1]], # cat head P4 [-1, 3, BottleneckCSP, [512, False]], # 20 (P4/16-medium) [-1, 1, Conv, [512, 3, 2]], [[-1, 10], 1, Concat, [1]], # cat head P5 [-1, 3, BottleneckCSP, [1024, False]], # 23 (P5/32-large) [[17, 20, 23], 1, Detect, [nc, anchors]], # Detect(P3, P4, P5) ] # train yolov5s on custom data for 100 epochs # time its performance %%time %cd /content/yolov5/ !python train.py img 416 batch 16 epochs 100 data ' /data.yaml' - -cfg /models/custom_yolov5s.yaml weights '' name yolov5s_results cache # first, display our ground truth data print("GROUND TRUTH TRAINING DATA:") 37 TIEU LUAN MOI download : skknchat123@gmail.com moi nhat Image(filename='/content/yolov5/runs/train/yolov5s_results/ test_batch0_labels.jpg', width=900) # print out an augmented training example print("GROUND TRUTH AUGMENTED TRAINING DATA:") Image(filename='/content/yolov5/runs/train/yolov5s_results/ train_batch0.jpg', width=900) # use the best weights! %cd /content/yolov5/ !python detect.py weights runs/train/yolov5s_results/weights/best.pt -img 416 conf 0.4 source /test/images #display inference on ALL test images #this looks much better with longer training above import glob from IPython.display import Image, display for imageName in glob.glob('/content/yolov5/runs/detect/exp/*.jpg'): #assu ming JPG display(Image(filename=imageName)) print("\n") 38 TIEU LUAN MOI download : skknchat123@gmail.com moi nhat TAI LIÊU THAM KHAO Phạm Đình Khanh, “YOLO-You only look once”, Khoa hoc dữ liệu-Khanh’s blog [1] Phạạ̣m Việạ̣t Bìà̀nh, Đỗ Năng Toàà̀n, “Giáo trìì̀nh mơn học Xử lý ảả̉nh”, Khoa Công nghệạ̣ Thông tin – Đạạ̣i học Thái Nguyên, 2007 [2] Nguyễn Quang Hoan, “Giáo trìì̀nh Xử lý ảả̉nh”, Học việạ̣n Công nghệạ̣ Bưu chíế́nh Viễn thông, 2006 [3] Nguyễn Đìà̀nh Thúế́c, “Trí tuệộ̣ nhân tạo, mạng NơRon phương pháp ứế́ng dụng”, NXB Giáo Dụạ̣c 2000 [4] [5] Quốc Phạm,”Tìm hiểu mô hình YOLO cho bài toan Object Detection” Joseph Nelson, Jacob Solawetz, “YOLOv5 is Here:State-of-the-Art Object Detection at 140 FPS” [6] 39 TIEU LUAN MOI download : skknchat123@gmail.com moi nhat 40 TIEU LUAN MOI download : skknchat123@gmail.com moi nhat ...ĐẠI HỌC ĐÀ NẴNG PHÂN HIỆU TẠI KON TUM BÁO CÁO TIỂU LUẬN ĐỀ TÀI NHÂN DIỆN ĐỘNG VÂT BẰNG YOLOv5 GIÁO VIÊN HƯỚNG DẪN : TS HUỲNH HỮU HƯNG SINH VIÊN THỰC HIỆỆ̣N : SY... luyệạ̣n mộạ̣t cách tốế́i ưu Phân loại YOLOv5 19 TIEU LUAN MOI download : skknchat123@gmail.com moi nhat Coế́ mô hìà̀nh khác nhau: YOLOv5s, YOLOv5m, YOLOv5l, YOLOv5x Đầu tiên làà̀ nhỏ nhấế́t vàà̀... càà̀ng nhiềà̀u vàà̀ đoế́ coế́ mơ hình YOLOv5 cho bàà̀i tốn nhậạ̣n diệạ̣n, cụạ̣ thểể làà̀ ứế́ng dụạ̣ng vàà̀o đềà̀ tàà̀i ? ?Nhận diệỆ̣n động vật? ?? Mục tiêu đề tài Vận dụng được