Đang tải... (xem toàn văn)
Bằng cách sử dụng webcam hoặc microphone, người dùng có thể thiết dạy cho phần mềm máy học này nhận diện các đối tượng, âm thanh, hình ảnh hoặc hành động cụ thể và sau đó sử dụng mô hình
Trang 1VIET NAM NATIONAL UNIVERSITY OF HO CHI MINH CITY UNIVERSITY OF ECONOMICS AND LAW 2 Bùi Xuân Mai K224060796 3 Nguyễn Thảo Hương K224050650 4 Nguyễn Đặng Phương Nhi K224060805 5 Trần Thị Bích Hợp K224060786
Trang 2I TỔNG QUAN 1
1 Google teachable Machine 1
2 Các bước hoạt động của Teachable Machine 1
Trang 3I.TỔNG QUAN
1 Google teachable Machine
Teachable Machine là một phần mềm miễn phí được google cung cấp với đường link truy cập sau: https://teachablemachine.withgoogle.com
Trang web này cho phép người dùng tạo ra các mô hình học máy đơn giản mà không cần phải có kiến thức về lập trình Bằng cách sử dụng webcam hoặc microphone, người dùng có thể thiết dạy cho phần mềm máy học này nhận diện các đối tượng, âm thanh, hình ảnh hoặc hành động cụ thể và sau đó sử dụng mô hình học máy này để phân loại các đối tượng hoặc hành động tương tự trong tương lai Teachable Machine được sử dụng để tạo ra những ứng dụng thú vị như nhận diện khuôn mặt, giọng nói, phân loại đồ vật…
2 Các bước hoạt động của Teachable Machine
Bước 1: Thu thập dữ liệu
Người dùng sử dụng webcam hoặc microphone để thu thập dữ liệu về các đối tượng, hình ảnh, âm thanh hoặc các hành động cụ thể mà họ muốn phân loại.
Thu thập dữ liệu và nhóm các mẫu dữ liệu thành các lớp hoặc danh mục muốn máy tính học.
Trang 4Đầu tiên, vào link của Teachable Machine, chọn Get Started, sau đó chọn vào một trong ba dự án để tạo dự án mới.
Tiến hành đặt tên các lớp và danh mục:
Sau đó nhập dữ liệu đầu vào tại phần đầu tiên như bảng dưới đây, có 2 cách nhập dữ liệu Cách 1 chọn webcam để chụp hình trực tiếp trên máy.Cách 2 là bấm chọn upload, chọn “Choose image from your file or drag and drop here” để tải hình ảnh từ máy tính hay chọn “ import image from google drive” để nhập hình ảnh từ google drive.
Too long to read onyour phone? Save
to read later on your computer
Save to a Studylist
Trang 5Bước 2: Dạy cho phần mềm
Sau khi thu thập dữ liệu, người dùng sử dụng Teachable Machine để dạy cho phần mềm nhận diện các đối tượng, hình ảnh, âm thanh hoặc các hành động cụ thể, kiểm tra xem mô hình học máy này có nhận diện, phân loại chính xác các mẫu dữ liệu đầu vào hay không
Bấm vào nút Train Model để dạy cho máy tính xử lý dữ liệu Khi bấm vào nút Train Model, ta được hình ảnh như trên.
Trang 6Sau khi training xong, màn hình hiển thị mục preview như trên ảnh.
Bước 3: Xuất mô hình
Sau khi đã dạy cho phần mềm, người dùng có thể sử dụng mô hình học máy để phân loại các đối tượng hình ảnh, âm thanh hoặc hành động tương tự sau này Có thể tải xuống hay xuất lưu trữ trên đám mây miễn phí.
Nhấn vào Export Model sẽ ra giao diện như trên, gồm các hình thức xuất file như link, tải xuống máy tính và xuất trên dữ liệu đám mây.
Trang 7Ngoài ra, còn có thể lưu, xuất video thông qua dấu ba gạch “Teachable Machine”, với giao diện như trên màn hình.
1.Image project
1.1 Tính năng
Trang 8Hướng dẫn người dùng mẫu cách phân loại hình ảnh bằng tệp hoặc webcam của họ.
Cho phép người dùng dễ dàng huấn luyện các mô hình học máy cho việc phân loại hình ảnh Với ITM, người dùng có thể tạo ra các mô hình học máy chỉ trong vài phút bằng cách sử dụng các hình ảnh và nhãn tương ứng.
Các ứng dụng của ITM rất đa dạng, từ việc phân loại các loại hoa, động vật, thực phẩm cho đến phát hiện các đối tượng trong các hình ảnh y tế hay công nghiệp Công cụ này sử dụng một kiến trúc mạng neural convolutional (CNN) để học và phân loại hình ảnh, và cho phép người dùng xuất các mô hình đã được huấn luyện dưới dạng mã nguồn mở và tích hợp vào các ứng dụng khác.
1.2 Một số ứng dụng
Có rất nhiều ví dụ về việc sử dụng Image Teachable Machine (ITM) trên Internet, thậm chí Google cũng cung cấp một số ví dụ trên trang web chính thức của ITM Phân loại loại hoa: Người dùng có thể sử dụng ITM để phân loại các loại hoa dựa trên hình ảnh Họ chỉ cần cung cấp một số hình ảnh của các loại hoa khác nhau và đặt nhãn cho chúng, sau đó ITM sẽ học từ các hình ảnh này và phân loại các loại hoa mới dựa trên những gì nó đã học được.
Phát hiện các vật thể trong hình ảnh y tế: ITM có thể được sử dụng để phát hiện các vật thể trong các hình ảnh y tế, như phát hiện ung thư da hoặc phát hiện các bệnh lý trong hình ảnh siêu âm.
Phân loại các loại thực phẩm: Người dùng có thể sử dụng ITM để phân loại các loại thực phẩm dựa trên hình ảnh Ví dụ, ITM có thể phân loại các loại rau củ quả hoặc thực phẩm chứa chất béo cao.
Phát hiện các đối tượng trong hình ảnh công nghiệp: ITM có thể được sử dụng để phát hiện các đối tượng trong các hình ảnh công nghiệp, chẳng hạn như phát hiện các sản phẩm lỗi hoặc phát hiện các cấu trúc được lắp ráp không đúng cách.
Ngoài ra, ITM còn có thể được sử dụng để tạo ra các ứng dụng thú vị như phát hiện khuôn mặt và tự động thay đổi nền, hoặc phân loại các con vật trong hình ảnh động vật hoang dã.
Trang 91.3 Tạo mô hình phân loại hình ảnh cơ bản
Trên trang Train, chọn dự án hình ảnh mà bạn đang xử lý phân loại hình ảnh.
Giao diện tiếp theo rất trực quan Bạn có tối thiểu hai lớp để bạn có thể bật webcam và ghi lại hình ảnh của các mục bạn muốn phân loại hoặc tải lên hình ảnh.
Mỗi class phải được dán nhãn chính xác trong phần giữ chỗ của lớp Trong một
số trường hợp, có thể có nhiều hơn hai lớp Để thêm nhiều hơn, bấm vào nút
Add a class.
Ví dụ, trong kịch bản nông dân trồng ngô, bạn sẽ có bốn lớp: Lớp khỏe mạnh, lớp bệnh cháy lá phía bắc, lớp gỉ sắt thông thường và lớp đốm lá xám.
Máy học cũng tốt như dữ liệu đầu vào Vì lý do này, hãy tải lên càng nhiều hình ảnh cho mỗi lớp càng tốt từ thư mục train/ của bộ dữ liệu bệnh cây trồng Hãy chắc chắn rằng các hình ảnh và tên lớp tương ứng và chính xác.
Sau khi tải lên hình ảnh đào tạo và chú thích tên lớp, hãy nhấp vào nút train model và chờ kết quả Bạn có thể mở tab Advanced và điều chỉnh các tham số như learningrate theo ý thích của mình và đánh giá xem điều này có cải thiện hiệu suất của mô
hình hay không.
Cuối cùng, xem trước mô hình của bạn bằng cách nhấp vào nút Preview và tải lên hình ảnh thử nghiệm để xác nhận xem mô hình có hoạt động như mong đợi hay không.
Trang 10Để sử dụng mô hình trong ứng dụng của mình, bạn có thể tải lên và lưu trữ trực tuyến hoặc tải xuống các trọng số của mô hình Đối với hướng dẫn này, hãy tải xuống tệp trọng lượng mô hình.
2 Audio project
2.1 Tính năng
Cho phép người dùng huấn luyện mô hình trí tuệ nhân tạo để phân loại âm thanh dựa trên các tập dữ liệu âm thanh được cung cấp bởi người dùng Nó giúp người dùng tạo ra các mô hình phân loại âm thanh một cách nhanh chóng và dễ dàng, mà không cần có kiến thức về lập trình hoặc trí tuệ nhân tạo.
Trang 11Với Audio Teachable Machine, người dùng có thể tạo ra các mô hình phân loại âm thanh đơn giản bằng cách tải lên các tệp âm thanh và đặt nhãn cho chúng Sau đó, họ có thể huấn luyện mô hình và kiểm tra nó trên các tệp âm thanh mới Ngoài ra, Audio Teachable Machine còn cung cấp các tính năng như xử lý tín hiệu âm thanh, tải lên các tệp âm thanh từ máy tính hoặc từ thiết bị ghi âm và thực hiện phân loại trực tiếp trên trình duyệt.
Audio Teachable Machine là một công cụ hữu ích cho các nhà nghiên cứu, giáo viên, học sinh và những người quan tâm đến trí tuệ nhân tạo và phân loại âm thanh Nó cũng có nhiều ứng dụng trong các lĩnh vực như xử lý tín hiệu âm thanh, điều khiển giọng nói, phát hiện âm thanh và nhiều ứng dụng khác liên quan đến âm thanh.
2.2 Một số ứng dụng
Phát hiện giọng nói: Audio Teachable Machine có thể được sử dụng để phát hiện giọng nói và phân loại các giọng nói khác nhau, từ đó giúp cải thiện chất lượng của các hệ thống nhận dạng giọng nói.
Phát hiện âm thanh: Audio Teachable Machine có thể được sử dụng để phát hiện các âm thanh như tiếng ồn, tiếng động của máy móc, tiếng la hét, và các âm thanh khác trong môi trường công nghiệp hoặc trong các ứng dụng an ninh.
Phân tích ngữ điệu: Audio Teachable Machine có thể được sử dụng để phân tích ngữ điệu và cảm xúc trong giọng nói của con người, từ đó giúp cải thiện chất lượng của các hệ thống nhận dạng giọng nói và phát hiện gian lận.
Xử lý tín hiệu âm thanh: Audio Teachable Machine có thể được sử dụng để xử lý tín hiệu âm thanh, bao gồm cải thiện chất lượng âm thanh, giảm tiếng ồn và tiếng vang, và tách các âm thanh khác nhau trong một tập dữ liệu.
Điều khiển giọng nói: Audio Teachable Machine có thể được sử dụng để điều khiển các thiết bị bằng giọng nói, chẳng hạn như điều khiển đèn, máy tính hoặc các thiết bị khác trong nhà thông minh.
2.3 Cách tạo mô hình
Tương tự như Image Project
1 Sau khi đã truy cập trang web Teachable Machine
Trang 122 Tạo một dự án âm thanh
3 Ghi lại một số đoạn âm thanh cho từng danh mục mà bạn muốn nhận dạng Bạn chỉ cần 8 giây âm thanh cho mỗi danh mục.
4 Bắt đầu đào tạo Sau khi hoàn tất, bạn có thể kiểm tra mô hình của mình trên nguồn cấp dữ liệu âm thanh trực tiếp.
5 Xuất mô hình ở định dạng TFLite.
3 Pose project
3.1 Tính năng
Trang 13Pose Teachable Machine là một công cụ miễn phí của Google, cho phép người dùng huấn luyện mô hình trí tuệ nhân tạo để phân loại vị trí của các bộ phận cơ thể dựa trên các tập dữ liệu hình ảnh được cung cấp bởi người dùng Nó giúp người dùng tạo ra các mô hình phân loại vị trí cơ thể một cách nhanh chóng và dễ dàng, mà không cần có kiến thức về lập trình hoặc trí tuệ nhân tạo.
Với Pose Teachable Machine, người dùng có thể tạo ra các mô hình phân loại vị trí cơ thể đơn giản bằng cách tải lên các hình ảnh và đặt nhãn cho các bộ phận cơ thể (ví dụ: tay, chân, đầu, ) trên các hình ảnh đó Sau đó, họ có thể huấn luyện mô hình và kiểm tra nó trên các hình ảnh mới Ngoài ra, Pose Teachable Machine còn cung cấp các tính năng như xử lý hình ảnh, tải lên các tệp hình ảnh từ máy tính hoặc từ camera và thực hiện phân loại trực tiếp trên trình duyệt.
Pose Teachable Machine là một công cụ hữu ích cho các nhà nghiên cứu, giáo viên, học sinh và những người quan tâm đến trí tuệ nhân tạo và phân loại vị trí cơ thể Nó cũng có nhiều ứng dụng trong các lĩnh vực như y tế, thể dục thể thao, và nhà thông minh.
3.2 Một số ứng dụng
Thể thao và giải trí: Pose Teachable Machine có thể được sử dụng để giúp tập luyện viên đánh giá và cải thiện kỹ năng và chuyển động của người chơi, từ đó giúp tăng cường hiệu suất và tránh các chấn thương Nó cũng có thể được sử dụng để phát hiện và phân loại các hình ảnh liên quan đến thể thao và giải trí, chẳng hạn như các tư thế yoga hoặc các động tác khiêu vũ.
Nhà thông minh: Pose Teachable Machine có thể được sử dụng để điều khiển các thiết bị trong nhà thông minh bằng cách phân loại các tư thế và chuyển động của người sử dụng, chẳng hạn như bật tắt đèn, điều khiển máy lạnh, hoặc mở cửa.
Công nghiệp: Pose Teachable Machine có thể được sử dụng trong các ứng dụng công nghiệp, chẳng hạn như kiểm tra và đánh giá các công nhân trong quá trình sản xuất để đảm bảo an toàn và hiệu quả.
Robotics: Pose Teachable Machine có thể được sử dụng để huấn luyện robot cảm biến chuyển động và phản ứng với các hành động của con người, từ đó giúp cải thiện hiệu suất của robot.
Trang 14Điều khiển trong game: Pose Teachable Machine có thể được sử dụng để điều khiển các game bằng cách phân loại các tư thế và chuyển động của người chơi, chẳng hạn như các game tay không hoặc các game thể thao.
3.3 Cách tạo mô hình
Nhìn chung cách tạo mô hình này tương tự như Image và Audio, cũng bao gồm các bước cơ bản sau:
1 Chuẩn bị dữ liệu: Bạn cần tìm kiếm và thu thập các hình ảnh của bộ phận cơ thể mà bạn muốn phân loại
2 Tải lên dữ liệu vào Pose Teachable Machine: Sau khi chuẩn bị dữ liệu, bạn cần tải chúng lên Pose Teachable Machine Bạn có thể tải lên từ 2 đến 4 loại hình ảnh khác nhau để mô hình của bạn có thể học được nhiều hơn về các tư thế và chuyển động của bộ phận cơ thể.
3 Đặt nhãn và huấn luyện: Bạn cần đặt nhãn cho các hình ảnh của mình, nghĩa là chỉ định loại bộ phận cơ thể mà mỗi hình ảnh đại diện cho Sau đó, bạn có thể huấn luyện mô hình của mình bằng cách sử dụng các hình ảnh này.
4 Kiểm tra và điều chỉnh: Sau khi huấn luyện xong, bạn có thể kiểm tra mô hình của mình bằng cách sử dụng các hình ảnh mới Nếu kết quả không tốt, bạn có thể quay lại bước huấn luyện và sửa đổi dữ liệu của mình để cải thiện kết quả.
5 Triển khai và sử dụng: Khi mô hình của bạn đã hoạt động tốt, bạn có thể triển khai nó để sử dụng trong các ứng dụng thực tế, chẳng hạn như trong các ứng dụng y tế, thể thao, giải trí hoặc nhà thông minh.
Trang 15III DỰ ÁN THỰC HIỆN CHI TIẾT
Nhóm sử dụng Image Teachable Machine để xây dựng án nhận diện vật thể một cách dễ dàng thông qua Machine Learning mà không cần CODE.
Nhóm triển khai Dự án nhận diện hoa râm bụt và hoa hồng thông qua Image Project và
nội dung cụ thể được thể hiện trong video đính kèm.