bài báo cáo này trình bày về việc xây dựng và huấn luyện một mạng nơ ron tích chập cnn để phân loại 5 loại hoa hoa cúc bồ công anh hoa hồng hoa hướng dương và tulip

Mô hình được huấn luyện trên tập dữ liệu gồm 150 ảnh mỗi loại, với các kỹ thuật tăng cường dữ liệu.. Kỹ thuật tăng cường dữ liệu được sử dụng để tăng kích thước tập dữ liệu và cải thiện

Trang 1

BỘ GIÁO DỤC & ĐÀO TẠO TRƯỜNG ĐẠI HỌC KINH TẾ TP.HCM

Viện 3I

 BÁO CÁO MÔN HỌC: TRÍ TUỆ NHÂN TẠO

Giảng viên hướng dẫn: PGSTS - Nguyễn Trường Thịnh

Sinh viên thực hiện: Đinh Văn Quảng Lớp: RA0001

MSSV:31231027412

TP.HCM, ngày 12 tháng 04 năm 2024

Trang 2

Tóm tắt:

Bài báo cáo này trình bày về việc xây dựng và huấn luyện một mạng nơ-ron tích chập (CNN) để phân loại 5 loại hoa: hoa cúc, bồ công anh, hoa hồng, hoa hướng dương và tulip Mô hình được huấn luyện trên tập dữ liệu gồm 150 ảnh mỗi loại, với các kỹ thuật tăng cường dữ liệu Sau khi huấn luyện, mô hình đạt độ chính xác 95% trên tập

dữ liệu xác thực.

Mô hình:

Mô hình CNN được sử dụng trong bài báo cáo này có kiến trúc sau:

Lớp 1: Tích chập với 32 bộ lọc kích thước 3x3, kích hoạt ReLU.

Lớp 2: Max pooling 2x2.

Lớp 3: Dropout 0.2.

Lớp 7: Làm phẳng.

Lớp 8: Mật độ 224, kích hoạt ReLU.

Lớp 9: Mật độ 5, kích hoạt softmax.

Huấn luyện:

Mô hình được huấn luyện trên tập dữ liệu gồm 150 ảnh mỗi loại hoa, chia thành 80% huấn luyện và 20% xác thực Kỹ thuật tăng cường dữ liệu được sử dụng để tăng kích thước tập dữ liệu và cải thiện khả năng khái quát của mô hình Các kỹ thuật tăng cường dữ liệu bao gồm:

Xoay ảnh ngẫu nhiên trong khoảng ±20 độ.

Cắt xéo ảnh theo tỷ lệ ngẫu nhiên trong khoảng ±0.2.

Phóng to hoặc thu nhỏ ảnh ngẫu nhiên trong khoảng ±0.2.

Lật ảnh theo chiều ngang với xác suất 50%.

Dịch chuyển kích thước ảnh gốc theo chiều ngang và dọc trong khoảng ±0.1 lần.

Mô hình được huấn luyện trong 15 epochs với optimizer Adam và loss function categorical crossentropy.

Kết quả:

Sau khi huấn luyện, mô hình đạt độ chính xác khoảng 60% trên tập dữ liệu xác thực

Mô hình có thể phân loại chính xác các loại hoa trong các điều kiện ánh sáng và góc chụp khác nhau.

Kết luận:

Mô hình CNN được trình bày trong bài báo cáo này có thể phân loại 5 loại hoa với độ chính xác không cao lắm Mô hình có thể được sử dụng để phân loại những hình ảnh đơn giản nổi bật dễ nhận dạng của các loài hoa.

Phần code:

import tensorflow as tf

from tensorflow.keras.preprocessing.image import ImageDataGenerator

from tensorflow.keras.models import Sequential

from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense, Dropout

from tensorflow.keras.optimizers import Adam

# Tăng cường dữ liệu

train_datagen = ImageDataGenerator(

rescale=1./255, # Chuẩn hóa pixel của ảnh để có giá trị trong

khoảng [0, 1]

rotation_range=20, # Xoay ảnh ngẫu nhiên trong khoảng ±20 độ

shear_range=0.2, # Cắt xéo ảnh theo tỷ lệ ngẫu nhiên trong khoảng

±0.2

zoom_range=0.2, # Phóng to hoặc thu nhỏ ảnh ngẫu nhiên trong khoảng

±0.2

Trang 3

horizontal_flip=True, # Lật ảnh theo chiều ngang với xác suất 50%

width_shift_range=0.1, # Dịch chuyển kích thước ảnh gốc theo chiều ngang trong khoảng ±0.1 lần

height_shift_range=0.1) # Dịch chuyển kích thước ảnh gốc theo chiều dọc trong khoảng ±0.1 lần

test_datagen = ImageDataGenerator(rescale=1./255)

# Tạo trình tạo dữ liệu huấn luyện và xác thực

train_generator = train_datagen.flow_from_directory(

'/content/drive/MyDrive/5loaihoa-train',

target_size=(224, 224),

batch_size=32,

class_mode='categorical',)

validation_generator = test_datagen.flow_from_directory(

'/content/drive/MyDrive/5loaihoa-test',

batch_size=32,

# Kiến trúc mạng được cải thiện

model = Sequential()

model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(224, 224,

3)))

model.add(MaxPooling2D((2, 2)))

model.add(Dropout(0.2))

model.add(Conv2D(64, (3, 3), activation='relu'))

model.add(Flatten())

model.add(Dense(224, activation='relu'))

model.add(Dense(5, activation='softmax'))

# Huấn luyện mô hình

model.compile(loss='categorical_crossentropy', optimizer=Adam(),

metrics=['accuracy'])

model.fit_generator(train_generator,

epochs=15,

validation_data=validation_generator,)

# Lưu mô hình

model.save('nhandang5loaihoa.h5')

Kết quả huấn luyện:

Epoch 1/15

24/24 [==============================] - 107s 4s/step - loss: 4.4846 - accuracy: 0.2213 - val_loss: 1.6082 - val_accuracy: 0.2333

Epoch 2/15

Epoch 3/15

Epoch 4/15

Trang 4

Epoch 5/15

Epoch 6/15

Epoch 7/15

Epoch 8/15

Epoch 9/15

Epoch 10/15

Epoch 11/15

Epoch 12/15

Epoch 13/15

Epoch 14/15

Epoch 15/15

Kết quả test:

Trang 5

Tóm tắt:

Bài báo cáo này trình bày về việc xây dựng và huấn luyện một mạng nơ-ron tích chập (CNN) để phân loại 5 món ăn: bún bò, xôi, bánh xeo, bánh lọc và bánh mì Mô hình được huấn luyện trên tập dữ liệu gồm 70 ảnh mỗi loại, với các kỹ thuật tăng cường dữ liệu Sau khi huấn luyện, mô hình đạt độ chính xác khoảng 50% trên tập dữ liệu xác thực.

Mô hình:

Mô hình CNN được sử dụng trong bài báo cáo này có kiến trúc sau:

Lớp 7: Làm phẳng.

Lớp 8: Mật độ 224, kích hoạt ReLU.

Lớp 9: Mật độ 5, kích hoạt softmax.

Huấn luyện:

Mô hình được huấn luyện trên tập dữ liệu gồm 70 ảnh mỗi món ăn, chia thành 50 ảnh

để huấn luyện và 20 ảnh xác thực Kỹ thuật tăng cường dữ liệu được sử dụng để tăng kích thước tập dữ liệu và cải thiện khả năng khái quát của mô hình Các kỹ thuật tăng cường dữ liệu bao gồm:

Xoay ảnh ngẫu nhiên trong khoảng ±20 độ.

Cắt xéo ảnh theo tỷ lệ ngẫu nhiên trong khoảng ±0.2.

Phóng to hoặc thu nhỏ ảnh ngẫu nhiên trong khoảng ±0.2.

Lật ảnh theo chiều ngang với xác suất 50%.

Dịch chuyển kích thước ảnh gốc theo chiều ngang và dọc trong khoảng ±0.1 lần.

Kết quả:

Mô hình có thể phân loại chính xác các món ăn trong các điều kiện ánh sáng và góc chụp khác nhau.

Kết luận:

Mô hình CNN được trình bày trong bài báo cáo này có thể phân loại 5 món ăn với độ chính xác không cao lắm Mô hình có thể được sử dụng để phân loại những hình ảnh đơn giản nổi bật dễ nhận dạng của các món ăn.

Phần code:

import tensorflow as tf

from tensorflow.keras.preprocessing.image import ImageDataGenerator

from tensorflow.keras.models import Sequential

from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense, Dropout

from tensorflow.keras.optimizers import Adam

# Tăng cường dữ liệu

train_datagen = ImageDataGenerator(

rescale=1./255, # Chuẩn hóa pixel của ảnh để có giá trị trong

khoảng [0, 1]

rotation_range=20, # Xoay ảnh ngẫu nhiên trong khoảng ±20 độ

shear_range=0.2, # Cắt xéo ảnh theo tỷ lệ ngẫu nhiên trong khoảng

±0.2

zoom_range=0.2, # Phóng to hoặc thu nhỏ ảnh ngẫu nhiên trong khoảng

±0.2

Trang 6

horizontal_flip=True, # Lật ảnh theo chiều ngang với xác suất 50%

width_shift_range=0.1, # Dịch chuyển kích thước ảnh gốc theo chiều ngang trong khoảng ±0.1 lần

height_shift_range=0.1) # Dịch chuyển kích thước ảnh gốc theo chiều dọc trong khoảng ±0.1 lần

test_datagen = ImageDataGenerator(rescale=1./255)

# Tạo trình tạo dữ liệu huấn luyện và xác thực

train_generator = train_datagen.flow_from_directory(

'/content/drive/MyDrive/5 món ăn/train',

batch_size=32,

validation_generator = test_datagen.flow_from_directory(

'/content/drive/MyDrive/5 món ăn/test',

batch_size=32,

# Kiến trúc mạng được cải thiện

model = Sequential()

model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(224, 224,

3)))

model.add(Conv2D(64, (3, 3), activation='relu'))

model.add(Flatten())

model.add(Dense(224, activation='relu'))

model.add(Dense(5, activation='softmax'))

# Huấn luyện mô hình

model.compile(loss='categorical_crossentropy', optimizer=Adam(),

metrics=['accuracy'])

model.fit_generator(train_generator,

epochs=30,

validation_data=validation_generator,)

# Lưu mô hình

model.save('nhandang5monan.h5')

Epoch 1/30

Epoch 2/30

Epoch 3/30

Epoch 4/30

Trang 7

Epoch 5/30

Epoch 6/30

Epoch 7/30

Epoch 8/30

Epoch 9/30

Epoch 10/30

Epoch 11/30

Epoch 12/30

Epoch 13/30

Epoch 14/30

Epoch 15/30

Epoch 16/30

Epoch 17/30

Epoch 18/30

Epoch 19/30

Epoch 20/30

Epoch 21/30

Epoch 22/30

Epoch 23/30

Epoch 24/30

Epoch 25/30

Epoch 26/30

Trang 8

Epoch 27/30

Epoch 28/30

Epoch 29/30

Epoch 30/30

Trang 9

Tóm tắt:

Bài báo cáo này trình bày về việc xây dựng và huấn luyện một mạng nơ-ron tích chập (CNN) để phân loại 5 mệnh giá tiền Việt Nam: 5 nghìn đồng, 10 nghìn đồng, 50 nghìn đồng, 100 nghìn đồng và 200 nghìn đồng Mô hình được huấn luyện trên tập dữ liệu gồm 10 ảnh mỗi loại, với các kỹ thuật tăng cường dữ liệu Sau khi huấn luyện, mô hình đạt độ chính xác khoảng 50% trên tập dữ liệu xác thực.

Mô hình: ( Tương tự như trên )

Huấn luyện:

Kết quả:

Kết luận:

Mô hình CNN được trình bày trong bài báo cáo này có thể phân loại 5 mệnh giá tiền với độ chính xác khá thấp

Phần code: ( Tương tự như trên )

Epoch 1/15

Epoch 2/15

Epoch 3/15

Epoch 4/15

Epoch 5/15

Epoch 6/15

Epoch 7/15

Epoch 8/15

Epoch 9/15

Epoch 10/15

Epoch 11/15

Epoch 12/15

Epoch 13/15

Epoch 14/15

Epoch 15/15

Trang 10

Tiêu đề	Xây dựng và huấn luyện một mạng nơ-ron tích chập (CNN) để phân loại 5 loại hoa: hoa cúc, bồ công anh, hoa hồng, hoa hướng dương và tulip
Tác giả	Đinh Văn Quảng
Người hướng dẫn	PGSTS - Nguyễn Trường Thịnh
Trường học	Trường Đại Học Kinh Tế Tp.HCM
Chuyên ngành	Trí Tuệ Nhân Tạo
Thể loại	Báo cáo
Năm xuất bản	2024
Thành phố	Tp.HCM

Định dạng
Số trang	10
Dung lượng	6,6 MB