BÁO cáo TIỂU LUẬN đề tài NHÂN DIÊ ̣ n đô ̣ NG vâ ̣ t BẰNG ̣ YOLOv5

TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP HỒ CHÍ MINH KHOA ĐIỆN ĐIỆN TỬ BỘ MÔN KỸ THUẬT MÁY TÍNH - VIỄN THƠNG BÁO CÁO TIỂU LUẬN ĐỀ TÀI NHẬN DIỆN ĐỘNG VẬT BẰNG YOLOv5 NGÀNH CÔNG NGHỆ KỸ THUẬT ĐIỆN TỬ - VIỄN THÔNG Sinh viên: TRƯƠNG THANH SANG MSSV: 18161265 PHAN HỮU PHÚC MSSV: 18161262 Hướng dẫn: PGS.TS TRƯƠNG NGỌC SƠN TP HỒ CHÍ MINH – 06/2021 TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP HỒ CHÍ MINH KHOA ĐIỆN ĐIỆN TỬ BỘ MƠN KỸ THUẬT MÁY TÍNH - VIỄN THƠNG BÁO CÁO TIỂU LUẬN ĐỀ TÀI NHẬN DIỆN ĐỘNG VẬT BẰNG YOLOv5 NGÀNH CÔNG NGHỆ KỸ THUẬT ĐIỆN TỬ - VIỄN THÔNG Sinh viên: TRƯƠNG THANH SANG MSSV: 18161265 PHAN HỮU PHÚC MSSV: 18161262 Hướng dẫn: PGS.TS TRƯƠNG NGỌC SƠN TP HỒ CHÍ MINH – 06/2021 BẢNG NHẬN XÉT CỦA GIÁO VIÊN HƯỚNG DẪN STT NỘI DUNG THỰC HIÊN ̣ NHẬN XÉT Nhận xét tổng quát: ……………………………………………………………………………………………………… ……………………………………………………………………………………………………… ……………………………………………………………………………………… MỤC LỤC DANH MỤC HÌNH ẢNH .6 DANH MỤC BẢNG .7 CHƯƠNG 1: TỔNG QUAN 1.1 Giới thiê ̣u .7 1.2 Mục tiêu đề tài .7 1.3 Giới hạn đề tài 1.4 Phương pháp nghiên cứu .8 1.5 Đối tượng và phạm vi nghiên cứu .8 1.6 Bố cục quyển báo cáo 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 đô ̣ng của mạng YOLO 11 2.2 Output của YOLO 12 2.2.1 Dự báo nhiều feature map 13 2.2.2 Anchor box 15 2.2.3 Hàm mất mát ( Loss Function) 16 2.2.3.1 Classification Loss .17 2.2.3.2 Localization Loss 18 2.2.3.3 Confidence Loss 18 2.3 Dự báo bounding box 19 2.3.1 Non-max suppression 20 2.4 Thuâ ̣t toán sử dụng YOLOv5 21 2.4.1 Phân loại YOLOv5 .21 2.5 Cấu trúc của YOLOv5 viê ̣c nhâ ̣n diê ̣n vâ ̣t thể (Object Detection) 23 2.6 Những cải tiến của YOLOv5 so với các phiên bản trước 24 CHƯƠNG : THIẾT KẾ HÊ ̣ THỐNG .25 3.1 Tâ ̣p dữ liê ̣u chuẩn bị cho quá trình huấn luyê ̣n 25 3.2 Quá trình huấn luyê ̣n 28 3.2.1 Tiến hành huấn luyê ̣n 29 CHƯƠNG 4: KẾT QUẢ .31 4.1 Kết quả quá trình huấn luyê ̣n .31 4.2 Hoạt đô ̣ng của ̣ thống .32 CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 34 5.1 Kết luâ ̣n 34 5.2 Hướng phát triển 34 PHỤ LỤC 35 TÀI LIỆU THAM KHẢO 38 DANH MỤC HÌNH ẢNH Hình 2.1: Kiến trúc mạng YOLO 10 Hình 2.2: Các layer mạng darknet-53 11 Hình 2.3: Cách hoạt đô ̣ng của mạng YOLO 12 Hình 2.4: Kiến trúc mô ̣t 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 định anchor box cho vật thể 15 Hình 2.7: Khi vật thể người xe trùng mid point thuộc cell Thuật toán cần thêm lượt tiebreak để định đâu class cho cell .16 Hình 2.8: Tính toán Loss Function cho object: tam giác và hình thoi .17 Hình 2.9: Công thức ước lượng bounding box từ anchor box .20 Hình 2.10: Non-max suppression Từ bounding box ban đầu bao quanh xe giảm xuống bounding box cuối 20 Hình 2.11: So sánh kích thước lưu trữ Model của các mẫu mã YOLOv5 22 Hình 2.12: So sánh độ trễ trung bình giữa các phiên bản YOLO(v3,v4,v5) .23 Hình 2.13: Cấu trúc nhâ ̣n diê ̣n vâ ̣t thể của YOLOv5 24 Y Hình 3.1: Hình ảnh về Trâu và label của từng hình .25 Hình 3.2: Hình ảnh về Hươu và label của từng hình 26 Hình 3.3: Hình ảnh về Voi và label của từng hình 26 Hình 3.4: Hình ảnh về Hươu cao cổ và label của từng hình 27 Hình 3.5: Sử dụng roboflow.ai để gia tăng tâ ̣p dữ liê ̣u vốn có 27 Hình 3.6: clone Yolov5 và cài đă ̣t các dependencies 28 Hình 3.7: Thêm các hình và label cho quá trình huấn luyê ̣n .28 Hình 3.8: Phân chia hình theo label từng loài 29 Hình 3.9: Quá trình huấn luyê ̣n với 16 lớp và 100 lần 29 Hình 4.1: Kết quả display sau đã train xong 30 DANH MỤC BẢNG Bảng 1: Đánh giá mức độ chính xác của quá trình nhận diê ̣n 32 CHƯƠNG 1: TỔNG QUAN 1.1 Giới thiêụ Ngày nay, trí tuệ nhân tạo-Artificial Intelligence (AI) ngày càng phở biến và góp phần thay đổi sâu sắc nhiều khía cạnh sống ngày Trong thị giác máy tính-Computer Vision (CV) lĩnh vực quan trọng AI bao gồm phương pháp thu nhận, xử lí ảnh kỹ thuật số, phân tích nhận dạng hình ảnh Mạng Nơron học sâu (Deep learning Network) lĩnh vực nghiên cứu thuật tốn, chương trình máy tính để máy tính học tập đưa dự đốn người Nó ứng dụng vào nhiều ứng dụng khác khoa học, kỹ thuật, lĩnh vực đời sống khác ứng dụng phân loại phát đối tượng Một ví dụ điển hình CNN (Convolutional Neural Network) áp dụng để nhận dạng tự động, tìm hiểu mẫu phân biệt từ ảnh cách xếp chồng liên tiếp lớp lên nhiều ứng dụng, CNN coi trình phân loại ảnh mạnh thúc đẩy công nghệ lĩnh vực thị giác máy tính, làm địn bẩy cho q trình học máy Nhưng bên cạnh đó, để phân loại đối tượng cơng nghệ CNN tiêu tốn cực lớn tài nguyên băng thông, nhớ khả xử lý phần cứng Để giảm thiểu tài nguyên tiêu hao này, thuật tốn, mơ hình giải thuật theo thời gian đời ngày nhiều có mơ hình YOLOv5 cho toán nhận diện, cụ thể ứng dụng vào đề tài “Nhận diện động vật” 1.2 Mục tiêu đề tài - Vâ ̣n dụng được những kiến thức bản về huấn luyê ̣n mạng nơ-ron - Xây dựng được mô ̣t mô hình có khả huấn luyê ̣n các tâ ̣p dữ liê ̣u đô ̣ng vâ ̣t khác - Nhâ ̣n diê ̣n được tất cả các loài đô ̣ng vâ ̣t có tâ ̣p dữ liê ̣u 1.3 Giới hạn đề tài - Trong đề tài này nhận diện 10 loài động vật: Trâu, Voi, Tê giác, Ngựa vằn, Nai, Hươu cao cổ, Ngựa đua, Sư tử, Vẹt, Hổ - Tâ ̣p dữ liê ̣u có số lượng ảnh hưởng đến độ xác mộ hình 1.4 Phương pháp nghiên cứu - Dựa các kiến thức đã học về cách huấn luyê ̣n mô ̣t mạng nơ-ron - Thu thập tài liệu, tham khảo ứng dụng liên quan có trước 1.5 Đối tượng và phạm vi nghiên cứu Nhâ ̣n dạng các loài đô ̣ng vâ ̣t hoang dã tự nhiên có tâ ̣p dữ liê ̣u, 10 loài động vật: Trâu, Voi, Tê giác, Ngựa vằn, Nai, Hươu cao cổ, Ngựa đua, Sư tử, Vẹt, Hổ 1.6 Bố cục quyển báo cáo Đề tài có tổng cô ̣ng chương:  Chương - Tổng quan Trong chương tìm hiểu vấn đề hình thành nên đề tài Kèm theo số nội dung giới hạn đề tài mà nhóm thực đề tài đặt  Chương – Cơ sở lý thuyết Giới thiệu kiến thức tảng công nghệ phần mềm sử dụng đề tài bao gồm kiến thức xử lý ảnh, lý thuyết mạng nơ-ron, đă ̣c điểm và cách huấn luyê ̣n mô ̣t tâ ̣p dữ liê ̣u YOLOv5  Chương – Thiết kế ̣ thống Lên kế hoạch sử dụng tập mẫu, diễn giải thơng số mơ hình, trình huấn luyện, trình kiểm tra thiết kế hệ thống nhận diện động nền tảng YOLOv5  Chương – Kết quả Kiểm tra kết quả của quá trình huấn luyê ̣n, kiểm tra mô hình ̣ thống  Chương 5- Kết luâ ̣n và hướng phát triển Trong chương trình bày kết đề tài đạt so với mục tiêu đă ̣t ra, nêu số hướng nghiên cứu phát triển cho đề tài CHƯƠNG 2: CƠ SỞ LÝ THUYẾT Trong vài năm trở lại đây, Object detection đề tài hot deep learning khả ứng dụng cao, liệu dễ chuẩn bị kết ứng dụng nhiều Các thuật tốn Object detection YOLO, SSD có tốc độ nhanh độ xác cao nên giúp cho Object Detection thực tác vụ dường real time, chí nhanh so với người mà độ xác khơng giảm Các mơ hình trở nên nhẹ nên hoạt động thiết bị IoT để tạo nên thiết bị thông minh 2.1 Tổng quan về YOLO YOLO(You only look once) là mơ hình mạng CNN cho việc phát hiện, nhận dạng, phân loại đối tượng. YOLO được tạo từ việc kết hợp convolutional layers connected layers Trong đóp convolutional layers trích xuất feature ảnh, cịn full-connected layers dự đốn xác suất tọa độ đối tượng.[1] YOLO khơng phải thuật tốn tốt thuật tốn nhanh lớp mơ hình object detection Nó đạt tốc độ gần real time mà độ xác khơng giảm so với model thuộc top đầu YOLO thuật tốn object detection nên mục tiêu mơ hình khơng dự báo nhãn cho vật thể tốn classification mà cịn xác định location vật thể Do YOLO phát nhiều vật thể có nhãn khác ảnh thay phân loại nhãn cho ảnh Một ưu điểm mà YOLO đem lại sử dụng thơng tin tồn ảnh lần dự đốn tồn object box chứa đối tượng, mơ hình xây dựng theo kiểu end-to-end nên huấn luyện hoàn toàn gradient descent Tính đến thời điểm hiê ̣n tại YOLO đã có tổng cô ̣ng phiên bản(v1,v2,v3,v4,v5) Trong đó bản v5 là bản mới nhất, khác phục được các nhược điểm của các phiên bản trước như: lỗi việc xác định vị trí vật thể, ràng buộc không gian bounding box, grid cell predict bounding box, 2.1.1 Kiến trúc mạng YOLO Kiến trúc YOLO bao gồm: Base network mạng convolution làm nhiệm vụ trích xuất đặc trưng Phần phía sau Extra Layers áp dụng để phát vật thể feature map base network Base network YOLO sử dụng chủ yếu convolutional layer fully conntected layer Các kiến trúc YOLO đa dạng tùy biến thành version cho nhiều input shape khác nhau.[1] Hình 2.1: Kiến trúc mạng YOLO Thành phần Darknet Architechture gọi base network có tác dụng trích suất đặc trưng Output base network feature map có kích thước 7x7x1024 sử dụng làm input cho Extra layers có tác dụng dự đốn nhãn tọa độ bounding box vật thể Ở phiên bản thứ của YOLO tức là YOLOv3 tác giả áp dụng mạng feature extractor darknet-53 Mạng gồm 53 convolutional layers kết nối liên tiếp, layer theo sau batch normalization activation Leaky Relu Để giảm kích thước output sau convolution layer, tác giả down sample filter với kích thước Mẹo có tác dụng giảm thiểu số lượng tham số cho mơ hình 10 Hình 2.13: Cấu trúc nhận diê ̣n vật thể của YOLOv5 2.6 Những cải tiến của YOLOv5 so với các phiên bản trước YOLOv5 triển khai PyTorch ban đầu nên hưởng lợi từ hệ sinh thái PyTorch thiết lập: hỗ trợ đơn giản triển khai dễ dàng hơn. Hơn nữa, khung nghiên cứu biết đến rộng rãi hơn, việc lặp lại YOLOv5 dễ dàng cho cộng đồng nghiên cứu rộng lớn Điều làm cho việc triển khai đến thiết bị di động đơn giản mơ hình biên dịch sang ONNX CoreML cách dễ dàng.[6] Khả đào tạo khả suy luận nhanh, độ xác cao Cuối YOLOv5 có dung lượng nhỏ. YOLOv5 rất nhỏ Cụ thể, tệp trọng số cho YOLOv5 27 megabyte Trong đó mô ̣t tệp trọng số cho YOLOv4 (với kiến trúc Darknet) 244 megabyte YOLOv5 nhỏ gần 90% so với YOLOv4 Điều có nghĩa YOLOv5 triển khai cho thiết bị nhúng dễ dàng nhiều.[6] 24 CHƯƠNG : THIẾT KẾ HỆ THỐNG 3.1 Tâ ̣p dữ liêụ chuẩn bị cho quá trình huấn luyêṇ Để thực hiê ̣n quá trình gán nhãn và huấn luyê ̣n ta cần chuẩn bị tâ ̣p dữ liê ̣u khoản 3000 ảnh về 10 loài vâ ̣t (Trâu, Voi, Tê giác, Ngựa vằn, Nai, Hươu cao cổ, Ngựa đua, Sư tử, Vẹt, Hổ), với mỗi hình sẽ có file gán nhãn kèm.Dưới số hình ảnh tập liệu Hình 3.1: Hình ảnh về Trâu và label của từng hình 25 Hình 3.2: Hình ảnh về Hươu và label của từng hình Hình 3.3: Hình ảnh về Voi và label của từng hình 26 Hình 3.4: Hình ảnh về Hươu cao cổ và label của từng hình Sử dụng công cụ Flip và Rotate của website app.roboflow.ai để tạo cho mỗi hình thêm hình ở dạng lâ ̣t và xoay trái phải 90 đô ̣, resize và gán nhãn cho những file đó nhằm đa dạng hoá tâ ̣p dữ liê ̣u để giúp cho quá trình huấn luyê ̣n được chính xác Hình 3.5: Sử dụng roboflow.ai để gia tăng tập dữ liê ̣u vốn có 27 3.2 Quá trình huấn luyêṇ Sử dụng nền tảng có sẵn Google Colab kết hợp với models YOLOv5 để tiến hành quá trình huấn luyê ̣n Hình 3.6: clone Yolov5 và cài đặt các dependencies Sau đó ta liên kết link của tâ ̣p dữ liê ̣u đã được ta dùng app.roboflow đã resize, flip,rotate, thêm liệu thủ công vào tab File vào colab để tiến hành huấn luyê ̣n Hình 3.7: Thêm các hình và label cho quá trình huấn luyê ̣n Sau đó phân loại các hình theo label của riêng từng loài theo file data.yaml 28 Hình 3.8: Phân chia hình theo label từng loài Sau tiến hành định nghĩa cấu hình kiến trúc mơ hình theo tập liệu tiến hành huấn luyện bước 3.2.1 Tiến hành huấn luyêṇ Huấn luyê ̣n với 16 lớp và 100 lần Hình 3.9: Quá trình huấn luyê ̣n với 16 lớp và 100 lần Sau quá trình huấn luyê ̣n xong ta tiến hành chạy tiếp code display images sau đã train xog 29 CHƯƠNG 4: KẾT QUẢ 4.1 Kết quả quá trình huấn luyêṇ Hình 4.1: Kết quả display sau đã train xong 30 4.2 Hoạt đô ̣ng của ̣ thống Dưới là mô ̣t số hình ảnh quá trình test sau đã training xong 31 Sau tiến hành kiểm tra, nhóm em đưa được bảng đánh giá mức đô ̣ chính xác: Tên đô ̣ng vâ ̣t Tổng số lần kiểm tra Nhâ ̣n diê ̣n đúng Nhâ ̣n diê ̣n sai Đô ̣ chính xác Trâu 80% Hươu 20% Voi 60% Hươu cao cổ 80% Ngựa đua 80% Sư tử 40% Vẹt 60% Tê giác 60% Hổ 80% Ngựa vằn 80% Bảng 1: Đánh giá mức độ chính xác của quá trình nhận diê ̣n 32 CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 5.1 Kết luâ ̣n - Mô hình đã bản thực hiê ̣n được viê ̣c nhâ ̣n dạng đô ̣ng vâ ̣t dựa vào tâ ̣p dữ liê ̣u huấn luyê ̣n - Đô ̣ chính xác chưa cao vì tâ ̣p dữ liê ̣u còn ít, và đô ̣ đa dạng đô ̣ng vâ ̣t thấp, và còn hạn chế viê ̣c nhâ ̣n diê ̣n nhiều loài cùng mô ̣t lúc 5.2 Hướng phát triển - Cải tiến thêm giải thuật xử lý ảnh để thu nhận hình ảnh chất lượng tốt - Cải tiến giải thuật để ứng dụng phát động vật chưa có đặc tính riêng loài tương đối đa dạng - Đa dạng hóa tập mẫu để ứng dụng nhận dạng đa dạng loài thu kết xác 33 PHỤ LỤC # 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/datas ets # 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 34 # YOLOv5 backbone backbone:   # [from, number, module, args]   [[-1, 1, Focus, [64, 3]],  # 0-P1/2    [-1, 1, Conv, [128, 3, 2]],  # 1-P2/4    [-1, 3, BottleneckCSP, [128]],    [-1, 1, Conv, [256, 3, 2]],  # 3-P3/8    [-1, 9, BottleneckCSP, [256]],    [-1, 1, Conv, [512, 3, 2]],  # 5-P4/16    [-1, 9, BottleneckCSP, [512]],    [-1, 1, Conv, [1024, 3, 2]],  # 7-P5/32    [-1, 1, SPP, [1024, [5, 9, 13]]],    [-1, 3, BottleneckCSP, [1024, False]],  # 9   ] # 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 35 print("GROUND TRUTH TRAINING DATA:") Image(filename='/content/yolov5/runs/train/yolov5s_results/test_batch0_lab els.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.jp g', 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") 36 TÀI LIỆU THAM KHẢO [1] Phạm Đình Khanh, “YOLO-You only look once”, Khoa học dữ liê ̣u-Khanh’s blog [2] Phạm Việt Bình, Đỗ Năng Tồn, “Giáo trình mơn học Xử lý ảnh”, Khoa Công nghệ Thông tin – Đại học Thái Nguyên, 2007 [3] Nguyễn Quang Hoan, “Giáo trình Xử lý ảnh”, Học viện Cơng nghệ Bưu Viễn thơng, 2006 [4] Nguyễn Đình Thúc, “Trí tuệ nhân tạo, mạng NơRon phương pháp ứng dụng”, NXB Giáo Dục 2000 [5] Quốc Phạm,”Tìm hiểu mô hình YOLO cho bài toán Object Detection” [6] Joseph Nelson, Jacob Solawetz, “YOLOv5 is Here:State-of-the-Art Object Detection at 140 FPS” 37 38 ...TRƯ? ?NG ĐẠI HỌC SƯ PHẠM KỸ THU? ?T TP HỒ CHÍ MINH KHOA ĐI? ?N ĐI? ?N T? ?? BỘ M? ?N KỸ THU? ?T MÁY T? ?NH - VI? ?N TH? ?NG BÁO CÁO TIỂU LU? ?N ĐỀ T? ?I NHÂ? ?N DIÊ? ?N ĐÔ? ?NG VÂ? ?T B? ?NG YOLOv5 NG? ?NH C? ?NG NGHỆ KỸ THU? ?T ĐI? ?N. .. cho to? ?n nh? ?n di? ?n, cụ thể ? ?ng d? ?ng vào đề t? ?i “Nh? ?n di? ?n đ? ?ng v? ?t? ?? 1.2 Mục tiêu đề tài - Vâ ? ?n du? ?ng được như? ?ng kiê? ?n thức ba? ?n về huâ? ?n luyê ? ?n ma? ?ng n? ?-ron - Xây dư? ?ng được mô ? ?t mô... t? ?? ?ng cô ? ?ng chư? ?ng:  Chư? ?ng - T? ?? ?ng quan Trong chư? ?ng t? ?m hiểu v? ?n đề hình thành n? ?n đề t? ?i Kèm theo số n? ??i dung giới h? ?n đề t? ?i mà nhóm thực đề t? ?i đ? ?t  Chư? ?ng – Cơ sở lý thuyê? ?t Giới thiệu