5. Cấu trúc của luận văn:
3.6. Thử nghiệm nhận dạng ảnh
Với một mô hình đã đƣợc đào tạo, chúng ta có thể dùng nó để đƣa ra dự đoán với một số ảnh trong thực tế đƣợc chụp từ điện thoại ho c máy ảnh.
Đầu tiên, ta load lại mô hình đã thu đƣợc trong quá trình đào tạo. Sau đó, đƣa vào một ảnh để kiểm tra nó thuộc lớp nào trong 10 lớp sau: “máy bay, ô tô, chim, mèo, hƣơu, chó, ếch, ngựa, tàu thủy, xe tải”. Ta thu đƣợc kết quả nhƣ sau:
Bộ hình ảnh kiểm tra nằm trong test batch của Cifar-10 mà lúc huấn luyện máy chƣa từng nhìn thấy để thử nghiệm. Sau khi kết xuất 30 ảnh đầu tiên trong bộ test batch, kết quả thu đƣợc nhƣ hình 3.5 (dự đoán đúng 24 hình và sai 6 hình)
Hình 3. 7. Một số hình minh họa kết quả việc phân loại ảnh trên bộ batch của Cifar-10
Tiếp theo, tôi thử nghiệm trên một số hình ảnh chụp từ điện thoại và máy chụp ảnh khi load vào mô hình. Kết quả thu đƣợc nhƣ hình 3.6. M c dù tỉ lệ đúng chƣa cao. Tuy nhiên, thử nghiệm cho một số ảnh có nền phức tạp ho c nhiều đối tƣợng thì chƣơng trình vẫn cho kết quả đúng nhƣ hình có 2 ho c 3 con mèo vẫn cho đƣợc kết quả đúng
Hình 3. 8. Một số hình minh họa kết quả việc phân loại của ảnh load lên từ điện thoại
3.7. Kết luận chƣơng 3
Khi áp dụng mạng neural tích chập vào bài toán phân loại ảnh trong thực tế, hệ thống đã hoạt động ổn định và tỉ lệ sai số ở ngƣỡng thấp có thể chấp nhận đƣợc. Về cơ bản, nội dung đã thể hiện đƣợc từng bƣớc để có thể giải quyết một bài toán phân loại ảnh trong thực tế. Từ việc phân tích yêu cầu bài toán đến quy trình xử lý và chƣơng trình thử nghiệm cùng với kết quả.
KẾT LUẬN