Sau khi đã có tập huấn luyện mạng đã dán nhãn, cần thay đổi các tham số trong tệp tin custom.data nằm trong thư mục config. Tệp tin này chứa đường dẫn đến tệp tin khai các đường dẫn hình ảnh dữ liệu huấn luyện mạng.
classes = 1
train=data/custom/train.txt valid=data/custom/val.txt names=config/classes.names backup=backup/
SVTH: Nguyễn Nhật Anh Lớp: KTDT & THCN K56
Tại tệp tin classes.names chứa danh sách lớp các đối tượng, mỗi đối tượng nằm lần lượt trên từng dòng, tính bắt đầu từ 0. Trong trường hợp này mạng học sâu YOLOv3 chỉ nhận dạng một đối tượng là người nên trong tệp tin classes.names chứa thông tin như sau:
person
Quan trọng là chỉnh sửa tệp tin cấu hình mạng của mạng học sâu YOLOv3 để phù hợp với nhiệm vụ nhận dạng mới. Chỉnh sửa lại tham số classes và filter của bản đồ đặc tính trừu tượng ngay trước các khối nhận dạng. Thay đổi tham số lớp đối tượng tương ứng với số lượng đối tượng cần nhận dạng classes = 1. Theo tài liệu [16] tham số filters được tính theo công thức sau:
𝑓𝑖𝑙𝑡𝑒𝑟𝑠 = (𝑐𝑙𝑎𝑠𝑠𝑒𝑠 + 5) × 3 (15) Thay vì phải mất rất nhiều thời gian để huấn luyện mạng học sâu từ ban đầu và tránh hiện tượng overfit xảy ra do khối lượng dữ liệu ảnh dùng để huấn luyện mạng thu thập được khá ít, chỉ có 1815 ảnh. Vậy nên ta cần đổi sang chiến lược tối ưu hơn, ta sử dụng phương pháp “học chuyển giao”, đây là phương pháp huấn luyện tốt nhất vừa tiết kiệm được chi phí huấn luyện luyện mạng học sâu, vừa có được kết quả nhanh chóng, vì bởi thay vì ta cho mạng học sâu học mới từ đầu thì ta sẽ cho mạng học sâu đã được học tập huấn luyện mạng COCO chỉ học thêm dữ liệu huấn luyện của ta.
Phương thức học chuyển giao là phương thức đóng băng phần đầu của mạng học sâu để không ảnh hưởng đến phần mà nó đã học được từ tập huấn luyện COCO, sau đó ta chỉ lấy phần mạng yolo ở cuối cùng để học, thì khi đó chi phí học của ta được giảm đi đáng kể. Hơn nữa các trọng số của 79 lớp các đối tượng còn lại không phải là lớp “person” sẽ được tối giản đi. Do cấu hình GPU của máy tính cá nhân của em không đủ dung lượng để huấn luyện mạng học sâu này nên em đã thuê máy chủ trên vast.ai với cấu hình như trong hình 2.14 để thực hiện học chuyển giao mạng học sâu YOLOv3-spp này. Với giá tiền thuê là 0,109 đô- la cho mỗi giờ sử dụng.
SVTH: Nguyễn Nhật Anh Lớp: KTDT & THCN K56
HÌNH 2.15. Máy chủ linux của VastAI.
(a)
(b)
HÌNH 2.16. Hình ảnh quá trình huấn luyện mạng yolo.
Kết quả học chuyển giao mạng học sâu YOLOv3-spp thu được sau 300 batch dữ liệu trong thời gian là 4 tiếng 26 phút 58 giây, với tổng chi phí em chi trả là khoảng 5 đô-la. Hình ảnh 2.16 dưới đây là kết quả tổng quan, do ta chi có một lớp nên classification và val_classification không xuất hiện kết quả trong hình.
SVTH: Nguyễn Nhật Anh Lớp: KTDT & THCN K56
HÌNH 2.17. Kết quả học chuyển giao.
HÌNH 2.18. Kết quả chạy nhận diện người trên tập huấn luyện.
Theo như trên hình 2.17, các hình 2.19, 2.20, 2.21 là biểu đồ hiển thị chi tiết, ta có thể thấy được kết quả nhận dạng của mạng học sâu đã được cải thiện trong việc nhận dạng các đối tượng người từ góc nhìn trên cao ở chỉ số độ chính xác
SVTH: Nguyễn Nhật Anh Lớp: KTDT & THCN K56
precision, recall và độ chính xác trung bình mAP cũng được cải thiện hơn 0,6. Trên hình 2.17 cho thấy kết quả dự đoán trên tập dữ liệu ảnh xác nhận (validate).
HÌNH 2.19. Thông số Recall học chuyển giao.
HÌNH 2.20. Thông số độ chính xác trung bình học chuyển giao.
HÌNH 2.21. Thông số độ chính xác tuyệt đối.
Hai hình đồ thị hình 2.18 và hình 2.19 đều cho thấy kết quả của học chuyển giao được cải thiện đáng kể bắt đầu từ epoch 250, độ chính xác bắt đầu tăng rất nhanh, nhưng đây không phải bị overfitting. Vì nếu bị overfitting thì giá trị recall sẽ không tăng như vậy, và khi chạy kiểm tra xác nhận (trong hình 2.15b) độ chính xác mAP vẫn cho ra độ chính xác tương đương vậy.
SVTH: Nguyễn Nhật Anh Lớp: KTDT & THCN K56
CHƯƠNG 3: HỆ THỐNG TÌM KIẾM NGƯỜI SỬ DỤNG
THIẾT BỊ BAY KHÔNG NGƯỜI LÁI VÀ KẾT QUẢ BAY THỬ NGHIỆM