Để việc training thuật toán của xe có hiệu suất tốt nhất và ổn định, nhóm em đã khởi tạo 2 môi trường khác nhau, một môi trường traning và một môi trường chạy thuật toán, nguyên nhân xuất phát từ việc GPU của các máy có đời và phiên bản khác nhau nên việc thích ứng các phiên bản của thư viện cũng khác nhau.
61
62
63 Thuật toán training được chỉnh sửa bao gồm:
Số lượng thư mục ảnh đầu vào tăng từ 3 ở thuật toán cũ y1 = len(glob.glob(os.path.join("D:\\thuthapanh\\thang1",'*jpg'))) y2 = len(glob.glob(os.path.join("D:\\thuthapanh\\cong1",'*jpg'))) y3 = len(glob.glob(os.path.join("D:\\thuthapanh\\thang2",'*jpg')))
được gia tăng lên 8
y1 = len(glob.glob(os.path.join("D:\\thuthapanh\\t1",'*jpg'))) y2 = len(glob.glob(os.path.join("D:\\thuthapanh\\t2",'*jpg'))) y3 = len(glob.glob(os.path.join("D:\\thuthapanh\\t3",'*jpg'))) y4 = len(glob.glob(os.path.join("D:\\thuthapanh\\t4",'*jpg'))) y5 = len(glob.glob(os.path.join("D:\\thuthapanh\\c1",'*jpg'))) y6 = len(glob.glob(os.path.join("D:\\thuthapanh\\c2",'*jpg'))) y7 = len(glob.glob(os.path.join("D:\\thuthapanh\\c3",'*jpg'))) y8 = len(glob.glob(os.path.join("D:\\thuthapanh\\c4",'*jpg')))
Số lớp quét tăng từ 4 lên 8 number_class = 4 => 8
Số ảnh 1 lần quét giảm từ 500 xuống 300 batchsize = 500 => 300 # số hình 1 lần quét
Ma trận gán cho số lượng hình được tăng từ 3 lên 8 y = np.asarray([0]*y1 + [1]*y2 + [2]*y3 )
tăng lên thành
y = np.asarray([0]*y1+[1]*y2+[2]*y3+[3]*y4+[4]*y5+[5]*y6+[6]*y7+7*[y8])
Việc thay đổi thuật toán này là vì mở rộng phạm vi hoạt động của xe nên việc gia tăng số lượng ảnh đầu vào là điều cần thiết
Đồng thời việc gia tăng số lượng ảnh thì đi kèm theo đó là số lớp quét và ma trận gán cho các mục ảnh cũng được gia tăng theo phù hợp
Tuy nhiên vì số lượng ảnh train được giảm đi so với bản cũ trung bình từ 4000 ~ 5000 còn 800 ~ 1000 ảnh nên số ảnh quét cho 1 lần được giảm xuống còn 300 để tăng độ chính xác, ổn định cho file sau khi train
64
Cài đặt CUDA 10:
Vì thuật toán vẫn sử dụng tensorflow nên việc cần thiết là phải cài đúng CUDA và lib cuDNN, CUDA dùng để tính toán song song còn cuDNN là thư viện hỗ trợ Deeplearning gọi lệnh CUDA, vậy nên khi cài đặt cần cài CUDA trước sau đó tiến hành cài cuDNN sau.
Kiểm tra GPU có thích hợp cài CUDA hay không phải dùng GPUz, CUDA là công nghệ của Nvidia nên các máy tính có card đồ họa AMD/ATI sẽ không chạy được CUDA.
Tiến hành cài đặt CUDA 10.1:
Download CUDA 10 trên web của Nvidia, chọn phiên bản phù hợp với window
Sau khi tải xong tiến hành cài đặt bình thường, sau đó khởi động lại máy tính.
Cài thư viện cuDNN
Đầu tiên đăng ký tài khoản developer, sau khi đăng kí xong tải cuDNN Chọn cuDNN library for windows 10, không nện chọn bản mới hơn 7.6.5
65 Sau khi tải xong, giải nén và copy tất cả các file vào thư mục theo đường dẫn
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1. Sau đó khởi động máy vậy là xong.
66