Chương 4 THỰC NGHIỆM VÀ ĐÁNH GIÁ
4.2. Mô tả thực nghiệm
4.2.1.Mơ tả quy trình thực nghiệm
Bài tốn “Phát hiện đối tượng trong không ảnh chứa sương mờ” được thực hiện theo quá trình sau:
Hình 4.3: Luồng xử lý quá trình cài đặt, chạy thực nghiệm của bài toán. Đầu tiên, ta sẽ có đầu vào là bộ dữ liệu UIT-Drone21 với tập tin nhãn đã được chia thành các tập dữ liệu tương ứng. Sau đó, bộ dữ liệu này sẽ được thêm sương mờ thông qua hàm Fog Augumentation được lấy từ thư viện imgaug
Sau đó, bộ dữ liệu sẽ được đưa vào các mơ hình để huấn luyện. Với các mơ hình được lựa chọn để thực nghiệm (Guided Anchoring, Double-Head, Cascade R- CNN), mơ hình sẽ đánh giá sau mỗi epochs. Epoch có kết quả 𝑚𝐴𝑃 cao nhất sẽ được lưu lại xuyên suốt quá trình huấn luyện.
Sau khi quá trình huấn luyện kết thúc, ta sử dụng epoch có giá trị 𝑚𝐴𝑃 cao nhất đã được lưu để tiến hành quá trình kiểm thử trên tập dữ liệu kiểm thử (test) đo bằng các độ đo AP, IoU… Đầu ra cho mơ hình là ảnh có chứa Bounding box (vị trí của các lớp đối tượng) và Label (nhãn tương ứng của các đối tượng).
4.2.2.Cấu hình thực nghiệm
Tồn bộ quá trình thực nghiệm được thực hiện trên GPU GeForce RTX 2080Ti với bộ nhớ 11,018 MiB. Chúng tôi đã huấn luyện mơ hình bằng cách sử dụng framework MMDetection V2.10.0 [30]. Với mỗi phương pháp, nhóm đã sử
43
dụng cấu hình có điểm 𝑚𝐴𝑃 cao nhất (được cung cấp trên trang MMDetection Github10) mà có thể chạy trên một GPU GeForce RTX 2080 Ti duy nhất.
Đối với Guided Anchoring, nhóm đã sử dụng cấu hình mặc định GA-Faster R-CNN với backbone 𝑋 − 101 − 32𝑥4𝑑 − 𝐹𝑃𝑁 được huấn luyện trong 12 epoch. Tiếp theo, backbone 𝑅 − 50 − 𝑅𝑃𝑁 được sử dụng cho Double-Head để huấn luyện trong 12 epoch. Ngoài ra, phương pháp Cascade R-CNN sử dụng backbone 𝑋 − 101 − 64𝑥4𝑑 − 𝐹𝑃𝑁 và phương pháp được đề xuất CasDou cũng sử dụng backbone 𝑅 − 50 − 𝑅𝑃𝑁 để so sánh cơng bằng với cấu hình mặc định của Double- Head cũng như phù hợp với nguồn tài nguyên máy.