MẪU ĐỒ ÁN -KHOÁ LUẬN TỐT NGHIỆP
ĐẠI HỌC ĐÀ NẴNG
KHOA CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG
ĐỒ ÁN CƠ SỞ 5
ĐỀ TÀI: NHẬN DIỆN HÌNH ẢNH
Sinh viên thực hiện: NGUYỄN ĐỨC NGỌC KỲ
Giảng viên hướng dẫn: TS. LÊ VĂN MINH
Lớp : 17IT1
Đà nẵng, tháng 07 năm 2020
ĐẠI HỌC ĐÀ NẴNG
KHOA CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG
ĐỒ ÁN CƠ SỞ 5
NHẬN DIỆN HÌNH ẢNH
Đà Nẵng, tháng 07 năm 2020
LỜI CẢM ƠN
NHẬN XÉT
(Của giảng viên hướng dẫn)
…………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………………
MỤC LỤC
Trang
MỞ ĐẦU3
Chương 1Giới thiệu7
1.1Tổng quan7
1.2Phương pháp, kết quả10
121.3Cấu trúc đồ án
13Chương 2Nghiên cứu tổng quan
132.1Phương pháp
132.2Kết luận
14Chương 3Thiết kế hệ thống
14Thiết kế chi tiết
15Chương 4Triển khai xây dựng
Chương 5Kết luận và Hướng phát triển34
DANH MỤC TÀI LIỆU THAM KHẢO35
DANH MỤC HÌNH
Trang
Hình 1.2 – Nhãn hình 111
Hình 1.2 – Nhãn hình 212
12Hình 3 – Nhãn hình 1 sơ đồ thực hiện
12Hình 3 – Nhãn hình 2 sơ đồ làm việc
Hình 5 – Nhãn hình 1 ảnh ban đầu34
Hình 5 – Nhãn hình 2 ảnh đã được xử lý, nhận dạng34
Chương 1 Giới thiệu1.1 Tổng quan
· Bối cảnh thực hiện đề tài
· Trí tuệ nhân tạo hay trí thông minh nhân tạo (Artificial
intelligence – viết tắt là AI) là một ngành thuộc lĩnh
vực khoa học máy tính (Computer science). Là trí tuệ do con người
lập trình tạo nên với mục tiêu giúp máy tính có thể tự động hóa các
hành vi thông minh như con người.
· Trí tuệ nhân tạo khác với việc lập trình logic trong
các ngôn ngữ lập trình là ở việc ứng dụng các hệ
thống học máy (machine learning) để mô phỏng trí tuệ của
con người trong các xử lý mà con người làm tốt hơn máy tính.
· Cụ thể, trí tuệ nhân tạo giúp máy tính có được những trí tuệ
của con người như: biết suy nghĩ và lập luận để giải quyết vấn đề,
biết giao tiếp do hiểu ngôn ngữ, tiếng nói, biết học và tự thích
nghi,…
· Tuy rằng trí thông minh nhân tạo có nghĩa rộng như là trí
thông minh trong các tác phẩm khoa học viễn tưởng, nó là một
trong những ngành trọng yếu của tin học. Trí thông minh nhân
tạo liên quan đến cách cư xử, sự học hỏi và khả năng thích ứng
thông minh của máy móc.
Trí tuệ nhân tạo (Artificial Intelligence): là tên gọi
của cả một lĩnh vực nghiên cứu, tương tự như sinh học hay hoá học
ấy.
Học máy (Machine Learning): là một phần của trí tuệ nhân
tạo. Một phần quan trọng, nhưng không phải tất cả.
Mạng neuron (Neural Networks – NN): là một
trong những nhóm thuật toán học máy. Một anh chàng đẹp trai học
giỏi trong lớp học ML đấy, nhưng trong lớp vẫn có những anh chàng
khác học giỏi không kém (các mạng neurons sẽ được giải thích
kỹ hơn ở các phần sau).
Học sâu (Deep Learning- DL): một phương pháp hiện đại để
xây dựng, huấn luyện và ứng dụng các mạng neuron. Cơ bản là, nó là
một kiểu kiến trúc mới. Thực tế là không ai tách riêng deep
learning với các kiểu network truyền thống cả.
Công nghệ nhận dạng hình ảnh có tiềm năng lớn trong việc áp dụng
rộng rãi trong các ngành công nghiệp khác nhau. Các công ty lớn như
Tesla, Google, Uber, Adobe Systems vv cũng sử dụng công nghệ nhận
dạng hình ảnh. Để chứng minh rằng công nghệ này đang tồn tại khắp
thế giới, chúng ta hãy xem xét các số liệu thống kê gần đây. Các
nhà nghiên cứu dự đoán rằng thị trường toàn cầu của công nhận dạng
hình ảnh sẽ đạt 38,92 tỷ USD vào năm 2021. Đó là một con số rất
lớn! Vì vậy, không có thắc mắc rằng ngày càng nhiều cái gọi là ứng
dụng imagetech tận dụng nhận dạng hình ảnh cho các mục đích khác
nhau và trong cả kinh doanh.
· Vấn đề cần giải quyết
Nhập ảnh, phân tích, thao tác và tạo ảnh.
· Đề xuất nội dung thực hiện
[Computer Vision] Object Detection (nhận diện vật thể) chỉ với
10 dòng code sử dụng ImageAI
Object Detection
Một trong những lĩnh vực quan trọng của Trí tuệ nhân tạo
(Artificial Intelligence) là thị giác máy (Computer Vision).
Computer Vision là một lĩnh vực bao gồm các phương pháp thu nhận,
xử lý ảnh kỹ thuật số, phân tích và nhận dạng các hình ảnh, phát
hiện các đối tượng, tạo ảnh, siêu phân giải hình ảnh và nhiều hơn
vậy. Object Detection có lẽ là khía cạnh sâu sắc nhất của thị giác
máy do số lần sử dụng trong thực tế.
Object Detection đề cập đến khả năng của hệ thống máy tính và
phần mềm để định vị các đối tượng trong một hình ảnh và xác định
từng đối tượng. Object Detection đã được sử dụng rộng rãi để phát
hiện khuôn mặt, phát hiện xe, đếm số người đi bộ, hệ thống bảo mật
và xe không người lái. Có nhiều cách để nhận diện đối tượng có thể
được sử dụng cũng như trong nhiều lĩnh vực thực hành. Giống như mọi
công nghệ khác, một loạt các ứng dụng sáng tạo và tuyệt vời của
Object Detection sẽ đến từ các lập trình viên và các nhà phát triển
phần mềm.
Bắt đầu sử dụng các phương pháp nhận diện đối tượng hiện đại
trong các ứng dụng và hệ thống, cũng như xây dựng các ứng dụng mới
dựa trên các phương pháp này.Việc triển nhận diện đối tượng sớm
liên quan đến việc sử dụng các thuật toán cổ điển, giống như các
thuật toán được hỗ trợ trong OpenCV, thư viện computer vision phổ
biến. Tuy nhiên, các thuật toán cổ điển này không thể đạt được hiệu
suất đủ để làm việc trong các điều kiện khác nhau.
Việc áp dụng đột phát và nhanh cóng của deep learning vào năm
2012 đã đưa vào sự tồn tại các thuật toán và phương pháp phát hiện
đối tượng hiện đại và chính xác cao như R-CNN, Fast-RCNN,
Faster-RCNN, RetinaNet và nhanh hơn nhưng rất chính xác như SSD và
YOLO. Sử dụng các phương pháp và thuật toán này, dựa trên deep
learning và cũng dựa trên việc học máy đòi hỏi rất nhiều kiến thức
về toán học và việc học sâu. Có hàng triệu chuyên gia lập trình và
các nhà phát triển phần mềm muốn tích hợp và tạo ra các sản phẩm
mới sử dụng object detection. Nhưng công nghệ này xa tầm tay của họ
và phức tạp để hiểu và sử dụng thực tế của nó.
ImageAI một thư viện python cho phép các lập trình viên và các
nhà phát triển phần mềm dễ dàng tích hợp các công nghệ thị giác máy
hiện đại vào các ứng dụng hiện có và mới của họ, và chỉ cần sử dụng
một vài dòng mã. ImageAI hỗ trợ một danh sách các thuật toán học
máy hiện đại nhất cho việc dự đoán hình ảnh,, nhận diện vật thể,
phát diện video,…
ImageAI một thư viện python mã nguồn mở được xây dựng để trao
quyền cho các nhà phát triển xây dựng các ứng dụng và hệ thống với
các khả năng Deep Learning và Computer Vision độc lập bằng cách sử
dụng một vài dòng mã đơn giản. ImageAI hỗ trợ danh sách các
thuật toán Machine Learning tiên tiến để dự đoán hình ảnh, dự đoán
hình ảnh tùy chỉnh, phát hiện đối tượng, phát hiện video, theo dõi
đối tượng video và đào tạo dự đoán hình ảnh. ImageAI hiện
hỗ trợ dự đoán và đào tạo hình ảnh bằng 4 thuật toán Machine
Learning khác nhau được đào tạo trên bộ dữ liệu
ImageNet-1000. ImageAI cũng hỗ trợ phát hiện đối tượng,
phát hiện video và theo dõi đối tượng bằng RetinaNet, YOLOv3 và
TinyYOLOv3 được đào tạo trên bộ dữ liệu COCO. Cuối
cùng, ImageAI cho phép bạn huấn luyện các mô hình tùy
chỉnh để thực hiện phát hiện và nhận dạng các đối tượng mới.
ImageAI sẽ cung cấp hỗ trợ cho các khía cạnh rộng hơn và
chuyên biệt hơn của Computer Vision bao gồm và không giới hạn ở
nhận dạng hình ảnh trong các môi trường đặc biệt và các lĩnh vực
đặc biệt.
ImageAI cung cấp 4 thuật toán và loại mô hình khác nhau để
thực hiện dự đoán hình ảnh, được đào tạo trên bộ dữ liệu
ImageNet-1000. 4 thuật toán được cung cấp để dự đoán hình ảnh
bao gồm:
SqueezeNet , ResNet , InceptionV3 và DenseNet .
ImageAI cung cấp nhiều tính năng hữu ích cho việc triển khai khả
năng tùy chỉnh và triển khai việc nhận diện đối tượng. Một vài tính
năng được hỗ trợ là:
· Adjusting Minimum Probability: Theo mặc định, các đối tượng
được phát hiện có tỷ lệ phần trăm xác suất nhỏ hơn 50 sẽ không được
hiển thị hoặc báo cáo. Bạn có thể tăng giá trị này cho các trường
hợp chắc chắn cao hoặc giảm giá trị cho các trường hợp mà tất cả
các đối tượng có thể cần được phát hiện.
· Custom Objects Detection: Sử dụng lớp CustomObject được cung
cấp, bạn có thể yêu cầu lớp phát hiện báo cáo các phát hiện trên
một hoặc một số đối tượng duy nhất.
· Detection Speeds: Bạn có thể giảm thời gian cần thiết để phát
hiện một hình ảnh bằng cách đặt tốc độ của tốc độ phát hiện thành
‘fast’, ‘faster’ và ‘fastest’.
· Input Types: Bạn có thể chỉ định và phân tích cú pháp trong
đường dẫn tệp tới hình ảnh, mảng Numpy hoặc luồng tệp của hình ảnh
làm hình ảnh đầu vào.
· Output Types: Bạn có thể chỉ định rằng hàm
detectObjectsFromImage sẽ trả về hình ảnh dưới dạng một tệp hoặc
mảng Numpy.
1.2 Phương pháp, kết quả
· Trình bày phương pháp triển khai thực hiện đề tài:
Hình ảnh có thể được sử dụng theo những cách khác nhau.Trong các
hình ảnh phát triển phần mềm di động, web và phần mềm phục vụ cho
vô số lý do, bao gồm:
· Nhận dạng đối tượng
· Nhận dạng mẫu
· Định vị các bản sao (chính xác hoặc một phần)
· Tìm kiếm hình ảnh theo phân đoạn
· Xử lý hình ảnh (Retouch,...)
· Cải thiện ứng dụng di động UX
· Vv
ImageAI một thư viện python mã nguồn mở được xây dựng để trao
quyền cho các nhà phát triển xây dựng các ứng dụng và hệ thống với
các khả năng Deep Learning và Computer Vision độc lập bằng cách sử
dụng một vài dòng mã đơn giản.
· Kết quả đạt được.
Dữ liệu vào
Hình 1.2 – Nhãn hình 1
Dữ liệu ra
Hình 1.2 – Nhãn hình 2
1.3 Cấu trúc đồ án
Chương 1Giới thiệu7
1.1Tổng quan7
1.2Phương pháp, kết quả10
121.3Cấu trúc đồ án
13Chương 2Nghiên cứu tổng quan
132.1Phương pháp
132.2Kết luận
14Chương 3Thiết kế hệ thống
14Thiết kế chi tiết
15Chương 4Triển khai xây dựng
Chương 5Kết luận và Hướng phát triển34
DANH MỤC TÀI LIỆU THAM KHẢO35
Chương 2 Nghiên cứu tổng quan2.1 Phương pháp · Dự đoán hình
ảnh
· Phát hiện đối tượng
· Phát hiện và theo dõi đối tượng video
+ Phát hiện và phân tích đối tượng video
+ Phát hiện đối tượng tùy chỉnh video (Theo dõi đối tượng)
+ Phân tích video trực quan
· Đào tạo mô hình tùy chỉnh
· Dự đoán hình ảnh tùy chỉnh
· Đào tạo mô hình phát hiện tùy chỉnh
· Phát hiện đối tượng tùy chỉnh
· Phân tích & phát hiện đối tượng video tùy chỉnh2.2 Kết
luận
Thực hiện đúng theo thứ tự phương pháp đã đề raChương 3 Thiết kế
hệ thống
· Thiết kế chi tiết
Hình 3 – Nhãn hình 1 sơ đồ thực hiện
Hình 3 – Nhãn hình 2 sơ đồ làm việc
Chương 4 Triển khai xây dựng
· Ngôn ngữ thực hiện: PYTHON
Python là gì?
Python là ngôn ngữ lập trình hướng đối tượng đa năng có cấu trúc
dữ liệu cấp cao mạnh mẽ và hệ thống thư viện lớn. Python hoàn toàn
tạo kiểu động và sử dụng cơ chế cấp phát bộ nhớ tự động, cú pháp rõ
ràng, đơn giản.
Lợi ích khi học lập trình Python là gì?
Python giúp người học dễ tiếp cận, bao gồm những người chưa từng
học lập trình.
Tính năng chính của Python là gì?
· Ngôn ngữ lập trình nhập môn: Rossum hướng đến sự đơn giản và
dễ hiểu nên cấu trúc Python khá rõ ràng, cho phép viết mã lệnh với
số lần gõ phím tối thiểu. Ngày nay, Python được đánh giá là ngôn
ngữ lý tưởng cho việc bắt đầu học lập trình.
· Mã nguồn mở và hoàn toàn miễn phí: Khác với nhiều ngôn ngữ lập
trình bậc cao, Python cho phép sử dụng một cách miễn phí tất cả
phần mềm, chương trình được viết. Mã nguồn mở sở hữu cộng đồng đông
đảo, giúp bạn giải đáp mọi thắc mắc và liên tục cập nhật, cải
thiện.
· Tương thích nhiều nền tảng: Python dễ dàng tương thích với
nhiều nền tảng như Windows, MacOS, Linux. Thậm chí là di chuyển qua
lại giữa các nền tảng cũng không gặp nhiều khó khăn.
· Khả năng nhúng và mở rộng: Có thể kết hợp cùng các ngôn ngữ
lập trình khác để phát triển các ứng dụng phức tạp.
· Tự động chuyển đổi code: Khi dùng Python, người sử dụng hoàn
toàn không phải lo các vấn đề về quản lý bộ nhớ, dọn dẹp dữ liệu…
Python sẽ tự động chuyển code sang ngôn ngữ máy tính có thể
hiểu.
· Thư viện lớn: Nhờ số lượng thư viện khổng lồ của mình Python
hoàn toàn đáp ứng được mọi nhu cầu lập trình khác nhau.
· Ngôn ngữ lập trình hướng đối tượng: Dù được đơn giản hóa cho
người mới học song Python vẫn giữ bản chất hướng đối tượng. Giải
quyết các vấn đề trong lập trình một cách trực quan, dễ hiểu.
· Khoa học và phân tích số liệu: Hiếm có ngôn ngữ nào có được
sức mạnh lớn như Python khi có thể sử dụng trong cả Data Analytics,
Machine Learning, Computing Science. Bằng số lượng thư viện chuẩn
lớn và các plugin như Numpy, SciPy và Panda, Python hoàn toàn đáp
ứng tốt công việc phân tích và tính toán.
· Tạo nguyên mẫu hay bản thử của phần mềm: Một tính năng rất hay
dành cho các nhà lập trình, giúp tạo bản mẫu để thử nghiệm trước
khi đưa vào thực tiễn.
Cách cài đặt Python
Hướng dẫn các bạn cách cài đặt Python trên 2 nền tảng phổ biến
nhất hiện nay:
· Cài đặt Python trên Windows
· Cài đặt Python trên Linux
Cách cài đặt Python trên Windows
Chọn phương án cài tự động
Download Python phiên bản mới nhất cho Windows tại
đây.
Tiến hành cái đặt phần mềm và đóng cửa sổ sau khi hoàn tất.
Download PIP3 cho Windows tại đây, lưu vào một thư mục trên
máy. Mở CMD hoặc Windows Powershell và cd thư mục đặt file cài vừa
tải.
python get-pip.py
Chạy câu lệnh trên để tiến hành cái đặt PIP3 trên Windows.
print ('Hello world');
Cuối cùng, chạy Python, tạo một file hello-word.py và chèn dòng
code trên vào.
python hello-world.py
Mở CMD và cd tới thư mục chứa file.
Cách cài đặt Python trên Linux
Dùng tài khoản root hoặc user có quyền sudo, Package Python 3
được tính hợp sẵn trong repository của Ubuntu.
Bước 1: fetch package mới nhất về từ Internet bằng câu lệnh
sudo apt-get update
Bước 2: Kiểm tra package của Python
sudo apt-cache search python | grep ^python3
Bước 3: Cài đặt Python 3
sudo apt-get install python3.7
Bước 4: Kiểm tra version mặc định của Python 3
python3 --version
Cấu hình chuyển đổi version của Python, ví dụ version mặc định
là 3.6 và muốn chuyển đổi lên 3.7 vừa cài.
sudo update-alternatives --install /usr/bin/python3 python3
/usr/local/bin/python3.7 2sudo update-alternatives --install
/usr/bin/python3 python3 /usr/bin/python3.6 1sudo
update-alternatives --config python3
Trường hợp Ubuntu có version thấp và không có sẵn Python 3 có
thể cài từ PPA
sudo add-apt-repository ppa:jonathonf/python-3.7sudo apt-get
update
sudo apt-get install python3.7
Cài đặt Python 3 từ Source, có thể chọn bất cứ version nào của
Python 3 build từ source.
cd /usr/src
wget https://www.python.org/ftp/python/3.7.1/Python-3.7.1.tar.xz
tar xvfJ Python-3.7.1.tar.xzcd Python-3.7.1/sudo ./configure
--enable-optimizations
sudo make
sudo make install
Cài đặt PIP3 trên Ubuntu
Cách 1: Cài từ gói có sẵn của Ubuntu
sudo apt-get install python3-pip
Cách 2: Cài từ Source
curl "https://bootstrap.pypa.io/get-pip.py" -o "get-pip.py"
python3 get-pip.py --user
Kiểm tra PIP 3
pip3 --version
· Công cụ hỗ trợ: Visual studio IDE and Anaconda
Visual Studio Code là gì?
Là một trình biên tập lập trình code miễn phí dành cho Windows,
Linux và macOS, Visual Studio Code được phát triển bởi Microsoft.
Nó được xem là một sự kết hợp hoàn hảo giữa IDE và Code Editor.
Visual Studio Code hỗ trợ chức năng debug, đi kèm với Git, có
syntax highlighting, tự hoàn thành mã thông minh, snippets, và cải
tiến mã nguồn. Nhờ tính năng tùy chỉnh, Visual Studio Code cũng cho
phép người dùng thay đổi theme, phím tắt, và các tùy chọn khác.
Tính năng của Visual Studio
· Hỗ trợ nhiều ngôn ngữ lập trình
Visual Studio Code hỗ trợ nhiều ngôn ngữ lập trình như C/C++,
C#, F#, Visual Basic, HTML, CSS, JavaScript, … Vì vậy, nó dễ dàng
phát hiện và đưa ra thông báo nếu chương chương trình có lỗi.
· Hỗ trợ đa nền tảng
Các trình viết code thông thường chỉ được sử dụng hoặc cho
Windows hoặc Linux hoặc Mac Systems. Nhưng Visual Studio Code có
thể hoạt động tốt trên cả ba nền tảng trên.
· Cung cấp kho tiện ích mở rộng
Trong trường hợp lập trình viên muốn sử dụng một ngôn ngữ lập
trình không nằm trong số các ngôn ngữ Visual Studio hỗ trợ, họ có
thể tải xuống tiện ích mở rộng. Điều này vẫn sẽ không làm giảm hiệu
năng của phần mềm, bởi vì phần mở rộng này hoạt động như một chương
trình độc lập.
· Kho lưu trữ an toàn
Đi kèm với sự phát triển của lập trình là nhu cầu về lưu trữ an
toàn. Với Visual Studio Code, người dùng có thể hoàn toàn yên tâm
vì nó dễ dàng kết nối với Git hoặc bất kỳ kho lưu trữ hiện có
nào.
· Hỗ trợ web
Visual Studio Code hỗ trợ nhiều ứng dụng web. Ngoài ra, nó cũng
có một trình soạn thảo và thiết kế website.
· Lưu trữ dữ liệu dạng phân cấp
Phần lớn tệp lưu trữ đoạn mã đều được đặt trong các thư mục
tương tự nhau. Ngoài ra, Visual Studio Code còn cung cấp các thư
mục cho một số tệp đặc biệt quan trọng.
· Hỗ trợ viết Code
Một số đoạn code có thể thay đổi chút ít để thuận tiện cho người
dùng. Visual Studio Code sẽ đề xuất cho lập trình viên các tùy chọn
thay thế nếu có.
· Hỗ trợ thiết bị đầu cuối
Visual Studio Code có tích hợp thiết bị đầu cuối, giúp người
dùng khỏi phải chuyển đổi giữa hai màn hình hoặc trở về thư mục gốc
khi thực hiện các thao tác.
· Màn hình đa nhiệm
Người dùng Visual Studio Code có thể mở cùng lúc nhiều tệp tin
và thư mục – mặc dù chúng không hề liên quan với nhau.
· Intellisense
Hầu hết các trình viết mã đều có tính năng nhắc mã Intellisense,
nhưng ít chương trình nào chuyên nghiệp bằng Visual Studio Code. Nó
có thể phát hiện nếu bất kỳ đoạn mã nào không đầy đủ. Thậm chí, khi
lập trình viên quên không khai báo biến, Intellisense sẽ tự động
giúp họ bổ sung các cú pháp còn thiếu.
· Hỗ trợ Git
Visual Studio Code hỗ trợ kéo hoặc sao chép mã trực tiếp từ
GitHub. Mã này sau đó có thể được thay đổi và lưu lại trên phần
mềm.
· Bình luận
Việc để lại nhận xét giúp người dùng dễ dàng nhớ công việc cần
hoàn thành.
Download visual studio code for windows
Việc cài đặt Visual Code (VS) trên window rất đơn giản. Bạn chỉ
việc vào link download. Chọn bản cài đặt cho Window là được.
Sau khi tải bộ cài đặt xong, bạn click đúp vào tệp cài đặt
(VSCodeSetup-.exe). Sẽ chỉ mất khoảng một phút để cài đặt, tùy
thuộc vào cấu hình máy tính của bạn.
Ok, bạn sẽ nhìn thấy màn hình cài đặt như bên dưới:
Bạn chọn NEXT để chuyển sang màn hình chấp nhận license.
Mình tin chắc rằng sẽ chẳng có ai rảnh để mà đọc hết các điều
khoản đâu. Vậy chọn “I accept te agreement” để tiếp tục thôi.
Bạn có thể lựa chọn đường dẫn cài đặt khác tùy ý. Nhưng với kinh
nghiệm của mình thì chả hơi sức đâu mà đổi cả, cứ mặc định
thôi.
Phần này, ý của họ là bạn có muốn tạo một menu để chạy Visual
Code trong trình start menu không? Nếu không muốn thì tick vào
option: “Don’t create a Start Menu folder”.
Tương tự, phần này bạn sẽ có thêm các lựa chọn như: Tạo sẵn một
shortcut ngoài desktop, thêm các option khi nhấn chuột phải chuột.
Mình nghĩ tùy mỗi người mà chọn các option này.
Vậy là xong rồi đấy. Bạn đợi một lúc là cài đặt xong, bạn nhấn
nút finish để mở visual code lên.
Cài đặt Visual Code trên Ubuntu (Linux)
Việc download visual studio code ubuntu cũng giống như bao phần
mềm khác thôi. Một là bạn chọn tải file .Deb ở trang download ở
trên, rồi cài đặt qua Ubuntu Software center.
Tuy nhiên, để cho “chuyên nghiệp”, mình sẽ hướng dẫn các bạn
cách cài đặt bằng dòng lệnh nhé.
Đầu tiên, bạn chạy lênh update các package và cài đặt
dependencies.
· $ sudo apt update
· $ sudo apt install software-properties-common
apt-transport-https wget
Sau đó import Microsoft GPG key bằng lệnh Wget và enable Visual
Studio Code repository:
· $ wget -q https://packages.microsoft.com/keys/microsoft.asc
-O- | sudo apt-key add -
· $ sudo add-apt-repository "deb [arch=amd64]
https://packages.microsoft.com/repos/vscode stable main"
Cuối cùng là gõ lệnh install để cài đặt thôi
· $ sudo apt update
· $ sudo apt install code
Vậy là xong rồi đấy.
Anaconda là gì
Anaconda là nền tảng mã nguồn mở về Khoa học dữ liệu trên Python
thông dụng nhất hiện nay. Anaconda với hơn 11 triệu người dùng,
Anaconda là cách nhanh nhất và dễ nhất để học Khoa học dữ liệu với
Python hoặc R trên Windows, Linux và Mac OS X. Lợi ích của
Anaconda:
· Dễ dàng tải 1500+ packages về Python/R cho data science
· Quản lý thư viện, môi trường và dependency giữa các thư viện
dễ dàng
· Dễ dàng phát triển mô hình machine learning và deep learning
với scikit-learn, tensorflow, keras
· Xử lý dữ liệu tốc độ cao với numpy, pandas
· Hiện thị kết quả với Matplotlib, Bokeh
Trong khi đó Spyder là 1 trong những IDE (môi trường tích hợp
dùng để phát triển phần mềm) tốt nhất cho data science và
quang trọng hơn là nó được cài đặt khi bạn cài đặt Anaconda.
Yêu cầu phần cứng và phần mềm
· Hệ điều hành: Win 7, Win 8/8.1, Win 10, Red Hat Enterprise
Linux/CentOS 6.7, 7.3, 7.4, and 7.5, and Ubuntu 12.04+.
· Ram tối thiểu 4GB
· Ổ cứng trống tối thiểu 3GB để tải và cài đặt
Anaconda là gì?
– Anaconda là một Distribution miễn phí và mã nguồn mở của
Python và R.– Anaconda giúp đơn giản hóa việc cài đặt, quản lý và
triển khai packages (numpy, scipy, tensorflow, …).– Anaconda phục
vụ cho nhiều mục địch, đặc biệt trong Data Science (Khoa học dữ
liệu), Machine learnig (Máy học), Big Data (Dữ liệu lớn), Image
Processing (Xử lý ảnh), …– Anaconda hiện nay đã có hơn 6 triệu
người dùng và hơn 1400 packages khoa học dữ liệu dành cho Windows,
Linux và MacOS.
Cài đặt Anaconda trên windows
– Các bạn truy cập trang chủ Anaconda để tải về bộ cài
đặt
– Ở đây mình tải về phiên bản Anaconda cho Python 3.7 (Python
2.x sẽ khác Python 3.x một chút và mình cũng khuyên các bạn mới bắt
đầu với python nên chọn phiên bản 3.x)– Nhiệm vụ của bạn ở đây chỉ
cần nhấn Next, Accept, Skip và Finish để thực hiện cài đặt.
Cài đặt
Để thực hiện nhận diện đối tượng bằng ImageAI, tất cả những gì
bạn cần làm là:
1. Cài đặt python
2. Cài đặt ImageAI và phụ thuộc của nó.
3. Tải xuống file mô hình Object Detection
4. Chạy chương trình
Bây giờ, hãy bắt đầu
1. Tải xuống và cài đặt python 3 từ https://python.org
2. Tensorflow 1.4.0 (and later versions)
pip3 install --upgrade tensorflow
3. Numpy 1.13.1 (and later versions)
pip3 install numpy
4. SciPy 0.19.1 (and later versions)
pip3 install scipy
5. OpenCV
pip3 install opencv-python
6. Pillow
pip3 install pillow
7. Matplotlib
pip3 install matplotlib
8. h5py
pip3 install h5py
9. Keras 2.x
pip3 install keras
10. ImageAI
pip install
https://github.com/OlafenwaMoses/ImageAI/releases/download/2.0.1/imageai-2.0.1-py3-none-any.whl
11. Tải xuống mô hình RetinaNet sẽ được sử dụng để nhận diện đối
tượng
Mọi thứ đã sẵn sàng, tạo một tệp python
là ObjectDetection.py. Sao chép file mô hình RetinaNet và hình
ảnh mà bạn muốn phát hiện vào thư mục chứa
file ObjectDetection.py.
Nhập vào file ObjectDetection.py đoạn mã sau:
· Mã nguồn xử lý ảnh
from imageai.Detection import ObjectDetection
import os
execution_path = os.getcwd()
detector = ObjectDetection()
detector.setModelTypeAsRetinaNet()
detector.setModelPath( os.path.join(execution_path , "resnet50_coco_best_v2.0.1.h5"))
detector.loadModel()
detections = detector.detectObjectsFromImage(input_image=os.path.join(execution_path , "image.jpg"), output_image_path=os.path.join(execution_path , "imagenew.jpg"))
for eachObject in detections:
print(eachObject["name"] , " : " , eachObject["percentage_probability"] )
Ba dòng đầu tiên, đã import lớp ImageAI Object Detection ở dòng
đầu tiên, dòng thứ 2 là import lớp python os và xác định
một biến để giữ đường dẫn đến thư mục chứa file python của chúng
ta. Tệp mô hình RetinaNet và hình ảnh nằm ở dòng thứ ba
1
2
3
4
5
6
from imageai.Detection import ObjectDetection
import os
execution_path = os.getcwd()
Tiếp 5 dòng mã sau, chúng ta đã định nghĩa lớp object detection
trong dòng đầu, thiết lập kiểu mô hình cho RetinaNet trong dòng thứ
hai, thiết lập đường dẫn của mô hình RetinaNet trong dòng thứ ba,
load mô hình vào lớp object detection ở trong dòng thứ tư, sau đó
ta gọi hàm detection và được phân tích cú pháp trong đường dẫn hình
ảnh đầu vào và đường dẫn hình ảnh đầu ra trong dòng thứ năm.
1
2
3
4
5
6
7
detector = ObjectDetection()
detector.setModelTypeAsRetinaNet()
detector.setModelPath( os.path.join(execution_path ,
"resnet50_coco_best_v2.0.1.h5"))
detector.loadModel()
detections =
detector.detectObjectsFromImage(input_image=os.path.join(execution_path
, "image.jpg"), output_image_path=os.path.join(execution_path ,
"imagenew.jpg")
Trong hai dòng mã cuối, ta lặp qua tất cả các kết quả được trả
về bởi hàm detector.detectObjectsFromImage trong dòng đầu
tiên, sau đó in ra tên và xác suất phần trăm của mô hình trên từng
đối tượng được phát hiện trong hình ảnh trong dòng thứ hai.
1
2
3
4
for eachObject in detections:
print(eachObject["name"] + " : " +
eachObject["percentage_probability"] )
ImageAI hỗ trợ nhiều tùy chỉnh mạnh mẽ của quá trình nhận diện
đối tượng. Một trong số đó là khả năng trích xuất hình ảnh của từng
đối tượng được phát hiện trong hình ảnh. Bằng cách thêm tham
số extract_detected_objects=True vào
hàm detectObjectsFromImage. Lớp object detection sẽ tạo một
thư mục cho các đối tượng hình ảnh, trích xuất từng ảnh, lưu từng
ảnh vào thư mục mới.
1
2
3
4
detections =
detector.detectObjectsFromImage(input_image=os.path.join(execution_path
, "image.jpg"), output_image_path=os.path.join(execution_path ,
"imagenew.jpg"), extract_detected_objects=True)
Chương 5 Kết luận
· Dữ liệu vào
Hình 5 – Nhãn hình 1 ảnh ban đầu
· Dữ liệu ra
Hình 5 – Nhãn hình 2 ảnh đã được xử lý, nhận dạng
DANH MỤC TÀI LIỆU THAM KHẢO
Tiếng Việt:
1. Python cơ bản. Ebook Python tiếng Việt siêu cơ
bản của Võ Tuấn Duy.
Tiếng Anh:
1. A Byte of Python.
2. Think Python 2nd Edition.
3. Automate the Boring Stuff with Python.
4. Dive into Python 3. ...
5. Learn Python the Hard Way.
6. Invent Your Own Computer Game with Python.
7. Making Games with Python and Pygame.
Em xin chân thành cảm ơn KHOA CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN
THÔNG VÀ ĐẠI HỌC ĐÀ NẴNG đã tạo điều kiện cho em thực hiện đề tài
này.
Em xin gửi lời cảm ơn chân thành đến tất cả các Thầy cô đã giảng
dạy chúng em trong suốt thời gian quan. Cảm ơn đến thầy (cô) TS.LÊ
VĂN MINH đã hướng dẫn em thực hiện đề tài này.
Bên cạnh đó, để hoàn thành khóa thực tập này, em cũng đã nhận
được rất nhiều sự giúp đỡ, những lời động viên quý báu của các bạn
bè, các anh chị thân hữu, em xin hết lòng cảm ơn.
Tuy nhiên, do thời gian hạn hẹp, mặc dù đã nỗ lực hết sức mình,
nhưng chắc rằng đề tài này khó tránh khỏi những thiếu sót. Em rất
mong nhận được sự thông cảm, chỉ bảo tận tình của thầy cô và các
bạn.
