VBD 
Phân loại dữ liệu ảnh là một trong những tác vụ của thị giác máy tính, ở đó thuật toán xem xét và dán nhãn cho hình ảnh từ một tập danh mục được xác định và đào tạo trước. Bên cạnh việc nắm vững các kỹ thuật phân loại ảnh (có giám sát và không giám sát), các nhà phát triển mới vào nghề cũng cần hiểu rõ một quy trình hoàn chỉnh để giải quyết bài toán này. Bài viết dưới đây sẽ diễn giải rõ ràng và dễ hiểu nhất về các bước tiến hành, cùng với đó là một số tips thực chiến giúp bạn xây dựng mô hình phân loại hình ảnh có hiệu quả.
Xác định bài toán và thu thập dữ liệu
Các mô hình Học máy thường được phân thành hai loại, mô hình phân loại và mô hình hồi quy. Tuy nhiên, có một số thay đổi bổ sung giữa các mô hình phân loại. Ví dụ: bạn có thể dự đoán một đầu ra nhị phân như chó hay mèo hoặc đầu ra có nhiều giá trị như tập dữ liệu CIFAR-10. Tồn tại nhiều cách khác nhau để ánh xạ các đầu ra của bộ phân loại và điều này sẽ được phản ánh trong lớp cuối cùng của mạng.
Khi đã xác định được bài toán, bước tiếp theo là lên kế hoạch thu thập dữ liệu. Một trong những cách tiếp cận phổ biến nhất là phát triển một thuật toán quét web để lấy hình ảnh từ các thẻ <img url = ‘..’> trên các trang web. Bạn cũng có thể sử dụng Mechanical Turk để thuê ngoài việc thu thập dữ liệu. Một cách tiết kiệm để bắt đầu các dự án là chụp ảnh màn hình của hình ảnh trực tuyến, sau đó thay đổi vị trí lưu trữ mặc định của ảnh chụp màn hình để tạo điều kiện thu thập dữ liệu theo cách này.
Ngoài ra, một khi bạn đã thu thập được một lượng lớn dữ liệu, bạn sẽ cần phải nghĩ đến các phương pháp lưu trữ dữ liệu thay thế như đám mây.
Xây dựng mô hình
Sau khi đã thu thập đủ dữ liệu, bạn sẽ bắt tay xây dựng mạng phức hợp. Điều này có thể dễ dàng thực hiện với API TFlearn, Keras hoặc PyTorch.
Tăng độ phức tạp: Khi đang thử nghiệm với mạng tích chập, tốt nhất là nên bắt đầu với một cấu trúc đơn giản, chẳng hạn như 1–4 lớp phức hợp. Bạn có thể muốn thêm nhiều lớp hơn khi nhu cầu bổ sung dữ liệu tăng cao hoặc nếu kết quả ban đầu không đạt yêu cầu. Khi đang thử nghiệm với kiến trúc mạng, điều quan trọng là phải có một tập dữ liệu dành riêng để thử nghiệm mô hình. Nhờ vậy, bạn có thể sử dụng hiệu suất này làm kiểm soát để thử nghiệm độ phức tạp của mô hình.
Tăng cường dữ liệu
Một trong những cách dễ nhất để cải thiện hiệu suất mô hình là thêm dữ liệu sinh tự động vào tập dữ liệu gốc. Cách đơn giản nhất để sinh dữ liệu tự động từ một ảnh gốc là thực hiện xoay lật hình ảnh theo chiều ngang, và theo chiều dọc nếu có liên quan đến bài toán. Một cách tiếp cận phổ biến khác là tạo ra nhiễu ngẫu nhiên dưới dạng một mảng lớn bằng kích thước hình ảnh và sau đó thêm nhiễu này vào hình ảnh. Ngoài ra, cũng có rất nhiều nghiên cứu được công bố về việc sử dụng Mạng đối nghịch tạo sinh, (GAN) để thêm dữ liệu có ý nghĩa.
Diễn giải kết quả, ma trận lỗi (Confusion Matrix)
Đây là một trong những bước quan trọng nhất mặc dù thường bị bỏ qua. Nguyên nhân là do dữ liệu đắt và khó thu thập, nên không ít nhà lập trình “tiết kiệm” dữ liệu khi thử nghiệm. Tuy nhiên, đây lại là yếu tố rất quan trọng giúp thiết lập hiệu suất tiêu chuẩn của mô hình.
Ngoài một biến hiệu suất phụ thuộc để tối ưu hóa, bạn cũng có thể sử dụng trực quan hóa ma trận lỗi để có được thông tin chi tiết về dữ liệu của mình. Bằng cách hình dung các trường hợp được phân loại sai, bạn có thể hiểu rõ hơn về loại hình ảnh nào được trình bày thiếu khi mô tả toàn bộ lớp.
Thu thập dữ liệu và cải tiến tự động
Sau khi mô hình được triển khai thành một số loại ứng dụng, bạn có thể tìm cách thu thập thêm dữ liệu và từ đó cải thiện hiệu suất và khả năng tổng quát hóa của mô hình.
Trên đây là 5 bước tiến hành phân loại hình ảnh. Bạn cũng có thể tìm hiểu thêm các kỹ thuật và phương thức hoạt động của mô hình phân loại ảnh tại đây.
