Ứng dụng mạng DenseNet vào phân loại hình ảnh.pdf

Xây dựng một hệ thống nhận diện và phân loại hình ảnh dựa trên mạng neural DenseNet. Hệ thống này sẽ phân tích bức ảnh đầu vào và xác định đối tượng chính xuất hiện trong ảnh.

1. https://aicandy.vn/ung-dung-mang-densenet-vao-phan-loai-hinh-anh/
Bản quyền thuộc về: https://aicandy.vn


Học tập toàn diện: Kết nối lý thuyết, thực hành và dữ liệu thực tế
https://aicandy.vn
1

Ứng dụng mạng DenseNet vào phân loại
hình ảnh
Nội dung
 1. Bài toán
 2. Thực hiện
o 2.1. Cấu trúc chương trình
o 2.2. Dữ liệu
o 2.3. Build model
o 2.4. Chương trình train
o 2.5. Chương trình test
o 2.6. Chương trình chuyển đổi model
 3. Kết quả train
 4. Kết quả test
 5. Source code
1. Bài toán
Xây dựng một hệ thống nhận diện và phân loại hình ảnh dựa trên mạng
neural DenseNet. Hệ thống này sẽ phân tích bức ảnh đầu vào và xác định
đối tượng chính xuất hiện trong ảnh.

2. Thực hiện
2.1. Cấu trúc chương trình

2. https://aicandy.vn/ung-dung-mang-densenet-vao-phan-loai-hinh-anh/
Bản quyền thuộc về: https://aicandy.vn


Học tập toàn diện: Kết nối lý thuyết, thực hành và dữ liệu thực tế
https://aicandy.vn
2

Với mục đích dễ quản lý source code, chúng ta có thể đặt chương trình như
sau:
root@aicandy:/aicandy/projects/AIcandy_RetinaNet_ObjectDetection_mqe
prgnq# tree
.
├── aicandy_output_ntroyvui
│ └── aicandy_pretrain_resnet_rvkndbxy.pth
├── aicandy_retinanet_test_cliaskyp.py
├── aicandy_retinanet_train_rpnekclt.py
├── aicandy_utils_src_obilenxc
│ ├── anchors.py
│ ├── arial.ttf
│ ├── evaluate.py
│ ├── dataloader.py
│ ├── losses.py
│ └── model.py
└── image_test.jpg
Trong đó:
– File aicandy_model_densenet_ekktouop.py chứa model
– File aicandy_densenet_train_sgxbapee.py chứa chương trình train
– File aicandy_densenet_test_beyugdam.py chứa chương trình để test.
– File aicandy_densenet_convert_onnx_dvicqkqc.py chứa chương trình
chuyển đổi từ model pytorch sang model onnx phục vụ triển khai model
trên nhiều thiết bị khác nhau.
2.2. Dữ liệu
Dữ liệu phục vụ cho việc train gồm các ảnh đã được phân loại trước và được
lưu trong các folder theo đối tượng, tên của folder là tên của đối tượng. Ví

3. https://aicandy.vn/ung-dung-mang-densenet-vao-phan-loai-hinh-anh/
Bản quyền thuộc về: https://aicandy.vn


Học tập toàn diện: Kết nối lý thuyết, thực hành và dữ liệu thực tế
https://aicandy.vn
3

dụ trong bài này chúng ta có folder ‘dogs’ để chứa tất cả các ảnh có hình ảnh
‘dog’ và folder ‘cats’ để chứa tất cả các hình ảnh có ‘cat’.
Bộ dataset có cấu trúc như sau:
root@aicandy:/aicandy/datasets/aicandy_motorcycle_humukdiy# ls
annotations train2017 val2017
root@aicandy:/aicandy/datasets/aicandy_motorcycle_humukdiy# ls
annotations/
instances_train2017.json instances_val2017.json
root@aicandy:/aicandy/datasets/aicandy_motorcycle_humukdiy#
root@aicandy:/aicandy/datasets/aicandy_motorcycle_humukdiy# cd
train2017/
root@aicandy:/aicandy/datasets/aicandy_motorcycle_humukdiy/train2017
# tree | head -n 6
.
├── 000000000073.jpg
├── 000000000086.jpg
├── 000000000529.jpg
├── 000000000629.jpg
├── 000000000656.jpg
root@aicandy:/aicandy/datasets/aicandy_motorcycle_humukdiy/train2017
# cd ../val2017/
root@aicandy:/aicandy/datasets/aicandy_motorcycle_humukdiy/val2017#
tree | head -n 6
.
├── 000000007386.jpg
├── 000000007816.jpg
├── 000000008211.jpg
├── 000000011149.jpg
├── 000000011511.jpg
root@aicandy:/aicandy/datasets/aicandy_motorcycle_humukdiy/val2017#

4. https://aicandy.vn/ung-dung-mang-densenet-vao-phan-loai-hinh-anh/
Bản quyền thuộc về: https://aicandy.vn


Học tập toàn diện: Kết nối lý thuyết, thực hành và dữ liệu thực tế
https://aicandy.vn
4

Bộ dữ liệu sử dụng trong bài gồm bộ aicandy_cats_mkemktch và
bộ aicandy_dogs_lpmdvpox được download miễn phí tại đây
2.3. Build model
Xây dựng mô hình gồm các thành phần chính:
DenseBlock Class
DenseBlock là khối chính của mô hình DenseNet. Mỗi khối DenseBlock
chứa một số lớp tích chập, và đầu ra của mỗi lớp này được nối với đầu vào
của tất cả các lớp tiếp theo trong khối.
 __init__ method:
o num_layers: Số lượng lớp trong DenseBlock.
o in_channels: Số kênh đầu vào.
o growth_rate: Số lượng kênh mà mỗi lớp sẽ thêm vào đầu ra.
o Tạo ra một danh sách các lớp trong DenseBlock bằng cách sử
dụng phương thức _make_layer.
 _make_layer method:
o Tạo ra một lớp bao gồm BatchNorm2d, ReLU, và Conv2d với
kích thước kernel là 3×3.
 forward method:
o Áp dụng từng lớp trong self.layers lên x và kết hợp đầu ra mới
với x thông qua torch.cat.
TransitionLayer Class
TransitionLayer được sử dụng để giảm kích thước không gian (spatial size)
của đầu vào giữa các DenseBlock, đồng thời giảm số lượng kênh đầu ra.
 __init__ method:
o Tạo ra một lớp bao gồm BatchNorm2d, ReLU, Conv2d với kernel
1×1, và AvgPool2d.
 forward method:
o Đơn giản là trả về kết quả sau khi áp dụng toàn bộ các lớp trong
self.layer lên x.

5. https://aicandy.vn/ung-dung-mang-densenet-vao-phan-loai-hinh-anh/
Bản quyền thuộc về: https://aicandy.vn


Học tập toàn diện: Kết nối lý thuyết, thực hành và dữ liệu thực tế
https://aicandy.vn
5

DenseNet Class
Đây là lớp chính mô tả cấu trúc của mạng DenseNet.
 __init__ method:
o num_blocks: Số lượng các khối DenseBlock.
o growth_rate: Tốc độ tăng trưởng của số lượng kênh sau mỗi lớp.
o num_classes: Số lượng lớp đầu ra (tương ứng với số lượng các
lớp phân loại).
o Khởi tạo conv1 để xử lý đầu vào ban đầu với kernel 3×3.
o Tạo danh sách các khối DenseBlock và TransitionLayer, với số
lượng kênh tăng dần sau mỗi DenseBlock và giảm đi sau mỗi
TransitionLayer.
o Cuối cùng, tạo một lớp BatchNorm2d và một lớp fully-connected
(fc) cho đầu ra cuối cùng.
 forward method:
o Đầu tiên, áp dụng conv1 lên x.
o Sau đó, áp dụng lần lượt các DenseBlock và TransitionLayer.
o Áp dụng BatchNorm2d và ReLU sau cùng, r ồi sử dụng
adaptive_avg_pool2d để thu gọn đầu ra về kích thước 1×1.
o Cuối cùng, đầu ra được chuyển qua lớp fully-connected (fc) để
phân loại.
2.4. Chương trình train
Bước 1: import một số thư viện để xử lý các tác vụ liên quan tới tệp và
đường dẫn (os, sys), thư viện xây dựng và tối ưu hóa mô hình (torch,
torch.optim, torch.nn), các thư viện xử lý hình ảnh (datasets, transform,
train_test_split, Dataloader).
import torc h
import torch.backends.cudnn as cudn n
import torch.nn as n n
import torch.optim as opti m
from torch.utils.data import DataLoade r
from sklearn.model_selection import train_test_spli t
from torch.utils.data import Subse t

6. https://aicandy.vn/ung-dung-mang-densenet-vao-phan-loai-hinh-anh/
Bản quyền thuộc về: https://aicandy.vn


Học tập toàn diện: Kết nối lý thuyết, thực hành và dữ liệu thực tế
https://aicandy.vn
6

from torchvision import datasets, transform s
from aicandy_model_src_bpvbytql.aicandy_model_densenet_ekktouop
import DenseNe t
import o s
import json
Bước 2: lựa chọn sử dụng CPU hay GPU để train, chúng ta sử dụng câu lệnh:
device = torch.device(“cuda” if torch.cuda.is_available() else “cpu”)
Bước 3: tăng cường dữ liệu bằng sử dụng transforms với:
– transforms.Resize((160, 160)): Thay đổi kích thước hình ảnh thành kích
thước cố định (160×160) pixel. Đảm bảo rằng tất cả các hình ảnh đầu vào đều
có cùng kích thước, phù hợp với yêu cầu của mạng nơ-ron.
– transforms.RandomHorizontalFlip(): Lật ngẫu nhiên hình ảnh theo chiều
ngang. Tăng cường dữ liệu bằng cách tạo ra các phiên bản lật của hình ảnh,
giúp mô hình học được các đặc điểm của hình ảnh bất kể hướng của chúng.
– transforms.RandomRotation(10): Xoay ngẫu nhiên hình ảnh một góc từ -
10 đến +10 độ. Giúp mô hình trở nên mạnh mẽ hơn trước các biến thể xoay
của đối tượng trong hình ảnh.
– transforms.ColorJitter(brightness=0.2, contrast=0.2, saturation=0.2,
hue=0.2): Điều chỉnh ngẫu nhiên độ sáng, độ tương phản, độ bão hòa và tông
màu của hình ảnh. Tăng cường dữ liệu bằng cách tạo ra các biến thể màu sắc
khác nhau của hình ảnh, giúp mô hình học được các đặc điểm hình ảnh dưới
các điều kiện ánh sáng và màu sắc khác nhau.
– transforms.ToTensor(): Chuyển đổi hình ảnh từ dạng PIL hoặc NumPy
array thành một tensor PyTorch. Tensor là định dạng dữ liệu mà PyTorch
yêu cầu để xử lý dữ liệu trong quá trình huấn luyện.
– transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224,
0.225]): Chuẩn hóa các giá trị pixel của hình ảnh. Đưa các giá trị pixel về
phạm vi có giá trị trung bình là 0 và độ lệch chuẩn là 1 cho từng kênh màu

7. https://aicandy.vn/ung-dung-mang-densenet-vao-phan-loai-hinh-anh/
Bản quyền thuộc về: https://aicandy.vn


Học tập toàn diện: Kết nối lý thuyết, thực hành và dữ liệu thực tế
https://aicandy.vn
7

(RGB). Điều này giúp mô hình huấn luyện hiệu quả hơn vì các giá trị đầu
vào được chuẩn hóa.
Bước 4: Load data và phân chia thành 2 tập train và val để đánh giá model
dataset = datasets.ImageFolder(root=train_dir, transform=transform)
 datasets.ImageFolder: Đây là một tiện ích của PyTorch để tải ảnh từ
một thư mục. Thư mục này cần được tổ chức theo cấu trúc, mỗi thư
mục con đại diện cho một lớp (class) khác nhau.
 root=train_dir: train_dir là đường dẫn tới thư mục chứa các ảnh huấn
luyện.
 transform=transform: transform là các phép biến đổi (ví dụ: thay đổi
kích thước, chuẩn hóa, tăng cường dữ liệu) được áp dụng lên các ảnh
khi chúng được tải lên.
train_idx, val_idx = train_test_split(list(range(len(dataset))), test_size=0.2,
random_state=42)
 train_test_split: Hàm này từ thư viện sklearn.model_selection chia dữ
liệu thành hai phần: huấn luyện và kiểm tra (validation).
 list(range(len(dataset))): Tạo một danh sách các chỉ số tương ứng với
tất cả các ảnh trong tập dữ liệu.
 test_size=0.2: 20% dữ liệu được dành cho tập kiểm tra.
 random_state=42: Seed cho bộ sinh số ngẫu nhiên để đảm bảo việc
chia dữ liệu có thể tái lập.
train_dataset = Subset(dataset, tra in_idx)
val_dataset = Subset(dataset, val_idx)
 Subset: Một tiện ích của PyTorch để tạo tập con từ tập dữ liệu gốc dựa
trên các chỉ số đã chỉ định.
 train_dataset: Chứa dữ liệu huấn luyện.
 val_dataset: Chứa dữ liệu kiểm tra.
train_loader = DataLoader(train_dataset, batch_size=batch_size,
shuffle=True, num_workers=4 )

8. https://aicandy.vn/ung-dung-mang-densenet-vao-phan-loai-hinh-anh/
Bản quyền thuộc về: https://aicandy.vn


Học tập toàn diện: Kết nối lý thuyết, thực hành và dữ liệu thực tế
https://aicandy.vn
8

val_loader = DataLoader(val_dataset, batch_size=batch_size,
shuffle=False, num_workers=4)
 DataLoader: Một tiện ích của PyTorch để tải dữ liệu theo từng batch,
cung cấp một iterator (bộ lặp) qua tập dữ liệu.
 train_loader: Dùng để tải dữ liệu huấn luyện theo từng batch.
o batch_size=batch_size: Xác định số lượng mẫu trong mỗi batch.
o shuffle=True: Trộn ngẫu nhiên dữ liệu vào đầu mỗi epoch để
ngăn mô hình học theo thứ tự của dữ liệu.
 val_loader: Dùng để tải dữ liệu kiểm tra theo từng batch.
o shuffle=False: Không trộn dữ liệu kiểm tra, giữ nguyên thứ tự
của các mẫu.
 num_workers=4: Xác định số lượng luồng con (subprocesses) để tải
dữ liệu. Số lượng luồng con cao hơn có thể tăng tốc độ tải dữ liệu.
Bước 5: Lưu thông tin các đối tượng có trong dataset
with open(‘label.txt’, ‘w’) as f :
for idx, class_name in enumerate(dataset.classes) :
f.write(f'{idx}: {class_name}\n’)
Chương trình sẽ lưu id và tên của đối tượng vào file label.txt.
Bước 6: Tạo model, tối ưu và tạo hàm mất mát
model = DenseNet(num_blocks=[6, 12, 24, 16], growth_rate=12,
num_classes=num_classes).to(device)
Khởi tạo mô hình DenseNet với các tham số cụ thể và chuyển nó sang thiết
bị (GPU hoặc CPU) để thực thi.
num_blocks=[6, 12, 24, 16]:
Đây là danh sách xác định số lượng lớp trong mỗi DenseBlock. Mô hình sẽ
có 4 DenseBlock:

o Khối đầu tiên có 6 lớp.

9. https://aicandy.vn/ung-dung-mang-densenet-vao-phan-loai-hinh-anh/
Bản quyền thuộc về: https://aicandy.vn


Học tập toàn diện: Kết nối lý thuyết, thực hành và dữ liệu thực tế
https://aicandy.vn
9

o Khối thứ hai có 12 lớp.
o Khối thứ ba có 24 lớp.
o Khối thứ tư có 16 lớp
growth_rate=12:
 growth_rate xác định số lượng kênh mới được thêm vào sau mỗi lớp
trong một DenseBlock. Ở đây, mỗi lớp trong DenseBlock sẽ thêm 12
kênh vào đầu ra.
num_classes=num_classes:
 Đây là số lượng lớp phân loại của mô hình, là số lượng các nhãn phân
loại.
criterion = nn.CrossEntropyLoss():
Hàm mất mát này đo lường độ sai lệch giữa phân phối xác suất dự đoán của
mô hình và phân phối nhãn thật. Giá trị mất mát này càng nhỏ thì mô hình
dự đoán càng chính xác.
optimizer = optim.Adam(model.parameters(), lr=0.001):
 optim.Adam:
o Adam là một thuật toán tối ưu hóa rất phổ biến trong huấn luyện
mô hình học sâu, kết hợp giữa phương pháp tối ưu hóa theo
momentum và phương pháp tối ưu hóa theo hàm điều chỉnh
AdaGrad.
o Adam tự động điều chỉnh tốc độ học (learning rate) cho từng
tham số dựa trên các biến động trong quá trình huấn luyện, giúp
tăng tốc độ hội tụ và thường cho kết quả tốt hơn so với các bộ tối
ưu hóa khác như SGD.
 model.parameters():
o Tham số này lấy tất cả các tham số có thể huấn luyện được của
mô hình DenseNet mà bạn đã tạo trước đó. Bộ tối ưu hóa sẽ cập
nhật những tham số này trong quá trình huấn luyện.
 lr=0.001:

10. https://aicandy.vn/ung-dung-mang-densenet-vao-phan-loai-hinh-anh/
Bản quyền thuộc về: https://aicandy.vn


Học tập toàn diện: Kết nối lý thuyết, thực hành và dữ liệu thực tế
https://aicandy.vn
10

o lr là tốc độ học (learning rate), một tham số quan trọng quyết
định mức độ thay đổi của các tham số mô hình sau mỗi bước cập
nhật. Ở đây, tốc độ học được đặt là 0.001, một giá trị thường dùng
để khởi tạo trong nhiều bài toán học sâu.
optimizer.zero_grad():
Trước khi thực hiện tính toán gradients, cần đặt lại các gradients cũ (nếu có)
bằng zero_grad(). Điều này đảm bảo rằng gradients không bị cộng dồn từ
các vòng lặp trước đó.
loss = criterion(outputs, labels):
Hàm mất mát (criterion) so sánh đầu ra dự đoán (outputs) với nhãn thực tế
(labels) và tính toán giá trị mất mát (loss), biểu thị độ sai lệch của mô hình.
loss.backward():
backward() tính toán gradients của hàm mất mát đối với các tham số của mô
hình. Đây là bước đầu tiên trong quá trình cập nhật các tham số dựa trên
gradients.
Bước 7: Dự đoán nhãn và tính toán độ chính xác
_, preds = torch.max(outputs, 1):
torch.max(outputs, 1) lấy giá trị lớn nhất (có xác suất cao nhất) và chỉ số
tương ứng từ outputs dọc theo chiều thứ nhất (class dimension). preds là dự
đoán của mô hình về lớp đầu ra.
running_corrects += torch.sum(preds == labels.data):
torch.sum(preds == labels.data) đếm số lượng dự đoán đúng trong batch
hiện tại bằng cách so sánh preds với nhãn thực tế (labels.data).
train_acc = 100 * running_corrects.double() / len(train_dataset):
running_corrects.double() chuyển running_corrects sang dạng số thực để
tính toán chính xác.

11. https://aicandy.vn/ung-dung-mang-densenet-vao-phan-loai-hinh-anh/
Bản quyền thuộc về: https://aicandy.vn


Học tập toàn diện: Kết nối lý thuyết, thực hành và dữ liệu thực tế
https://aicandy.vn
11

train_acc là tỷ lệ phần trăm các dự đoán đúng trên toàn bộ tập dữ liệu huấn
luyện, tính theo công thức: (số dự đoán đúng / tổng số mẫu) * 100.
Bước 8: Hiện thị thông tin kết quả train và lưu model
val_acc = 100 * val_correct / val_total
val_loss /= len(val_loader)
print(f’Epoch [{epoch+1}/{num_epochs}], Train Loss: {train_loss:.4f}, Train
Accuracy: {train_acc:.2f}%, Val Loss: {val_loss:.4f}, Val Accuracy:
{val_acc:.2f}%’)
 val_acc: Tính toán và lưu trữ độ chính xác của mô hình trên tập kiểm
tra.
 val_loss: Tính toán và lưu trữ mất mát trung bình của mô hình trên tập
kiểm tra.
 print(…): Hiển thị kết quả của epoch bao gồm: mất mát và độ chính
xác trên cả tập huấn luyện và tập kiểm tra. Điều này giúp bạn theo dõi
quá trình huấn luyện và kiểm tra mô hình, xác định xem mô hình có
cải thiện hay không qua các epoch.
if val_acc > best_acc :
best_acc = val_ac c
torch.save(model.state_dict(), model_path )
print(f’Saved best model with accuracy: {best_acc:.2f}%’)
Sau mỗi epoch train, kiểm tra tính chính xác, nếu độ chính xác tốt lên thì sẽ
lưu model với bộ trọng số này.
2.5. Chương trình test
Bước 1: Cần import một số thư viện và cấu trúc model
import torc h
import torch.nn.functional as F
from torchvision import transform s
from PIL import Imag e

12. https://aicandy.vn/ung-dung-mang-densenet-vao-phan-loai-hinh-anh/
Bản quyền thuộc về: https://aicandy.vn


Học tập toàn diện: Kết nối lý thuyết, thực hành và dữ liệu thực tế
https://aicandy.vn
12

from aicandy_model_src_bpvbytql.aicandy_model_densenet_ekktouop
import DenseNe t
import jso n
import os
Bước 2: Xác định tên đối tượng có trong model
with open(label_path, ‘r’) as f :
labels = {int(line.split(“: “)[0]): line.split(“: “)[1].strip() for line in f}
Đoạn trên sẽ trả về cho labels một từ điển với cặp key-value, trong đó:
 key là ID của nhãn (dạng số nguyên).
 value là tên của nhãn (dạng chuỗi).
Bước 3: Load model
model = DenseNet(num_blocks=[6, 12, 24, 16], growth_rate=12,
num_classes=num_classes)
model.load_state_dict(torch.load(model_path, map_location=device))
model.to(device)
model.eval()
Tạo cấu trúc model khi test giống như cấu trúc model khi train.
model.load_state_dict(torch.load(model_path, map_location=device))
 Tải trọng số của mô hình từ tệp model_path. Trọng số này là kết quả
của quá trình huấn luyện trước đó.
 map_location=device: Đảm bảo rằng trọng số được tải lên thiết bị
(device) cụ thể (CPU hoặc GPU), giúp tránh lỗi khi sử dụng mô hình
trên một thiết bị khác so với thiết bị đã huấn luyện.
model.eval()
Chuyển mô hình sang chế độ đánh giá (evaluation mode). Trong chế độ này,
các lớp như Dropout và BatchNorm sẽ hoạt động khác so với khi ở chế độ
huấn luyện.

13. https://aicandy.vn/ung-dung-mang-densenet-vao-phan-loai-hinh-anh/
Bản quyền thuộc về: https://aicandy.vn


Học tập toàn diện: Kết nối lý thuyết, thực hành và dữ liệu thực tế
https://aicandy.vn
13

transform = transforms.Compose( [
transforms.Resize((160, 160)) ,
transforms.ToTensor(),
transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
])
Đoạn mã này định nghĩa một chuỗi các bước tiền xử lý (preprocessing) được
áp dụng cho các hình ảnh trước khi chúng được đưa vào mô hình học sâu.
Các bước tiền xử lý này giúp chuẩn hóa dữ liệu đầu vào và chuyển đổi hình
ảnh sang định dạng phù hợp cho mô hình. Trong đó:
 Normalize là bước chuẩn hóa từng kênh màu của hình ảnh (R, G, B)
bằng cách trừ đi giá trị trung bình (mean) và chia cho độ lệch chuẩn
(std).
 [0.485, 0.456, 0.406]: Đây là các giá trị trung bình của các kênh màu (R,
G, B) dựa trên bộ dữ liệu ImageNet, một bộ dữ liệu lớn phổ biến được
dùng để huấn luyện các mô hình học sâu.
 [0.229, 0.224, 0.225]: Đây là các giá trị độ lệch chuẩn tương ứng của các
kênh màu (R, G, B), cũng dựa trên bộ dữ liệu ImageNet.
 Chuẩn hóa này giúp đảm bảo rằng dữ liệu đầu vào có phân phối ổn
định, giúp mô hình học tốt hơn và tăng tốc độ hội tụ.
Bước 4: Dự đoán kết quả
with torch.no_grad() :
outputs = model(image )
_, predicted = torch.max(outputs, 1 )
with torch.no_grad():
 Đây là một ngữ cảnh (context) trong PyTorch, trong đó các phép tính
bên trong sẽ không yêu cầu lưu trữ thông tin về gradient.
 Điều này giúp tiết kiệm bộ nhớ và tăng tốc độ tính toán khi thực hiện
dự đoán, vì không cần tính toán và lưu trữ gradient như khi huấn
luyện mô hình.
 Chế độ này thường được sử dụng trong quá trình dự đoán (inference)
hoặc đánh giá mô hình.

14. https://aicandy.vn/ung-dung-mang-densenet-vao-phan-loai-hinh-anh/
Bản quyền thuộc về: https://aicandy.vn


Học tập toàn diện: Kết nối lý thuyết, thực hành và dữ liệu thực tế
https://aicandy.vn
14

torch.max(outputs, 1):
 Hàm torch.max tìm giá trị lớn nhất trong tensor outputs dọc theo
chiều thứ nhất (dim=1).
 Trong ngữ cảnh phân loại, mỗi giá trị trong outputs đại diện cho xác
suất hoặc độ tin cậy rằng ảnh thuộc về một lớp cụ thể.
 Kết quả trả về là một tuple với hai phần tử:
o Phần tử đầu tiên (_) là giá trị lớn nhất (có thể bỏ qua ở đây).
o Phần tử thứ hai (predicted) là chỉ số (index) của giá trị lớn nhất,
tương ứng với lớp mà mô hình dự đoán.
predicted_class = predicted.item()
predicted.item():
 Phương thức item() chuyển đổi một tensor có kích thước 1 (một giá trị
duy nhất) thành một giá trị số Python thông thường (integer).
2.6. Chương trình chuyển đổi model
Bước 1: Load model
model = DenseNet(num_blocks=[6, 12, 24, 16], growth_rate=12,
num_classes=num_classes)
model.load_state_dict(torch.load(model_path, map_location=device))
model.to(device)
model.eval()
Tạo cấu trúc model khi test giống như cấu trúc model khi train.
model.load_state_dict(torch.load(model_path, map_location=device))
 Tải trọng số của mô hình từ tệp model_path. Trọng số này là kết quả
của quá trình huấn luyện trước đó.
 map_location=device: Đảm bảo rằng trọng số được tải lên thiết bị
(device) cụ thể (CPU hoặc GPU), giúp tránh lỗi khi sử dụng mô hình
trên một thiết bị khác so với thiết bị đã huấn luyện.

15. https://aicandy.vn/ung-dung-mang-densenet-vao-phan-loai-hinh-anh/
Bản quyền thuộc về: https://aicandy.vn


Học tập toàn diện: Kết nối lý thuyết, thực hành và dữ liệu thực tế
https://aicandy.vn
15

model.eval()
Chuyển mô hình sang chế độ đánh giá (evaluation mode). Trong chế độ này,
các lớp như Dropout và BatchNorm sẽ hoạt động khác so với khi ở chế độ
huấn luyện.
Bước 2: Convert model
dummy_input = torch.randn(1, 3, 160, 160, device=device):
torch.randn tạo ra một tensor với các giá trị ngẫu nhiên tuân theo phân phối
chuẩn (mean=0, std=1). Kích thước của tensor này là (1, 3, 160, 160)
torch.onnx.export(model, dummy_input, output_path, verbose=True,
input_names=[‘input’], output_names=[‘output’]):
 torch.onnx.export:
o Đây là hàm dùng để xuất mô hình PyTorch sang định dạng
ONNX.
 dummy_input:
o Đây là đầu vào giả lập mà mô hình sẽ sử dụng để theo dõi các
phép toán và xây dựng biểu đồ tính toán trong định dạng
ONNX.
 output_path:
o Đường dẫn đến file mà mô hình ONNX sẽ được lưu (file có phần
mở rộng là .onnx).
 verbose=True:
o Tham số này được đặt để in ra thông tin chi tiết về quá trình
chuyển đổi, bao gồm các phép toán và cấu trúc biểu đồ tính toán.
 input_names=[‘input’]:
o Tên của các đầu vào trong mô hình ONNX. Ở đây, đầu vào của
mô hình sẽ được đặt tên là “input”.
 output_names=[‘output’]:
o Tên của các đầu ra trong mô hình ONNX. Ở đây, đầu ra của mô
hình sẽ được đặt tên là “output”.
3. Kết quả train

16. https://aicandy.vn/ung-dung-mang-densenet-vao-phan-loai-hinh-anh/
Bản quyền thuộc về: https://aicandy.vn


Học tập toàn diện: Kết nối lý thuyết, thực hành và dữ liệu thực tế
https://aicandy.vn
16

Thực hiện train với epoch 100, độ chính xác là 92.87%, đạt được ở epoch 92.
Đây là chương trình mẫu, để tăng độ chính xác, chúng ta cũng cần điều chỉnh
thêm một số tham số, tăng epoch cũng như tăng số lượng mẫu. Dưới đây là
log train ở 50 epoch cuối:
Epoch [48/100], Train Loss: 0.3398, Train Accuracy: 85.16%, Val
Loss: 0.3798, Val Accuracy: 84.86%
Saved best model with accuracy: 84.86%
Epoch [49/100], Train Loss: 0.3313, Train Accuracy: 85.50%, Val
Loss: 0.4189, Val Accuracy: 81.35%
Epoch [50/100], Train Loss: 0.3485, Train Accuracy: 84.34%, Val
Loss: 0.4067, Val Accuracy: 82.73%
Epoch [51/100], Train Loss: 0.3241, Train Accuracy: 86.03%, Val
Loss: 0.3995, Val Accuracy: 81.60%
Epoch [52/100], Train Loss: 0.3441, Train Accuracy: 84.59%, Val
Loss: 0.3865, Val Accuracy: 81.48%
Epoch [53/100], Train Loss: 0.3089, Train Accuracy: 86.88%, Val
Loss: 0.3566, Val Accuracy: 84.48%
Epoch [54/100], Train Loss: 0.3100, Train Accuracy: 87.10%, Val
Loss: 0.3357, Val Accuracy: 85.23%
Saved best model with accuracy: 85.23%
Epoch [55/100], Train Loss: 0.2958, Train Accuracy: 87.47%, Val
Loss: 0.3914, Val Accuracy: 83.73%
Epoch [56/100], Train Loss: 0.2899, Train Accuracy: 87.25%, Val
Loss: 0.3039, Val Accuracy: 87.61%
Saved best model with accuracy: 87.61%
Epoch [57/100], Train Loss: 0.2945, Train Accuracy: 87.25%, Val
Loss: 0.3562, Val Accuracy: 85.86%
Epoch [58/100], Train Loss: 0.2781, Train Accuracy: 88.66%, Val
Loss: 0.3910, Val Accuracy: 83.85%
Epoch [59/100], Train Loss: 0.2809, Train Accuracy: 87.91%, Val
Loss: 0.4509, Val Accuracy: 82.98%
Epoch [60/100], Train Loss: 0.2493, Train Accuracy: 90.07%, Val
Loss: 0.3100, Val Accuracy: 86.61%
Epoch [61/100], Train Loss: 0.2447, Train Accuracy: 90.17%, Val
Loss: 0.2972, Val Accuracy: 88.11%

17. https://aicandy.vn/ung-dung-mang-densenet-vao-phan-loai-hinh-anh/
Bản quyền thuộc về: https://aicandy.vn


Học tập toàn diện: Kết nối lý thuyết, thực hành và dữ liệu thực tế
https://aicandy.vn
17

Saved best model with accuracy: 88.11%
Epoch [62/100], Train Loss: 0.2283, Train Accuracy: 91.26%, Val
Loss: 0.3010, Val Accuracy: 87.36%
Epoch [63/100], Train Loss: 0.2285, Train Accuracy: 90.95%, Val
Loss: 0.4160, Val Accuracy: 84.61%
Epoch [64/100], Train Loss: 0.2343, Train Accuracy: 90.29%, Val
Loss: 0.2842, Val Accuracy: 87.11%
Epoch [65/100], Train Loss: 0.2482, Train Accuracy: 89.41%, Val
Loss: 0.3215, Val Accuracy: 87.23%
Epoch [66/100], Train Loss: 0.2161, Train Accuracy: 90.82%, Val
Loss: 0.3102, Val Accuracy: 86.73%
Epoch [67/100], Train Loss: 0.2204, Train Accuracy: 90.89%, Val
Loss: 0.2956, Val Accuracy: 87.48%
Epoch [68/100], Train Loss: 0.2159, Train Accuracy: 91.48%, Val
Loss: 0.2784, Val Accuracy: 89.49%
Saved best model with accuracy: 89.49%
Epoch [69/100], Train Loss: 0.2016, Train Accuracy: 91.61%, Val
Loss: 0.3226, Val Accuracy: 87.86%
Epoch [70/100], Train Loss: 0.1968, Train Accuracy: 91.79%, Val
Loss: 0.3126, Val Accuracy: 87.36%
Epoch [71/100], Train Loss: 0.2069, Train Accuracy: 91.45%, Val
Loss: 0.3093, Val Accuracy: 87.36%
Epoch [72/100], Train Loss: 0.1955, Train Accuracy: 91.76%, Val
Loss: 0.2646, Val Accuracy: 89.36%
Epoch [73/100], Train Loss: 0.1843, Train Accuracy: 92.77%, Val
Loss: 0.2584, Val Accuracy: 89.86%
Saved best model with accuracy: 89.86%
Epoch [74/100], Train Loss: 0.1850, Train Accuracy: 93.24%, Val
Loss: 0.2335, Val Accuracy: 91.24%
Saved best model with accuracy: 91.24%
Epoch [75/100], Train Loss: 0.1846, Train Accuracy: 92.67%, Val
Loss: 0.2625, Val Accuracy: 89.86%
Epoch [76/100], Train Loss: 0.1541, Train Accuracy: 93.83%, Val
Loss: 0.2493, Val Accuracy: 90.11%

18. https://aicandy.vn/ung-dung-mang-densenet-vao-phan-loai-hinh-anh/
Bản quyền thuộc về: https://aicandy.vn


Học tập toàn diện: Kết nối lý thuyết, thực hành và dữ liệu thực tế
https://aicandy.vn
18

Epoch [77/100], Train Loss: 0.1714, Train Accuracy: 92.70%, Val
Loss: 0.2450, Val Accuracy: 89.61%
Epoch [78/100], Train Loss: 0.1572, Train Accuracy: 93.80%, Val
Loss: 0.2977, Val Accuracy: 86.73%
Epoch [79/100], Train Loss: 0.1527, Train Accuracy: 93.99%, Val
Loss: 0.3714, Val Accuracy: 87.11%
Epoch [80/100], Train Loss: 0.1570, Train Accuracy: 93.83%, Val
Loss: 0.2367, Val Accuracy: 89.99%
Epoch [81/100], Train Loss: 0.1446, Train Accuracy: 94.27%, Val
Loss: 0.2823, Val Accuracy: 88.24%
Epoch [82/100], Train Loss: 0.1579, Train Accuracy: 93.52%, Val
Loss: 0.2407, Val Accuracy: 90.61%
Epoch [83/100], Train Loss: 0.1529, Train Accuracy: 93.96%, Val
Loss: 0.2373, Val Accuracy: 91.11%
Epoch [84/100], Train Loss: 0.1342, Train Accuracy: 94.90%, Val
Loss: 0.2304, Val Accuracy: 90.61%
Epoch [85/100], Train Loss: 0.1363, Train Accuracy: 94.68%, Val
Loss: 0.2675, Val Accuracy: 89.24%
Epoch [86/100], Train Loss: 0.1257, Train Accuracy: 95.05%, Val
Loss: 0.2385, Val Accuracy: 89.86%
Epoch [87/100], Train Loss: 0.1292, Train Accuracy: 95.15%, Val
Loss: 0.2417, Val Accuracy: 90.49%
Epoch [88/100], Train Loss: 0.1236, Train Accuracy: 94.96%, Val
Loss: 0.2758, Val Accuracy: 90.61%
Epoch [89/100], Train Loss: 0.1444, Train Accuracy: 94.55%, Val
Loss: 0.2456, Val Accuracy: 90.86%
Epoch [90/100], Train Loss: 0.1004, Train Accuracy: 96.12%, Val
Loss: 0.2596, Val Accuracy: 90.36%
Epoch [91/100], Train Loss: 0.1111, Train Accuracy: 95.80%, Val
Loss: 0.2047, Val Accuracy: 90.99%
Epoch [92/100], Train Loss: 0.1065, Train Accuracy: 96.05%, Val
Loss: 0.2179, Val Accuracy: 92.87%
Saved best model with accuracy: 92.87%
Epoch [93/100], Train Loss: 0.1165, Train Accuracy: 95.21%, Val
Loss: 0.2356, Val Accuracy: 89.74%

19. https://aicandy.vn/ung-dung-mang-densenet-vao-phan-loai-hinh-anh/
Bản quyền thuộc về: https://aicandy.vn


Học tập toàn diện: Kết nối lý thuyết, thực hành và dữ liệu thực tế
https://aicandy.vn
19

Epoch [94/100], Train Loss: 0.0952, Train Accuracy: 96.52%, Val
Loss: 0.2817, Val Accuracy: 89.61%
Epoch [95/100], Train Loss: 0.1412, Train Accuracy: 94.80%, Val
Loss: 0.2196, Val Accuracy: 91.36%
Epoch [96/100], Train Loss: 0.1196, Train Accuracy: 95.02%, Val
Loss: 0.2281, Val Accuracy: 91.86%
Epoch [97/100], Train Loss: 0.0931, Train Accuracy: 96.59%, Val
Loss: 0.2502, Val Accuracy: 90.74%
Epoch [98/100], Train Loss: 0.1017, Train Accuracy: 96.18%, Val
Loss: 0.2113, Val Accuracy: 92.37%
Epoch [99/100], Train Loss: 0.0991, Train Accuracy: 96.12%, Val
Loss: 0.2252, Val Accuracy: 91.49%
Epoch [100/100], Train Loss: 0.0888, Train Accuracy: 96.18%, Val
Loss: 0.2433, Val Accuracy: 90.74%
root@aicandy:/aicandy/projects/AIcandy_DenseNet_ImageClassification_
mexgtkug#
Model đ ược l ưu t ại:
aicandy_model_out_ddmalncc/aicandy_model_pth_silsegko.pth
root@aicandy:/aicandy/projects/AIcandy_DenseNet_ImageClassification_
mexgtkug# ls aicandy_model_out_ddmalncc
aicandy_model_pth_silsegko.pth
root@aicandy:/aicandy/projects/AIcandy_DenseNet_ImageClassification_
mexgtkug#
4. Kết quả test
Thử nghiệm test với hình ảnh có ‘dog’, chương trình nhận dạng đúng.

20. https://aicandy.vn/ung-dung-mang-densenet-vao-phan-loai-hinh-anh/
Bản quyền thuộc về: https://aicandy.vn


Học tập toàn diện: Kết nối lý thuyết, thực hành và dữ liệu thực tế
https://aicandy.vn
20


root@aicandy:/aicandy/projects/AIcandy_DenseNet_ImageClassification_
mexgtkug# python aicandy_densenet_test_beyugdam.py --image_path
../aicandy_true_dog.jpg --model_path
aicandy_model_out_ddmalncc/aicandy_model_pth_silsegko.pt h
labels: {0: 'cats', 1: 'dogs'}
Predicted class: dogs
root@aicandy:/aicandy/projects/AIcandy_DenseNet_ImageClassification_
mexgtkug#
5. Source code
Toàn bộ source code được public miễn phí tại đây
Bài trước
Danh mục
Bài sau
Chúc bạn thành công trong hành trình khám phá và ứng dụng trí tuệ nhân tạo
vào học tập và công việc. Đừng quên truy cập thường xuyên để cập nhật thêm
kiến thức mới tại AIcandy