Code python đồ án phân loại, nhận diện biển báo giao thông

Code python đồ án phân loại, nhận diện biển báo giao thông

Nhận diện và phân loại biển báo giao thông
Đồ án môn học Kỹ thuật lập trình Python – IE221

Tổng quan:

Đồ án này tập trung vào việc phát triển một hệ thống nhận diện và phân loại biển báo giao thông, với mục tiêu ứng dụng công nghệ học máy để phân loại các loại biển báo giao thông của Đức. Dự án sử dụng nhiều mô hình học máy để đạt được độ chính xác cao trong việc nhận diện và phân loại biển báo từ hình ảnh hoặc video.

Các mô hình sử dụng:

• Mô hình từ môn Học máy thống kê – DS102: Các mô hình đã được đào tạo trước đó bao gồm K-Nearest Neighbors (KNN), Support Vector Machine (SVM), và Convolutional Neural Network (CNN), với kết quả chính xác cao hơn so với các mô hình khác.

• Mô hình Random Forest và XGBoost: Đây là các mô hình mới được đào tạo và tích hợp vào dự án này, nhằm cải thiện hiệu suất phân loại và tăng cường khả năng nhận diện biển báo giao thông.

• Mô hình CNN (Convolutional Neural Network): Được tùy chỉnh đặc biệt cho dự án này với mục tiêu đạt được độ chính xác cao nhất. Dựa trên kết quả so sánh giữa các mô hình, CNN đã được chọn vì đây là mô hình phân loại hiệu quả nhất trong việc nhận diện biển báo giao thông.

Mục tiêu dự án:

• Đào tạo và áp dụng các mô hình phân loại bao gồm: KNN, SVM, Random Forest (RF), và CNN để nhận diện và phân loại biển báo giao thông của Đức.

• Giải quyết bài toán phân loại hình ảnh nhiều lớp, trong đó đầu vào là một bức ảnh hoặc video chứa biển báo giao thông và đầu ra là việc nhận diện và phân loại loại biển báo đó.

Tài liệu:

• File note_traffic_sign_comparison.ipynb: Tổng hợp các mô hình đã được áp dụng và so sánh hiệu suất của chúng.

• File traffic_sign_clf.py: Mô hình CNN đã được tùy chỉnh để phục vụ mục tiêu cụ thể của dự án, dựa trên kết quả phân tích cho thấy CNN là lựa chọn tốt nhất.

Dự án này hướng đến việc cải thiện khả năng nhận diện và phân loại biển báo giao thông, giúp nâng cao độ chính xác và hiệu quả trong việc ứng dụng công nghệ học máy trong các hệ thống giao thông thông minh.

Tập dữ liệu được sử dụng để đào tạo mô hình phân loại biển báo giao thông là Germen Traffic Sign Recognition Benchmark (GTSRB)

• Tập dữ liệu công khai tại Kaggle, được cập nhật bởi cộng đồng những người làm việc trong lĩnh vực ML, AI mỗi ngày và là một trong những thư viện tập dữ liệu trực tuyến lớn nhất.
• Ngoài ra, GTSRB là một thử thách phân loại nhiều lớp, được tổ chức tại International Joint Conference on Neural Networks (IJCNN) 2011.
• Tập dữ liệu gồm có hơn 50.000 hình ảnh, gồm 43 lớp

• Tensorflow
• Sk-learn
• Keras
• Opencv
• Matplotlib
• Numpy
• Pandas
• Tkinter

• Load dữ liệu
• Khám phá, phân tích tập dữ liệu
• Trực quan hóa dữ liệu
• Tiền xử lí (Resizing, Grayscaling, Histogram equalization,…)
• Create model
• Train model
• Fit
• Prediction
• Đánh giá mô hình

Đầu vào là video