ในบทความนี้ เราจะสร้างโมเดล Machine Learning สำหรับจำแนกภาพโดยใช้ TensorFlow และ Keras ซึ่งเป็นไลบรารียอดนิยมสำหรับการสร้างโมเดลปัญญาประดิษฐ์ (AI) โมเดลที่เราจะพัฒนาคือโมเดล Convolutional Neural Network (CNN) ซึ่งเป็น Supervised Learning ที่เรียนรู้จากภาพผ่าน Convolutional Layers เพื่อดึงลักษณะสำคัญของภาพ จากนั้นลดขนาดข้อมูลด้วย Pooling Layer และใช้ Fully Connected Layers เพื่อทำนายผล โดยเขียนด้วย Python และใช้ TensorFlow/Keras ในการพัฒนาโครงสร้างโมเดล ฝึกสอนด้วยชุดข้อมูล MNIST และประเมินผลด้วยค่าความแม่นยำของโมเดล

ขั้นตอนการทำงานของโมเดล

  1. นำเข้าไลบรารีที่จำเป็น
  2. โหลดและเตรียมข้อมูลภาพ (ใช้ชุดข้อมูล MNIST ซึ่งประกอบด้วยภาพตัวเลข 0-9)
  3. สร้างโครงสร้างของโมเดล CNN
  4. คอมไพล์และฝึกสอนโมเดล
  5. ทดสอบและประเมินผลโมเดล

1.นำเข้าไลบรารีที่จำเป็น 

import tensorflow as tf
from tensorflow import keras
import matplotlib.pyplot as plt
import numpy as np

โค้ดด้านบนทำการนำเข้าไลบรารีที่จำเป็นในการพัฒนาโมเดล TensorFlow และ Keras สำหรับการสร้างโครงข่ายประสาทเทียม รวมถึง matplotlib และ numpy สำหรับการจัดการและแสดงผลข้อมูล

2.โหลดและเตรียมข้อมูลภาพ 

mnist = keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

เราทำการโหลดชุดข้อมูล MNIST ซึ่งเป็นชุดข้อมูลภาพขาวดำของตัวเลข 0-9 ขนาด 28x28 พิกเซล จากนั้นปรับค่าพิกเซลให้อยู่ในช่วง 0-1 เพื่อให้โมเดลเรียนรู้ได้มีประสิทธิภาพมากขึ้น

3.สร้างโครงสร้างของโมเดล CNN 

model = keras.Sequential([
    keras.layers.Conv2D(32, (3,3), activation='relu', input_shape=(28, 28, 1)),
    keras.layers.MaxPooling2D((2,2)),
    keras.layers.Flatten(),
    keras.layers.Dense(128, activation='relu'),
    keras.layers.Dense(10, activation='softmax')
])

โมเดลที่ใช้คือ Convolutional Neural Network (CNN) ซึ่งมีโครงสร้างดังนี้:

  • Conv2D: ชั้นคอนโวลูชันที่ใช้ตัวกรองขนาด 3x3 จำนวน 32 ตัว เพื่อดึงคุณลักษณะจากภาพ
  • MaxPooling2D: ลดขนาดของภาพลงโดยใช้ฟังก์ชันแมกซ์พูลลิ่ง
  • Flatten: แปลงข้อมูลภาพให้อยู่ในรูปเวกเตอร์ 1 มิติ
  • Dense: มีสองชั้น - ชั้นแรกใช้ 128 นิวรอนพร้อมฟังก์ชัน ReLU และชั้นสุดท้ายใช้ 10 นิวรอนพร้อมฟังก์ชัน Softmax สำหรับการจำแนกประเภท 10 หมวดหมู่

4.คอมไพล์และฝึกสอนโมเดล 

model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
model.fit(x_train.reshape(-1, 28, 28, 1), y_train, epochs=5)

โมเดลถูกคอมไพล์โดยใช้ Adam Optimizer และค่าความสูญเสีย (loss) ใช้ sparse_categorical_crossentropy เพื่อจัดการกับการจำแนกประเภทหลายหมวดหมู่ จากนั้นโมเดลถูกฝึกสอน (fit) เป็นเวลา 5 รอบ (epochs)

จะได้ผลลัพธ์เป็น
Image description

5.ทดสอบและประเมินผลโมเดล 

loss, accuracy = model.evaluate(x_test.reshape(-1, 28, 28, 1), y_test)
print(f"Accuracy: {accuracy*100:.2f}%")

โมเดลถูกนำไปทดสอบด้วยชุดข้อมูลทดสอบ และแสดงค่าความแม่นยำของโมเดล

จะได้ผลลัพธ์เป็น
Image description

ตัวอย่างการรันใช้งาน

เมื่อรันโค้ดด้านล่าง โมเดลจะถูกฝึกด้วยข้อมูลภาพตัวเลข 0-9 และสามารถนำไปทดสอบกับชุดข้อมูลใหม่ได้ เช่น ใช้ภาพจากชุดข้อมูลทดสอบเพื่อให้โมเดลพยากรณ์ตัวเลขที่อยู่ในภาพ

# ทดสอบโมเดลด้วยภาพจากชุดข้อมูลทดสอบ
for i in range(5):  # ทดสอบ 5 ภาพแรกจากชุดข้อมูลทดสอบ
    plt.imshow(x_test[i], cmap='gray')
    prediction = np.argmax(model.predict(x_test[i].reshape(-1, 28, 28, 1)))
    plt.title(f"Prediction: {prediction}")
    plt.show()
    print(f"โมเดลทำนายว่าเป็นเลข: {prediction}")

จะได้ผลลัพธ์เป็น
Image description

ต่อไป เราจะลองมาสร้างตัวอย่างใหม่เป็นการจำแนกภาพด้วยสี

เนื่องจากมีการเปลี่ยนจากการใช้ตัวเลขเป็นสี จึงต้องมีการแก้ไขโค้ดตัวเดิมดังนี้

ขั้นตอนการทำงานของโมเดล

  1. นำเข้าไลบรารีที่จำเป็น
  2. กำหนดโฟลเดอร์ที่เก็บภาพสี
  3. ฟังก์ชันโหลดภาพและป้ายกำกับ
  4. โหลดข้อมูลสี
  5. แบ่งข้อมูลเป็นชุดฝึกและทดสอบ
  6. สร้างโมเดล CNN
  7. คอมไพล์โมเดล
  8. ฝึกโมเดล
  9. บันทึกโมเดล

1.นำเข้าไลบรารีที่จำเป็น 

import os
import cv2
import numpy as np
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense
from tensorflow.keras.optimizers import Adam
from sklearn.model_selection import train_test_split

เราจะใช้ไลบรารีต่างๆ เช่น TensorFlow/Keras สำหรับสร้างโมเดล, OpenCV สำหรับจัดการรูปภาพ และ Scikit-learn สำหรับแบ่งข้อมูลฝึกและทดสอบ

2.กำหนดโฟลเดอร์ที่เก็บภาพสี 

color_images_dir = "color_images"
color_names = ['red', 'green', 'blue', 'orange', 'yellow']

เราจะใช้โฟลเดอร์ชื่อ "color_images" ซึ่งในนั้นจะมีโฟลเดอร์ย่อย เช่น "red", "green", "blue" ฯลฯ โดยแต่ละโฟลเดอร์จะเก็บรูปภาพของสีนั้นๆสำหรับการเทร

Image description
โดยที่เราจะนำภาพสีต่างๆทั้งหมดมาใส่ในโฟลเดอร์เพื่อนำมาเทรนให้กับAIนั่นเอง

3.ฟังก์ชันโหลดภาพและป้ายกำกับ 

def load_color_images(color_folder, colors):
    X, y = []

    for color in colors:
        color_path = os.path.join(color_folder, color)
        if not os.path.exists(color_path):
            print(f"Folder for {color} does not exist.")
            continue

        for filename in os.listdir(color_path):
            if filename.endswith(".jpg") or filename.endswith(".png"):
                img_path = os.path.join(color_path, filename)
                img = cv2.imread(img_path)
                img = cv2.resize(img, (64, 64))  # ปรับขนาดเป็น 64x64
                img = img / 255.0  # แปลงค่าพิกเซลเป็น 0-1
                X.append(img)
                y.append(colors.index(color))  # กำหนดป้ายกำกับตามสี

    return np.array(X), np.array(y)

เราจะโหลดภาพจากแต่ละโฟลเดอร์, ปรับขนาดเป็น 64x64 พิกเซล, นำไปแปลงเป็นค่าระหว่าง 0-1 และสร้างป้ายกำกับตามสีของภาพ

4.โหลดข้อมูลสี 

X, y = load_color_images(color_images_dir, color_names)

ใช้ฟังก์ชัน load_color_images เพื่อดึงข้อมูลภาพและป้ายกำกับ

5.แบ่งข้อมูลเป็นชุดฝึกและทดสอบ 

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

เราจะใช้ train_test_split เพื่อแบ่งข้อมูลเป็น 80% สำหรับฝึก และ 20% สำหรับทดสอบ

6.สร้างโมเดล CNN 

model = Sequential([
    Conv2D(32, (3,3), activation='relu', input_shape=(64, 64, 3)),
    MaxPooling2D((2, 2)),
    Flatten(),
    Dense(128, activation='relu'),
    Dense(len(color_names), activation='softmax')
])

เราจะใช้ Convolutional Neural Network (CNN) ซึ่งประกอบไปด้วย

  • Conv2D (ชั้นโครงข่ายประสาทเทียมแบบคอนโวลูชัน)
  • MaxPooling2D (ลดขนาดภาพ)
  • Flatten (แปลงข้อมูลเป็นเวกเตอร์)
  • Dense (Fully Connected Layer)

7.คอมไพล์โมเดล 

model.compile(optimizer=Adam(), loss='sparse_categorical_crossentropy', metrics=['accuracy'])

ใช้ Adam Optimizer และ Sparse Categorical Crossentropy เป็นค่าความสูญเสีย

8.ฝึกโมเดล 

model.fit(X_train, y_train, epochs=10, validation_data=(X_test, y_test))

ให้โมเดลเรียนรู้จากข้อมูลที่เรามี โดยกำหนด epochs = 10

9.บันทึกโมเดล 

model.save('color_classification_model.h5')
print("Model saved successfully!")

เมื่อโมเดลฝึกเสร็จแล้ว เราจะเซฟเป็นไฟล์ .h5 เพื่อให้สามารถโหลดกลับมาใช้งานได้

จะได้ผลลัพธ์เป็น
Image description

ในส่วนของการทดสอบ

โดยการทำงานของโค้ดจะมี

  1. นำเข้าไลบรารีที่จำเป็น
  2. โหลดโมเดลที่ฝึกเสร็จแล้ว
  3. ฟังก์ชันทำนายสีจากภาพ
  4. ฟังก์ชันทดสอบภาพทั้งหมดในโฟลเดอร์
  5. กำหนดโฟลเดอร์สำหรับทดสอบ

1.นำเข้าไลบรารีที่จำเป็น 

import os
import cv2
import numpy as np
import matplotlib.pyplot as plt
from tensorflow.keras.models import load_model

เราจะใช้ TensorFlow/Keras ในการโหลดโมเดล, OpenCV ในการจัดการภาพ และ Matplotlib ในการแสดงผล

2.โหลดโมเดลที่ฝึกเสร็จแล้ว 

model = load_model('color_classification_model.h5')

เราโหลดโมเดลจากไฟล์ color_classification_model.h5 ซึ่งเป็นโมเดลที่เราฝึกไว้

3.ฟังก์ชันทำนายสีจากภาพ 

def predict_color(image_path):
    img = cv2.imread(image_path)
    if img is None:
        print(f"Unable to load image at {image_path}. Please check the path.")
        return

    img = cv2.resize(img, (64, 64))  # ปรับขนาดเป็น 64x64
    img = img / 255.0  # ปรับค่าให้เป็น 0-1
    prediction = model.predict(np.expand_dims(img, axis=0))
    predicted_color = np.argmax(prediction)  # หา index ของสีที่ทำนายได้

    # รายชื่อสี
    color_names = ['red', 'green', 'blue', 'orange', 'yellow']
    predicted_color_name = color_names[predicted_color]

    print(f"Predicted color for {image_path}: {predicted_color_name.upper()}")  # แสดงชื่อสีเป็นตัวใหญ่

    # แสดงภาพที่ทำนาย
    img = (img * 255).astype(np.uint8)  # แปลงกลับเป็น uint8 เพื่อแสดงภาพ
    plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
    plt.title(f"Predicted Color: {predicted_color_name.upper()}", fontsize=20)  # ใช้ตัวใหญ่ใน title
    plt.axis('off')  # ไม่ให้แสดงแกน
    plt.show()

ฟังก์ชันนี้จะ

  • โหลดภาพจากพาธที่กำหนด
  • ปรับขนาดเป็น 64x64 พิกเซล
  • แปลงค่าสีให้อยู่ในช่วง 0-1
  • ใช้โมเดลทำนายสีของภาพ
  • แสดงผลชื่อสีที่ทำนายได้
  • แสดงภาพพร้อมชื่อสี

4.ฟังก์ชันทดสอบภาพทั้งหมดในโฟลเดอร์ 

def test_all_images_in_folder(folder_path):
    if not os.path.exists(folder_path):  # ถ้าโฟลเดอร์ไม่มี ให้สร้าง
        print(f"Folder {folder_path} does not exist. Creating folder...")
        os.makedirs(folder_path)
    else:
        print(f"Folder {folder_path} exists.")

    # ตรวจสอบและทำนายทุกภาพในโฟลเดอร์
    for filename in os.listdir(folder_path):
        if filename.endswith(".jpg") or filename.endswith(".png"):
            image_path = os.path.join(folder_path, filename)
            predict_color(image_path)

ฟังก์ชันนี้จะ

  • ตรวจสอบว่ามีโฟลเดอร์เก็บภาพหรือไม่ ถ้าไม่มีให้สร้าง
  • วนลูปตรวจสอบทุกไฟล์ในโฟลเดอร์
  • ทำนายสีของทุกภาพที่พบ

5.กำหนดโฟลเดอร์สำหรับทดสอบ 

test_folder = "color_images/test_images"
test_all_images_in_folder(test_folder)  # ทดสอบทุกภาพในโฟลเดอร์

เราจะใช้โฟลเดอร์ "color_images/test_images" สำหรับใส่ภาพที่ต้องการทดสอบ

จะได้ผลลัพธ์เป็น
Image description

Image description

สรุปเนื้อหา

จากบทความนี้ เราได้เรียนรู้การสร้างโมเดล Machine Learning สำหรับการจำแนกภาพโดยใช้ TensorFlow และ Keras โมเดลที่ใช้คือ CNN ซึ่งเหมาะสำหรับการประมวลผลภาพและสามารถใช้งานได้จริงในหลายๆ ด้าน เช่น การจดจำลายมือ การวิเคราะห์ภาพทางการแพทย์ และอื่นๆ