Mô tả

📝 MÔ TẢ CHI TIẾT SẢN PHẨM:

🧠 Công nghệ sử dụng:

• Ngôn ngữ: Python

• Framework: PyTorch

• Mô hình: ResNet18 (Transfer Learning)

• Tăng cường dữ liệu: Resize, RandomFlip, Rotation, ColorJitter

• Thiết bị hỗ trợ: GPU CUDA (nếu có)

📦 Tính năng chính của code:

• Tải dữ liệu từ thư mục data/train và data/val, phân loại theo từng loài chim (dùng ImageFolder)

• Chuẩn hóa ảnh và tăng cường dữ liệu để cải thiện độ chính xác nhận diện

• Áp dụng mô hình ResNet18 pretrained và tùy chỉnh lại tầng Fully Connected (fc) để phù hợp với số lớp tương ứng từng loài chim

• Tự động huấn luyện mô hình với tùy chỉnh số epoch (mặc định là 400 epoch)

• In ra kết quả huấn luyện: Loss và Accuracy cho cả train/validation

• Lưu mô hình thành file bird_recognition_model.pth để triển khai hoặc sử dụng sau này

📊 Báo cáo chi tiết kèm theo:

• Giải thích chi tiết kiến trúc mô hình, cách chọn ResNet18, lý do dùng transfer learning

• Phân tích kết quả huấn luyện qua từng epoch (biểu đồ loss/accuracy)

• Đánh giá độ chính xác mô hình

• Gợi ý cải thiện (tăng dataset, thử ResNet50, fine-tune sâu hơn...)

🎓 Phù hợp với:

• Sinh viên làm đồ án tốt nghiệp, báo cáo thực tập

• Người học AI muốn thực hành nhận diện ảnh với mô hình thật

• Nghiên cứu sinh, dự án bảo tồn thiên nhiên, kiểm lâm số hóa dữ liệu sinh vật

Bộ source code đồ án xây dựng mô hình AI nhận diện loài chim quý hiếm bằng kỹ thuật học sâu (Deep Learning) – giải pháp ứng dụng trí tuệ nhân tạo vào việc bảo tồn đa dạng sinh học. Sản phẩm bao gồm:

• ✅ Mô hình AI huấn luyện bằng  PyTorch

• ✅ Tập dữ liệu các loài chim quý hiếm được xử lý sẵn

• ✅ Giao diện đơn giản, dễ sử dụng  Tkinter - web Flask

• ✅ Báo cáo chi tiết: đầy đủ chương, biểu đồ, phân tích mô hình, kết quả đánh giá

• ✅ Phù hợp cho sinh viên làm đồ án tốt nghiệp, đề tài nghiên cứu AI, IoT, bảo tồn thiên nhiên