ແນະນຳໃຫ້ຮູ້ຈັກກັບ Convolutional Neural Networks (CNNs): ພື້ນຖານຂອງ Computer Vision ໃນຍຸກປັດຈຸບັນ

ລອງນຶກພາບເບິ່ງວ່າ ຖ້າເຮົາຕ້ອງການຕິດຕັ້ງກ້ອງວົງຈອນປິດ (CCTV) ຢູ່ສີ່ແຍກໄຟແດງດົງໂດກ ໃນນະຄອນຫຼວງວຽງຈັນ ເພື່ອນັບຈຳນວນລົດຈັກ ແລະ ລົດໃຫຍ່ແບບອັດຕະໂນມັດ ຫຼື ພັດທະນາລະບົບ AI ເພື່ອກວດຫາພະຍາດໃບໝ້ຽງໃນສວນກາເຟຢູ່ເມືອງປາກຊ່ອງ. ຄຳຖາມຄື: ຄອມພິວເຕີຮູ້ໄດ້ແນວໃດວ່າຮູບພາບໃດແມ່ນລົດຈັກ, ຮູບພາບໃດແມ່ນລົດໃຫຍ່ ຫຼື ໃບກາເຟໃບໃດທີ່ກຳລັງເປັນພະຍາດ?

ນັ້ນຄືໜ້າທີ່ຂອງ Convolutional Neural Networks (CNNs) ເຊິ່ງເປັນໂຄງສ້າງເຄືອຂ່າຍປະສາດທຽມ (Neural Network) ທີ່ຖືກອອກແບບມາເພື່ອປະມວນຜົນຂໍ້ມູນທີ່ມີໂຄງສ້າງແບບຕາໜ່າງ (Grid-like topology) ເຊັ່ນ: ຮູບພາບ.

ໃນບົດຄວາມນີ້, ເຮົາຈະມາທຳຄວາມເຂົ້າໃຈກັບໂຄງສ້າງການເຮັດວຽກຂອງ CNNs ແລະ ລອງຂຽນໂຄດເບື້ອງຕົ້ນໄປພ້ອມໆກັນ.

CNN ແມ່ນຫຍັງ ແລະ ເປັນຫຍັງຈຶ່ງສຳຄັນ?

ກ່ອນໜ້າທີ່ຈະມີ CNNs, ການປະມວນຜົນຮູບພາບດ້ວຍ Multi-Layer Perceptron (MLP) ແບບເກົ່າ ແມ່ນພົບກັບບັນຫາໃຫຍ່. MLP ຈະທຳການ “ແປງຮູບພາບໃຫ້ເປັນແຖວລຽນຍາວ” (Flattening) ເຊິ່ງເຮັດໃຫ້ສູນເສຍຂໍ້ມູນທາງພື້ນທີ່ (Spatial Information). ສົ່ງຜົນໃຫ້ໂມເດວບໍ່ຮູ້ວ່າພິກເຊວທີ່ຢູ່ໃກ້ຄຽງກັນນັ້ນມີຄວາມສຳພັນກັນແນວໃດ.

CNN ຖືກສ້າງຂຶ້ນມາເພື່ອແກ້ໄຂບັນຫານີ້ ໂດຍການສະກັດເອົາລັກສະນະເດັ່ນ (Feature extraction) ຂອງຂອບ (Edges), ສີ (Colors) ແລະ ພື້ນຜິວ (Textures) ອອກມາຈາກຮູບພາບ ໂດຍຍັງຄົງຮັກສາໂຄງສ້າງ 2 ມິຕິຂອງຮູບພາບໄວ້.

ໂຄງສ້າງຫຼັກຂອງ CNN (Core Architecture of CNNs)

ໂຄງສ້າງຂອງ CNN ສ່ວນໃຫຍ່ຈະປະກອບດ້ວຍ 4 ຊັ້ນ (Layers) ຫຼັກດັ່ງນີ້:

1. Convolutional Layer (ຊັ້ນຄອນໂວລູຊັນ)

ນີ້ຄືຫົວໃຈສຳຄັນຂອງ CNN. ຊັ້ນນີ້ຈະໃຊ້ເຄື່ອງມືທີ່ເອີ້ນວ່າ Filter (ຫຼື Kernel) ເລື່ອນກວາດໄປທົ່ວຮູບພາບ (Sliding window) ເພື່ອເຮັດການຄຳນວນທາງຄະນິດສາດລະຫວ່າງFilter ກັບຄ່າພິກເຊວຂອງຮູບ. ຜົນໄດ້ຮັບຈາກຊັ້ນນີ້ເຮົາເອີ້ນວ່າ Feature Map, ເຊິ່ງຈະເປັນຕົວບອກວ່າພົບລັກສະນະເດັ່ນ (ເຊັ່ນ: ເສັ້ນຕັດຊື່, ເສັ້ນໂຄ້ງ) ຢູ່ຈຸດໃດຂອງຮູບພາບແດ່.

2. Activation Function (ຫຼາຍທີ່ສຸດແມ່ນໃຊ້ ReLU)

ຫຼັງຈາກຜ່ານ Convolutional Layer, ເຮົາຈະນຳໃຊ້ Activation Function ປະເພດ ReLU (Rectified Linear Unit) ເພື່ອປ່ຽນຄ່າລົບທັງໝົດໃຫ້ກາຍເປັນສູນ (0) ແລະ ຮັກສາຄ່າບວກໄວ້ຄືເກົ່າ. ໜ້າທີ່ຂອງຂັ້ນຕອນນີ້ຄືການເພີ່ມຄວາມບໍ່ເປັນເສັ້ນຊື່ (Non-linearity) ໃຫ້ກັບໂມເດວ ເຮັດໃຫ້ມັນສາມາດຮຽນຮູ້ຮູບແບບທີ່ຊັບຊ້ອນໄດ້.

3. Pooling Layer (ຊັ້ນພູລິງ)

ຊັ້ນນີ້ມີໜ້າທີ່ໃນການ “ຫຼຸດຂະໜາດ” ຂອງ Feature Map ລົງ (Downsampling). ວິທີທີ່ນິຍົມທີ່ສຸດຄື Max Pooling ເຊິ່ງຈະເລືອກເອົາຄ່າທີ່ຫຼາຍທີ່ສຸດໃນກຸ່ມພິກເຊວທີ່ກຳນົດ. ການເຮັດ Pooling ຈະຊ່ວຍ:

• ຫຼຸດພາລະການຄຳນວນຂອງຄອມພິວເຕີ.
• ຊ່ວຍໃຫ້ໂມເດວປ້ອງກັນການເກີດ Overfitting.
• ເຮັດໃຫ້ໂມເດວສາມາດຈື່ຈຳວັດຖຸໄດ້ ເຖິງແມ່ນວັດຖຸນັ້ນຈະປ່ຽນຕຳແໜ່ງໄປເລັກນ້ອຍໃນຮູບພາບ (Translation invariance).

4. Fully Connected Layer (ຊັ້ນເຊື່ອມຕໍ່ເຕັມຮູບແບບ)

ຫຼັງຈາກທີ່ຮູບພາບຜ່ານການສະກັດ Feature ມາຫຼາຍຊັ້ນແລ້ວ, ຂໍ້ມູນຈະຖືກປ່ຽນໃຫ້ເປັນແຖວດຽວເພື່ອສົງເຂົ້າສູ່ Neural Network ແບບປົກກະຕິ ໃນການຕັດສິນໃຈແຍກປະເພດ (Classification) ໃນຂັ້ນຕອນສຸດທ້າຍ.

ການຂຽນໂຄດສ້າງ CNN ເບື້ອງຕົ້ນດ້ວຍ PyTorch

ສຳລັບນັກພັດທະນາ, PyTorch ແມ່ນໜຶ່ງໃນ Framework ທີ່ນິຍົມທີ່ສຸດ. ມັນຊ່ວຍໃຫ້ເຮົາສາມາດສ້າງໂຄງສ້າງ CNN ໄດ້ຢ່າງງ່າຍດາຍ. ລຸ່ມນີ້ແມ່ນການສ້າງໂມເດວ CNN ແບບງ່າຍໆສຳລັບແຍກປະເພດຮູບພາບ (ເຊັ່ນ: ການແຍກລົດຈັກ ແລະ ລົດໃຫຍ່):

import torch
import torch.nn as nn
import torch.nn.functional as F

class SimpleCNN(nn.Module):
    def __init__(self):
        super(SimpleCNN, self).__init__()
        # Convolutional Layer 1: ຮັບຮູບພາບສີ RGB (3 channels), ສ້າງ 16 ເສັ້ນໃຍສະກັດ (Filters), ຂະໜາດ 3x3
        self.conv1 = nn.Conv2d(in_channels=3, out_channels=16, kernel_size=3, padding=1)
        # Pooling Layer: ຫຼຸດຂະໜາດຮູບລົງເຄິ່ງໜຶ່ງ
        self.pool = nn.MaxPool2d(kernel_size=2, stride=2)
        # Convolutional Layer 2: ຮັບ 16 channels, ສ້າງ 32 Filters
        self.conv2 = nn.Conv2d(in_channels=16, out_channels=32, kernel_size=3, padding=1)
        
        # Fully Connected Layer: ສົມມຸດວ່າຮູບນຳເຂົ້າຂະໜາດ 32x32 pixels
        # ຫຼັງຈາກຜ່ານ Pooling 2 ຄັ້ງ ຂະໜາດຈະເຫຼືອ 8x8 (32 channels * 8 * 8)
        self.fc1 = nn.Linear(32 * 8 * 8, 128)
        self.fc2 = nn.Linear(128, 2) # Output 2 classes (ເໝາະສຳລັບ: ລົດຈັກ vs ລົດໃຫຍ່)

    def forward(self, x):
        # ຜ່ານ Conv1 -> ReLU -> Pool
        x = self.pool(F.relu(self.conv1(x)))
        # ຜ່ານ Conv2 -> ReLU -> Pool
        x = self.pool(F.relu(self.conv2(x)))
        
        # ແປງຂໍ້ມູນເປັນ 1D Tensor (Flattening)
        x = x.view(-1, 32 * 8 * 8)
        
        # ຜ່ານ Fully Connected Layers
        x = F.relu(self.fc1(x))
        x = self.fc2(x)
        return x

# ທົດລອງສ້າງ Object ສຳລັບໂມເດວ
model = SimpleCNN()
print(model)

ໂຄດດ້ານເທິງນີ້ແມ່ນພື້ນຖານໃນການກຳນົດໂຄງສ້າງ (Architecture). ເມື່ອນຳໃຊ້ຈິງ, ທ່ານຈະຕ້ອງນຳເອົາຮູບພາບມາຝຶກສອນ (Train) ໂມເດວ ໂດຍຜ່ານຂະບວນການອັບເດດນໍ້າໜັກ (Weight update/Backpropagation).

ການນຳໃຊ້ CNN ໃນບໍລິບົດຂອງປະເທດລາວ

ການຮຽນຮູ້ CNN ບໍ່ແມ່ນພຽງແຕ່ທິດສະດີ ແຕ່ມັນສາມາດນຳມາແກ້ໄຂບັນຫາໃນປະເທດເຮົາໄດ້ແທ້:

• ການກະເສດອັດສະລິຍະ (Smart Agriculture): ເຮົາສາມາດຕິດກ້ອງໃສ່ໂດຣນ (Drone) ບິນສຳຫຼວດສວນກາເຟຢູ່ປາກຊ່ອງ ແລ້ວໃຊ້ໂມເດວ CNN ໃນການກວດຈັບພະຍາດໃບກາເຟ ເຊິ່ງຊ່ວຍໃຫ້ຊາວກະສິກອນແກ້ໄຂບັນຫາໄດ້ທັນທ່ວງທີ.
• ການບໍລິຫານການຈະລາຈອນ (Traffic Management): ຢູ່ຕາມແຍກທີ່ລົດຕິດໃນນະຄອນຫຼວງວຽງຈັນ (ເຊັ່ນ: ແຍກໄຟແດງທາດຫຼວງ ຫຼື ສີໄຄ), CNN ສາມາດຖືກໃຊ້ຮ່ວມກັບກ້ອງ CCTV ເພື່ອນັບປະລິມານການສັນຈອນຂອງລົດແຕ່ລະປະເພດ ແລະ ນຳໄປປັບປຸງເວລາໄຟແດງໃຫ້ເໝາະສົມແບບ Real-time.
• ການແຈ້ງເຕືອນໄພນໍ້າຖ້ວມຕາມລຳນໍ້າຂອງ (Flood Warning Systems): ນຳໃຊ້ CNN ສຶກສາ ແລະ ວິເຄາະຮູບພາບດາວທຽມ ຫຼື ພາບຖ່າຍທາງອາກາດ ເພື່ອປະຕິເມີນລະດັບນໍ້າ ແລະ ແຈ້ງເຕືອນໄພນໍ້າຖ້ວມລ່ວງໜ້າ.

ສິ່ງທີ່ຄວນຈື່ (Key Takeaways)

• CNN ແຕກຕ່າງຈາກ Neural Network ທົ່ວໄປ ເພາະມັນສາມາດຮັກສາຂໍ້ມູນທາງພື້ນທີ່ (Spatial Information) ຂອງຮູບພາບໄດ້ເປັນຢ່າງດີ.
• Convolutional Layer ມີໜ້າທີ່ດຶງເອົາຈຸດເດັ່ນ (Feature Extraction) ເຊັ່ນ ລວດລາຍ ແລະ ຂອບ ໂດຍໃຊ້ Filters.
• Pooling Layer ຊ່ວຍຫຼຸດຂະໜາດຕາໜ່າງຂໍ້ມູນ ປ້ອງກັນ Overfitting ແລະ ເຮັດໃຫ້ປະມວນຜົນໄວຂຶ້ນ.
• PyTorch (ຫຼື TensorFlow) ແມ່ນເຄື່ອງມືທີ່ດີເລີດສຳລັບນັກພັດທະນາໃນການເລີ່ມຕົ້ນສ້າງ CNN.

ສະຫຼຸບ

Convolutional Neural Networks (CNNs) ບໍ່ແມ່ນພຽງແຕ່ຄຳສັບທາງເທັກນິກທີ່ອ່ານເຂົ້າໃຈຍາກ, ແຕ່ມັນແມ່ນຜົນງານທາງດ້ານວິສະວະກຳຊອບແວທີ່ຊ່ວຍເປີດ “ດວງຕາ” ໃຫ້ຄອມພິວເຕີສາມາດມອງເຫັນ ແລະ ເຂົ້າໃຈໂລກພາຍນອກໄດ້. ສຳລັບນັກສຶກສາ ແລະ ນັກພັດທະນາໃນປະເທດລາວ ການສຶກສາ ແລະ ທຳຄວາມເຂົ້າໃຈກັບເຕັກໂນໂລຊີນີ້ ຈະເປັນການເປີດປະຕູສູ່ໂອກາດໃນການສ້າງນັດວະກຳໃໝ່ໆ ທີ່ສາມາດຕອບໂຈດບັນຫາລະດັບທ້ອງຖິ່ນໄດ້ຢ່າງມີປະສິດທິພາບ ທັງໃນຂະແໜງການກະສິກຳ, ການຄົມມະນາຄົມ ຈົນເຖິງການຮັກສາສິ່ງແວດລ້ອມ.