Animal Classification Project

Dự án phân loại động vật (Chó, Mèo, Động vật hoang dã) sử dụng các kỹ thuật Trích xuất đặc trưng truyền thống (HOG, LBP) kết hợp với mô hình máy học SVM.

Tổng quan

Hệ thống bao gồm:

• Backend: Xử lý ảnh, trích xuất đặc trưng (HOG + LBP) và dự đoán sử dụng SVM.
• Frontend: Giao diện web tương tác được xây dựng bằng Gradio.
• Notebooks: Các file Jupyter Notebook dùng để nghiên cứu, trích xuất đặc trưng và huấn luyện mô hình.

Classes:

• 🐶 Chó (Dog)
• 🐱 Mèo (Cat)
• 🦁 Động vật hoang dã (Wild)

Cấu trúc Dự án

AnimalClassfication/
├── backend/
│   ├── api.py              # API xử lý logic chính (Feature Extraction + Prediction)
│   └── README.md           # Tài liệu chi tiết cho Backend
├── frontend/
│   └── demo.py             # Giao diện web (Gradio)
├── Notebook/
│   ├── SIFT.ipynb          # Nghiên cứu đặc trưng SIFT
│   └── HOG_LBP.ipynb       # Huấn luyện model với HOG + LBP
├── saved_models/           # Nơi lưu trữ model đã train
├── saved_features/         # Nơi lưu trữ đặc trưng đã trích xuất
├── requirements.txt        # Các thư viện cần thiết
└── README.md               # Tài liệu dự án

Cài đặt

1. Clone repository (nếu có):

   git clone <your-repo-url>
   cd AnimalClassfication

2. Cài đặt các thư viện phụ thuộc:

   pip install -r requirements.txt

Hướng dẫn sử dụng

1. Huấn luyện mô hình (Training)

Nếu bạn chưa có model trong thư mục saved_models/, hãy chạy notebook để huấn luyện:

1. Mở Notebook/HOG_LBP.ipynb.
2. Chạy lần lượt các cells để thực hiện:
   • Load dữ liệu.
   • Trích xuất đặc trưng HOG và LBP.
   • Huấn luyện SVM model.
   • Lưu model vào saved_models/HOG_LBP/svm_model.pkl.

2. Chạy Demo (Web Interface)

Để khởi động giao diện web:

python frontend/demo.py

Truy cập vào đường dẫn hiển thị trên terminal (thường là http://localhost:7860) để trải nghiệm.

3. Sử dụng Backend API

Bạn có thể test riêng phần backend:

python backend/api.py

Chi tiết kỹ thuật

Feature Extraction

Dự án sử dụng sự kết hợp của hai loại đặc trưng:

• HOG (Histogram of Oriented Gradients): Mô tả hình dạng và biên cạnh của đối tượng.
• LBP (Local Binary Patterns): Mô tả kết cấu (texture) của bề mặt.

Model

• Algorithm: Support Vector Machine (SVM).
• Kernel: RBF (Radial Basis Function).

Yêu cầu hệ thống

• Python 3.8+
• Các thư viện: numpy, opencv-python, scikit-learn, scikit-image, gradio, pillow.

---

Tài liệu tham khảo

• Backend API README
• HOG Documentation
• LBP Documentation
• Gradio Documentation

Credits

• Dataset: AFHQ (Animal Faces HQ)
• Framework: scikit-learn, scikit-image, OpenCV, Gradio
• GVHD: [TS. Mai Tiến Dũng]
• SVTH: [Nguyễn Bá Long - Nguyễn Công Thiết]

📞 Liên hệ

Nếu có thắc mắc hoặc gặp vấn đề, vui lòng tạo issue hoặc liên hệ qua email: 23520880@gm.uit.edu.vn

---