Animal Classification Project

Dự án phân loại động vật sử dụng Computer Vision với 2 phương pháp:

1. Handcrafted Features (HOG + Color Histogram)
2. Deep Learning (ResNet50)

Cấu trúc Project

Animal-Classification/
├── backend/                    # Flask API Server
│   ├── app.py                 # Main API application
│   ├── requirements.txt       # Python dependencies
│   └── README.md             # Backend documentation
│
├── frontend/                  # Web Interface
│   ├── index.html            # Main HTML page
│   ├── css/
│   │   └── styles.css        # Styles
│   └── js/
│       └── main.js           # JavaScript logic
│
├── Notebook/                  # Jupyter Notebooks
│   └── Demo_Animal_Classification.ipynb
│
├── models/                    # Trained Models (generated)
│   ├── rf_handcrafted.pkl
│   ├── svm_handcrafted.pkl
│   ├── rf_deep.pkl
│   ├── svm_deep.pkl
│   ├── scaler_handcrafted.pkl
│   ├── pca_handcrafted.pkl
│   ├── scaler_deep.pkl
│   └── pca_deep.pkl
│
├── data/                      # Data directory
│   ├── afhq-raw/             # Raw dataset
│   └── processed/            # Processed data (generated)
│       ├── config.json
│       ├── labels.json
│       └── *.npy files
│
└── README.md                 # This file

Hướng dẫn Setup

Bước 1: Clone Repository

git clone <repository-url>
cd Animal-Classification

Bước 2: Chuẩn bị Dataset

1. Download AFHQ dataset từ Kaggle
2. Giải nén vào thư mục data/afhq-raw/

Bước 3: Chạy Notebook để Train Models

1. Mở Notebook/Demo_Animal_Classification.ipynb
2. Chạy tất cả các cells theo thứ tự
3. Notebook sẽ tự động:
   • Chia dữ liệu train/test
   • Trích xuất đặc trưng
   • Train 4 models (RF-Hand, SVM-Hand, RF-Deep, SVM-Deep)
   • Lưu models và preprocessors vào thư mục models/
   • Lưu config và data vào thư mục data/processed/

Bước 4: Chạy Backend API

cd backend
python -m venv venv
venv\Scripts\activate  # Windows
# hoặc: source venv/bin/activate  # Linux/Mac

pip install -r requirements.txt
python app.py

Backend sẽ chạy tại: http://localhost:5000

Bước 5: Chạy Frontend

Mở file frontend/index.html trong trình duyệt hoặc sử dụng Live Server.

Sử dụng

Web Demo

1. Truy cập frontend
2. Upload ảnh động vật
3. Chọn phương pháp (Handcrafted hoặc Deep Learning)
4. Chọn model (SVM hoặc Random Forest)
5. Click "Thực hiện Dự đoán"
6. Xem kết quả phân loại

API Usage

Health Check

curl http://localhost:5000/api/health

Predict với 1 model

curl -X POST http://localhost:5000/api/predict \
  -H "Content-Type: application/json" \
  -d '{
    "image": "base64_encoded_image",
    "method": "handcrafted",
    "model": "svm"
  }'

Predict với tất cả models

curl -X POST http://localhost:5000/api/predict-all \
  -H "Content-Type: application/json" \
  -d '{
    "image": "base64_encoded_image"
  }'

Models

Handcrafted Features

• HOG (Histogram of Oriented Gradients): Trích xuất đặc trưng hình dạng
• Color Histogram: Trích xuất đặc trưng màu sắc
• PCA: Giảm chiều dữ liệu

Deep Learning

• ResNet50: Pre-trained trên ImageNet
• Transfer Learning: Sử dụng features từ lớp áp chót (2048 chiều)

Classifiers

• SVM (Support Vector Machine): RBF kernel
• Random Forest: 500 trees

Dataset

• Name: AFHQ (Animal Faces-HQ)
• Classes: Cat, Dog, Wild
• Split: 80% Train, 20% Test

Requirements

Python Packages

• Flask
• NumPy
• OpenCV
• scikit-learn
• scikit-image
• PyTorch
• torchvision
• Pillow
• joblib

Browser

• Modern browser với hỗ trợ ES6+
• JavaScript enabled

Tác giả

• Nguyễn Bá Long (MSSV: 20120000)
• Nguyễn Công Thiết (MSSV: 20120001)

Giảng viên hướng dẫn

TS. Mai Tiến Dũng

Môn học

Nhập môn Thị giác Máy tính - CS231.Q11

License

MIT License