Giai đoạn 4 · AI Vision · Chặng 11/14

Chặng 11: AI Vision

Học xong chặng này, bạn có thể: Thiết kế pipeline dữ liệu và chọn chiến lược AI cho một bài toán kiểm tra lỗi.

7 bài học
~8 giờ học
~3 tuần
0/7 bài đã học

Bắt đầu bài 1 Xem cả lộ trình

Trước khi bắt đầu

Hoàn thành chặng 10 (Deep Learning) và chặng 5 (tiêu chí OK/NG, escape, overkill).

Chặng này gồm

Khi nào dùng AI, khi nào dùng rule-based, và cách kết hợp hai cách
Thu thập, gán nhãn dữ liệu công nghiệp; xử lý dữ liệu ít mẫu lỗi, dữ liệu tổng hợp và GAN
Đánh giá mô hình theo chỉ số nhà máy: escape, overkill, cycle time

Bài học theo thứ tự

Học lần lượt từ trên xuống. Làm hết bài tập trong mỗi bài, đánh dấu đã học để theo dõi tiến độ.

1
Rule-based hay Deep Learning?
Biết khi nào dùng thuật toán cổ điển, khi nào dùng AI · Kết hợp hai cách trong một hệ thống · Ước lượng chi phí dữ liệu
Bài học~45 phút
Đã học bài 1
2
Tự xây dataset ảnh công nghiệp
Lập kế hoạch thu thập ảnh · Tổ chức thư mục, đặt tên, phiên bản · Chia tập không rò rỉ
Bài học~60 phút
Đã học bài 2
3
Công cụ gán nhãn miễn phí
Chọn CVAT, Label Studio hay X-AnyLabeling · Xuất nhãn đúng định dạng · Viết hướng dẫn gán nhãn nhất quán
Bài học~45 phút
Đã học bài 3
4
Khi thiếu ảnh lỗi: augmentation và dữ liệu tổng hợp
Tạo thêm mẫu lỗi hiếm · Cắt dán lỗi lên ảnh tốt · Đánh giá trung thực trên ảnh thật
Bài học~60 phút
Đã học bài 4
5
GAN – mạng đối sinh: cho máy tự sinh ảnh
Hiểu Generator, Discriminator và hàm minimax · Huấn luyện DCGAN bằng PyTorch · Biết giới hạn của GAN khi tạo ảnh lỗi tổng hợp
Bài học~75 phút
Đã học bài 5
6
Chọn ngưỡng và đánh giá theo escape, overkill, cycle time
Vẽ đường precision–recall và chọn ngưỡng · Dùng bộ ảnh vàng (golden set) để nghiệm thu · Đo cycle time đúng cách
Bài học~75 phút
Đã học bài 6
7
Bài tập chặng 11: thiết kế chiến lược AI cho một bài toán lỗi
Chọn cách tiếp cận và kiến trúc · Lập kế hoạch dữ liệu và gán nhãn · Đặt tiêu chí nghiệm thu
Dự án~90 phút
Đã học bài 7