Update Readme

README.md

@@ -1,3 +1,123 @@
----
-license: mit
----
+---
+license: mit
+metrics:
+- accuracy
+pipeline_tag: image-classification
+tags:
+- images
+---
+# CatDogEfficientNetB0 - Phân loại ảnh mèo và chó
+
+## Mô tả dự án
+Dự án này sử dụng mô hình **EfficientNet-B0** để phân loại ảnh mèo và chó. Mô hình được tùy chỉnh để phù hợp với bài toán phân loại 2 lớp (mèo và chó). Dữ liệu được xử lý và huấn luyện thông qua file `train_efficientnet.py`, và mô hình được định nghĩa trong file `model_efficientnet.py`.
+
+---
+
+## Cấu trúc dự án
+- **`model_efficientnet.py`**: Định nghĩa mô hình `CatDogEfficientNetB0`, sử dụng EfficientNet-B0 với lớp cuối được tùy chỉnh để phân loại 2 lớp.
+- **`train_efficientnet.py`**: File huấn luyện mô hình, bao gồm:
+  - Tiền xử lý dữ liệu.
+  - Huấn luyện mô hình với thanh tiến trình hiển thị % hoàn thành.
+  - Lưu checkpoint khi đạt độ chính xác cao nhất trên tập validation.
+- **`efficientnet_best.pth`**: Checkpoint của mô hình với độ chính xác cao nhất trên tập validation.
+- **`efficientnet_model_final.pth`**: Mô hình cuối cùng sau khi hoàn thành tất cả các epoch.
+
+---
+
+## Mô hình `CatDogEfficientNetB0`
+Mô hình được định nghĩa trong file `model_efficientnet.py`:
+- Sử dụng **EfficientNet-B0** với trọng số ImageNet (`EfficientNet_B0_Weights.DEFAULT`).
+- Đóng băng các trọng số của mô hình gốc (`param.requires_grad = False`).
+- Thay thế lớp phân loại cuối cùng bằng một lớp `nn.Linear` với 2 đầu ra (mèo và chó).
+
+### Code mẫu:
+```python
+class CatDogEfficientNetB0(nn.Module):
+    def __init__(self):
+        super().__init__()
+        weights = EfficientNet_B0_Weights.DEFAULT
+        self.base = efficientnet_b0(weights=weights)
+        for param in self.base.parameters():
+            param.requires_grad = False
+        in_features = self.base.classifier[1].in_features
+        self.base.classifier[1] = nn.Linear(in_features, 2)
+
+    def forward(self, x):
+        return self.base(x)
+```
+
+---
+
+## Huấn luyện mô hình
+File `train_efficientnet.py` thực hiện các bước sau:
+1. **Tiền xử lý dữ liệu**:
+   - Resize ảnh về kích thước 224x224.
+   - Normalize ảnh theo chuẩn ImageNet.
+2. **Cấu hình huấn luyện**:
+   - Sử dụng `Adam` làm optimizer.
+   - Sử dụng `CrossEntropyLoss` làm hàm mất mát.
+   - Huấn luyện trong 10 epoch với batch size 32.
+3. **Hiển thị tiến trình**:
+   - Sử dụng thư viện `tqdm` để hiển thị tiến trình huấn luyện theo từng batch.
+4. **Lưu checkpoint**:
+   - Lưu mô hình (`efficientnet_best.pth`) khi đạt độ chính xác cao nhất trên tập validation.
+   - Lưu mô hình cuối cùng (`efficientnet_model_final.pth`) sau khi hoàn thành tất cả các epoch.
+
+### Code mẫu:
+```python
+for epoch in range(EPOCHS):
+    model.train()
+    train_bar = tqdm(train_loader, desc=f"Epoch {epoch+1}/{EPOCHS}", unit="batch")
+    for images, labels in train_bar:
+        images, labels = images.to(device), labels.to(device)
+        optimizer.zero_grad()
+        outputs = model(images)
+        loss = criterion(outputs, labels)
+        loss.backward()
+        optimizer.step()
+        train_bar.set_postfix(loss=loss.item())
+```
+
+---
+
+## Cách sử dụng
+1. **Chuẩn bị dữ liệu**:
+   - Đặt dữ liệu vào thư mục `data/train` và `data/val` theo cấu trúc:
+     ```
+     data/
+     ├── train/
+     │   ├── cat/
+     │   └── dog/
+     ├── val/
+     │   ├── cat/
+     │   └── dog/
+     ```
+2. **Huấn luyện mô hình**:
+   - Chạy file `train_efficientnet.py`:
+     ```bash
+     python train_efficientnet.py
+     ```
+3. **Dự đoán**:
+   - Sử dụng mô hình đã lưu (`efficientnet_best.pth`) để dự đoán ảnh mới.
+
+---
+
+## Yêu cầu
+- Python >= 3.8
+- Thư viện:
+  - `torch`
+  - `torchvision`
+  - `tqdm`
+  - `Pillow`
+
+---
+
+## Kết quả
+- Mô hình đạt độ chính xác cao nhất trên tập validation được lưu trong file `efficientnet_best.pth`.
+- Mô hình cuối cùng sau khi hoàn thành tất cả các epoch được lưu trong file `efficientnet_model_final.pth`.
+
+---
+
+## Ghi chú
+- Đảm bảo GPU được bật để tăng tốc quá trình huấn luyện.
+- Kiểm tra dữ liệu đầu vào để tránh ảnh lỗi hoặc không hợp lệ.