<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Dussadee Terdbaramee on Medium]]></title>
        <description><![CDATA[Stories by Dussadee Terdbaramee on Medium]]></description>
        <link>https://medium.com/@dussadee?source=rss-bbffd63f762e------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*QDwdlQ-qSGFt2TM4FTKUpA.png</url>
            <title>Stories by Dussadee Terdbaramee on Medium</title>
            <link>https://medium.com/@dussadee?source=rss-bbffd63f762e------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sat, 21 Nov 2026 13:10:11 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@dussadee/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[ภาพลักษณ์ของครูคอมพิวเตอร์ยุคใหม่ ที่ไม่ได้จำกัดอยู่แค่ตัวเลข 0 กับ 1]]></title>
            <link>https://dussadee.medium.com/%E0%B8%A0%E0%B8%B2%E0%B8%9E%E0%B8%A5%E0%B8%B1%E0%B8%81%E0%B8%A9%E0%B8%93%E0%B9%8C%E0%B8%82%E0%B8%AD%E0%B8%87%E0%B8%84%E0%B8%A3%E0%B8%B9%E0%B8%84%E0%B8%AD%E0%B8%A1%E0%B8%9E%E0%B8%B4%E0%B8%A7%E0%B9%80%E0%B8%95%E0%B8%AD%E0%B8%A3%E0%B9%8C%E0%B8%A2%E0%B8%B8%E0%B8%84%E0%B9%83%E0%B8%AB%E0%B8%A1%E0%B9%88-%E0%B8%97%E0%B8%B5%E0%B9%88%E0%B9%84%E0%B8%A1%E0%B9%88%E0%B9%84%E0%B8%94%E0%B9%89%E0%B8%88%E0%B8%B3%E0%B8%81%E0%B8%B1%E0%B8%94%E0%B8%AD%E0%B8%A2%E0%B8%B9%E0%B9%88%E0%B9%81%E0%B8%84%E0%B9%88%E0%B8%95%E0%B8%B1%E0%B8%A7%E0%B9%80%E0%B8%A5%E0%B8%82-0-%E0%B8%81%E0%B8%B1%E0%B8%9A-1-a49cb61b3d75?source=rss-bbffd63f762e------2</link>
            <guid isPermaLink="false">https://medium.com/p/a49cb61b3d75</guid>
            <dc:creator><![CDATA[Dussadee Terdbaramee]]></dc:creator>
            <pubDate>Wed, 25 Mar 2026 03:38:26 GMT</pubDate>
            <atom:updated>2026-03-25T03:38:26.699Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*89SOsr7Tx4FUaUnB6M6N-w.png" /></figure><p>หัวใจหลักคือการสื่อสารว่า <strong>ครูคอมพิวเตอร์ยุคใหม่ไม่ใช่แค่คนสอนพิมพ์สัมผัส</strong> แต่คือ “Learning Designer” ที่ต้องปรับตัวตามสไตล์การเรียนรู้ที่หลากหลาย (Learning Styles)</p><p>ในห้องเรียนคอมพิวเตอร์ เด็กหนึ่งคนอาจชอบเขียนโค้ด อีกคนชอบออกแบบ UI และอีกคนชอบรื้อเคสคอมพิวเตอร์ออกมาดูข้างใน หน้าที่ของเราคือการสร้าง “พื้นที่การเรียนรู้” ที่ตอบโจทย์ทุกคน:</p><blockquote><strong>Visual Learners (สายตาต้องเห็น):</strong> ใช้ Infographic, Flowchart อธิบายอัลกอริทึม หรือการทำ Live Coding ให้เห็นขั้นตอนสดๆ</blockquote><blockquote><strong>Auditory Learners (หูต้องฟัง):</strong> การทำ Podcast สรุปข่าว IT หรือการระดมสมอง (Brainstorming) แก้ปัญหา Logic ในห้องเรียน</blockquote><blockquote><strong>Reading/Writing Learners (เน้นอ่าน-เขียน):</strong> การทำ Documentation การเขียน Blog สรุปสิ่งที่เรียน หรือการสร้าง Cheat Sheet รวมคำสั่ง Shortcut</blockquote><blockquote><strong>Kinesthetic Learners (สายลุยปฏิบัติ):</strong> การเรียนแบบ Project-based การประกอบฮาร์ดแวร์จริง หรือการทำ Coding Unplugged ผ่านกิจกรรมเคลื่อนไหว</blockquote><p>เพราะคอมพิวเตอร์เป็นเครื่องมือที่ไร้ขีดจำกัด ถ้าเรารู้จักสไตล์การเรียนรู้ของเด็ก เราก็สามารถเปลี่ยน “ห้องคอมฯ” ให้เป็น “ห้องทดลองความคิด” ได้ไม่ยาก</p><blockquote><strong>สไตล์การเรียนรู้กิจกรรมที่แนะนำในวิชาคอมพิวเตอร์<br>1. Visual : </strong>เขียน Mind Map ลำดับขั้นตอนการทำงานของโปรแกรม<br>2. <strong>Auditory : </strong>อัดคลิปอธิบายผลงาน (Vlog) แทนการส่งรายงาน<br>3. <strong>Active : </strong>กิจกรรม Coding Unplugged หรือการแข่ง Hackathon เล็กๆ<br>4. <strong>Analytical : </strong>การทำ Debugging Challenge ค้นหาจุดผิดใน Code</blockquote><h3>โค้ดลับฉบับครูคอมฯ ยุคใหม่ : เปลี่ยนห้องเรียนให้เป็นสนามเล่น(เรียน)รู้ของเด็ก Gen Alpha</h3><p>ในยุคที่เทคโนโลยีหมุนเร็วกว่าเข็มนาฬิกา ห้องเรียนคอมพิวเตอร์แบบเดิมๆ ที่เน้นแค่การพิมพ์ดีดหรือท่องจำทฤษฎี อาจไม่เพียงพอที่จะดึงดูดความสนใจของเด็ก Gen Alpha ได้อีกต่อไป คำถามสำคัญที่ท้าทายครูคอมพิวเตอร์ทุกคนคือ <strong>“เราจะออกแบบการสอนอย่างไร ให้ ‘โดนใจ’ และปลุกไฟการเรียนรู้ในตัวเด็กกลุ่มนี้?”</strong></p><p>คำตอบไม่ใช่เครื่องคอมพิวเตอร์ที่แรงที่สุด หรือซอฟต์แวร์ที่แพงที่สุด แต่คือการเข้าใจ <strong>“สไตล์การเรียนรู้ที่หลากหลาย”</strong> ของผู้เรียน และนี่คือโฉมหน้าของ “การเรียนรู้สไตล์ครูคอมฯ ยุคใหม่” ที่เราสามารถสร้างให้เกิดขึ้นได้:</p><blockquote><strong>เปลี่ยนบทเรียนให้เป็นด่าน… สไตล์ “สาย Gamer”:</strong> เด็ก Gen Alpha เติบโตมากับเกม ทำไมเราไม่ลองเปลี่ยนห้องเรียนให้เป็นสนามแข่งขันดึงดูดใจล่ะ? นำแนวคิด <strong>Gamification</strong> มาใช้ เปลี่ยนแบบฝึกหัดให้เป็น “Quest” หรือภารกิจที่ต้องพิชิต สะสมแต้ม (XP) เพื่อเลื่อนระดับ (Level up) และรับเหรียญรางวัล (Badge) การเรียนรู้คอมพิวเตอร์จะไม่ใช่เรื่องน่าเบื่อ แต่เป็นการผจญภัยที่ท้าทาย</blockquote><blockquote><strong>เปลี่ยนพื้นที่เรียนรู้ให้เป็น Studio… สไตล์ “สาย Creator”:</strong> เด็กยุคนี้ไม่ได้ต้องการแค่เป็นผู้บริโภคสื่อ (Consumer) แต่พวกเขาอยากเป็น “ผู้สร้าง” (Creator) ครูคอมฯ ต้องเปิดพื้นที่ให้พวกเขาได้ปลดปล่อยจินตนาการ เน้นการลงมือทำชิ้นงานจริง (Project-based) ไม่ว่าจะเป็นการตัดต่อวิดีโอสนุกๆ สำหรับ TikTok, การออกแบบกราฟิก หรือการเขียนโค้ดสร้างเว็บไซต์/แอปพลิเคชันของตัวเอง เมื่อพวกเขาเห็นผลลัพธ์ที่จับต้องได้ ความภูมิใจก็จะกลายเป็นแรงผลักดันชั้นดี</blockquote><blockquote><strong>เปลี่ยนโจทย์ให้เป็น Mission… สไตล์ “สาย Solver”:</strong> คอมพิวเตอร์คือเครื่องมือสำหรับแก้ปัญหา ดังนั้น บทเรียนที่ดียิ่งควรเริ่มต้นจากปัญหาจริงในชีวิตประจำวัน (Real-world problems) ท้าทายให้เด็กๆ สวมบทบาทนักคิด วิเคราะห์ปัญหา แล้วใช้ Logic ในการเขียนโปรแกรมหรือใช้เทคโนโลยีเพื่อสร้างทางออก (Solution) การเรียนแบบนี้ช่วยฝึกทักษะการคิดเชิงคำนวณ (Computational Thinking) ที่เป็นรากฐานสำคัญของคอมพิวเตอร์อย่างแท้จริง</blockquote><p>สุดท้ายแล้ว <strong>“ไม่มีสไตล์การเรียนรู้ไหนที่ดีที่สุด”</strong> รูปแบบการสอนที่เพอร์เฟกต์สำหรับเด็กคนหนึ่ง อาจไม่ใช่คำตอบของเด็กอีกคน หน้าที่ของครูคอมพิวเตอร์ไม่ใช่แค่การซ่อมคอมพิวเตอร์ที่พัง หรือการเป็นผู้บรรยายหน้าห้อง แต่คือการเป็น <strong>“Multi-tasking Teacher”</strong> ที่พร้อมจะ <strong>“ซ่อมความไม่เข้าใจ”</strong> และ <strong>“สร้างแรงบันดาลใจ”</strong> ด้วยการค้นหาและหยิบยื่นสไตล์การเรียนรู้ที่ <strong>“ใช่”</strong> ที่สุดสำหรับเด็กแต่ละคน เพื่อให้พวกเขาพร้อมเติบโตเป็นพลเมืองดิจิทัลที่มีคุณภาพในอนาคต</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=a49cb61b3d75" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[สวนพฤกษศาสตร์อัจฉริยะ : จุดเริ่มต้นของแรงบันดาลใจสีเขียวในโลกดิจิทัล]]></title>
            <link>https://dussadee.medium.com/%E0%B8%AA%E0%B8%A7%E0%B8%99%E0%B8%9E%E0%B8%A4%E0%B8%81%E0%B8%A9%E0%B8%A8%E0%B8%B2%E0%B8%AA%E0%B8%95%E0%B8%A3%E0%B9%8C%E0%B8%AD%E0%B8%B1%E0%B8%88%E0%B8%89%E0%B8%A3%E0%B8%B4%E0%B8%A2%E0%B8%B0-%E0%B8%88%E0%B8%B8%E0%B8%94%E0%B9%80%E0%B8%A3%E0%B8%B4%E0%B9%88%E0%B8%A1%E0%B8%95%E0%B9%89%E0%B8%99%E0%B8%82%E0%B8%AD%E0%B8%87%E0%B9%81%E0%B8%A3%E0%B8%87%E0%B8%9A%E0%B8%B1%E0%B8%99%E0%B8%94%E0%B8%B2%E0%B8%A5%E0%B9%83%E0%B8%88%E0%B8%AA%E0%B8%B5%E0%B9%80%E0%B8%82%E0%B8%B5%E0%B8%A2%E0%B8%A7%E0%B9%83%E0%B8%99%E0%B9%82%E0%B8%A5%E0%B8%81%E0%B8%94%E0%B8%B4%E0%B8%88%E0%B8%B4%E0%B8%97%E0%B8%B1%E0%B8%A5-95ae4eca4bb7?source=rss-bbffd63f762e------2</link>
            <guid isPermaLink="false">https://medium.com/p/95ae4eca4bb7</guid>
            <category><![CDATA[สีเขียวในโลกดิจิทัล]]></category>
            <category><![CDATA[สวนพฤกษศาสตร์อัจฉริยะ]]></category>
            <category><![CDATA[smart-botanical-garden]]></category>
            <category><![CDATA[สมุนไพรไทย]]></category>
            <category><![CDATA[green-in-digital-world]]></category>
            <dc:creator><![CDATA[Dussadee Terdbaramee]]></dc:creator>
            <pubDate>Mon, 13 Oct 2025 10:56:05 GMT</pubDate>
            <atom:updated>2025-10-13T10:56:05.988Z</atom:updated>
            <content:encoded><![CDATA[<p><strong>สวนพฤกษศาสตร์อัจฉริยะ : จุดเริ่มต้นของแรงบันดาลใจสีเขียวในโลกดิจิทัล</strong></p><p>ในโลกที่หมุนไปอย่างรวดเร็ว โอกาสที่เราจะได้หยุดชื่นชมความงามของธรรมชาติ อาจจะน้อยลงไปทุกที แต่จะเกิดอะไรขึ้น ถ้าเราสามารถนำความมหัศจรรย์ของสมุนไพร พรรณไม้ดอกไม้ประดับ มาไว้ในมือทุกท่านได้ทุกที่ทุกเวลา ดังนั้น ในยุคของ “สวนพฤกษศาสตร์อัจฉริยะ” สถานที่ที่เทคโนโลยีและธรรมชาติผสานกันอย่างลงตัว เพื่อสร้างประสบการณ์ที่ทั้งให้ความรู้ สร้างแรงบันดาลใจ และเชื่อมโยงเราเข้ากับโลกสีเขียวได้อย่างไร้รอยต่อ เช่น สวนดุสิตอรุณ, สวนลอยฟ้าเจ้าพระยา เป็นต้น</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*yHBd-C1Hp5GNTG9agRRMYQ.png" /></figure><p><strong>พลิกโฉมประสบการณ์การเรียนรู้</strong></p><p>ลองจินตนาการถึงสวนพฤกษศาสตร์ที่เราเดินเข้าไปแล้วได้สัมผัสกับเรื่องราวของพืชแต่ละชนิดอย่างลึกซึ้ง ไม่ใช่แค่ป้ายชื่อเล็กๆ อีกต่อไป ด้วยเทคโนโลยี Augmented Reality (AR) เราสามารถยกโทรศัพท์ขึ้นมาสแกนต้นไม้ต้นโปรด แล้วเห็นข้อมูล 3 มิติปรากฏขึ้นตรงหน้า ราวกับมีผู้เชี่ยวชาญส่วนตัวมาอธิบายให้ฟังถึงถิ่นกำเนิด ประโยชน์ ไปจนถึงเรื่องราวทางวัฒนธรรมที่ซ่อนอยู่! เซ็นเซอร์อัจฉริยะที่ฝังอยู่ทั่วสวนจะช่วยตรวจสอบสุขภาพของพืชอย่างใกล้ชิด ทั้งอุณหภูมิ ความชื้น แสงแดด และสารอาหารในดิน ข้อมูลเหล่านี้จะถูกรวบรวมและวิเคราะห์โดยระบบปัญญาประดิษฐ์ (AI) เพื่อให้แน่ใจว่าพืชทุกต้นจะได้รับการดูแลอย่างดีที่สุด และสามารถทำหน้าที่เป็นปอดของเมืองได้อย่างเต็มประสิทธิภาพ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*8x-hPcupXd1y3Vupa-T-bA.png" /></figure><p><strong>แรงบันดาลใจที่ส่งต่อได้ง่ายขึ้น</strong></p><p>สวนพฤกษศาสตร์อัจฉริยะไม่ได้เป็นเพียงแหล่งเรียนรู้เท่านั้น แต่ยังเป็นแรงบันดาลใจชั้นยอดสำหรับนักจัดสวน ศิลปิน หรือแม้แต่คนที่กำลังมองหาความสงบใจท่ามกลางความวุ่นวายของชีวิตประจำวัน ลองจินตนาการว่าเราสามารถเลือกเส้นทางเดินชมสวนที่ปรับแต่งให้เข้ากับความสนใจของเราได้ เช่น เส้นทางชมกล้วยไม้หายาก หรือเส้นทางที่เน้นพืชสมุนไพรพร้อมข้อมูลการใช้งาน หรือแม้กระทั่งเส้นทางเดินชมสวนแบบเสมือนจริง (Virtual Tour) ที่ให้คุณสัมผัสบรรยากาศและพืชพรรณจากที่บ้านได้ ราวกับว่าเรากำลังเดินอยู่ในสวนจริงๆ</p><p><strong>เชื่อมโยงผู้คนกับธรรมชาติ</strong></p><p>ในยุคดิจิทัล การเชื่อมโยงผู้คนเข้ากับธรรมชาติเป็นสิ่งสำคัญอย่างยิ่ง สวนพฤกษศาสตร์อัจฉริยะช่วยให้สิ่งนี้เป็นไปได้ ด้วยแอปพลิเคชันที่ให้เราสามารถบันทึกภาพ แชร์ประสบการณ์ และแลกเปลี่ยนความรู้กับคนรักต้นไม้คนอื่นๆ ได้ สร้างเป็นชุมชนออนไลน์ของผู้ที่หลงใหลในพืชพรรณสมุนไพร ไม่ว่าเราจะเป็นนักพฤกษศาสตร์มืออาชีพ นักเรียนที่กำลังทำการบ้าน หรือเพียงแค่คนที่มองหาความสงบและแรงบันดาลใจ สวนพฤกษศาสตร์อัจฉริยะ ก็พร้อมที่จะเปิดประตูต้อนรับเราเข้าสู่โลกสีเขียวที่เต็มไปด้วยความรู้ ความงาม และโอกาสในการเชื่อมโยงกับธรรมชาติในรูปแบบใหม่ๆ อย่างไม่เคยมีมาก่อน</p><p>นี่คือ อนาคตที่เทคโนโลยีไม่ได้เข้ามาแทนที่ธรรมชาติ แต่เข้ามาช่วยเสริมสร้างและขยายขอบเขตประสบการณ์ของเรากับธรรมชาติให้กว้างไกลยิ่งขึ้น สวนพฤกษศาสตร์อัจฉริยะ จึงไม่ใช่แค่สถานที่ท่องเที่ยว แต่เป็นจุดเริ่มต้นของแรงบันดาลใจสีเขียวในโลกดิจิทัล ที่จะเติบโตและเบ่งบานไปพร้อมกับเราทุกวัน</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*k9NlhJm5FxJVrYYU5FKT3A.png" /></figure><p><strong>เอกสารอ้างอิง</strong></p><p>1. จันจิราภรณ์, ว., และคณะ. (2562). การพัฒนาแอปพลิเคชันเพื่อการเรียนรู้พรรณไม้ในสวนพฤกษศาสตร์มหาวิทยาลัยวลัยลักษณ์. <em>วารสารวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยอุบลราชธานี, 21</em>(3), 114–123. <a href="https://www.google.com/search?q=https://www.tci-thaijo.org/index.php/sci_ubu/article/view/210345">https://www.tci-thaijo.org/index.php/sci_ubu/article/view/210345</a></p><p>2. ปัญจพล, ส., และ อภิรักษ์, ธ. (2561). การพัฒนาระบบสารสนเทศเพื่อการเรียนรู้พรรณไม้ด้วยเทคโนโลยีคิวอาร์โค้ด: กรณีศึกษา สวนพฤกษศาสตร์โรงเรียนเทศบาล 6 นครเชียงราย. <em>ในการประชุมวิชาการระดับชาติ ครั้งที่ 10 มหาวิทยาลัยราชภัฏนครสวรรค์</em> (น. 1365–1372). มหาวิทยาลัยราชภัฏนครสวรรค์.</p><p>3. Phosittiphai, W., &amp; Chantaranothai, P. (2019). Development of an online plant database for Queen Sirikit Botanic Garden. <em>Thai Journal of Botany, 11</em>(1), 89–98. <a href="https://www.google.com/search?q=https://www.researchgate.net/publication/334542617">https://www.researchgate.net/publication/334542617</a></p><p>4. สำนักงานพัฒนาวิทยาศาสตร์และเทคโนโลยีแห่งชาติ (สวทช.). (2564). <em>เนคเทค-สวทช. พัฒนา Traffy Fondue เทคโนโลยีบริหารจัดการเมือง สู่การใช้งานจริงในอุทยานหลวงราชพฤกษ์</em>. <a href="https://www.google.com/search?q=https://www.nstda.or.th/home/news_post/pr-nectec-traffyfondue-royalparkrajapruek/">https://www.nstda.or.th/home/news_post/pr-nectec-traffyfondue-royalparkrajapruek/</a></p><p>5. กรมอุทยานแห่งชาติ สัตว์ป่า และพันธุ์พืช. (ม.ป.ป.). <em>ฐานข้อมูลพรรณไม้</em>. สืบค้น 12 ตุลาคม 2568, จาก <a href="https://www.google.com/search?q=http://www.dnp.go.th/plantnursery/plant/index.php">http://www.dnp.go.th/plantnursery/plant/index.php</a></p><p>6. องค์การสวนพฤกษศาสตร์. (ม.ป.ป.). <em>สวนพฤกษศาสตร์สมเด็จพระนางเจ้าสิริกิติ์</em>. สืบค้น 12 ตุลาคม 2568, จาก <a href="https://www.google.com/search?q=https://www.qsbg.org">https://www.qsbg.org</a></p><p>7. อุทยานหลวงราชพฤกษ์. (ม.ป.ป.). <em>แอปพลิเคชัน Royal Park Rajapruek</em>. สืบค้น 12 ตุลาคม 2568, จาก <a href="https://www.google.com/search?q=https://www.royalparkrajapruek.org/main/details/14">https://www.royalparkrajapruek.org/main/details/14</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=95ae4eca4bb7" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[10 เทรนด์ความก้าวหน้าของเทคโนโลยีอัจฉริยะ (AI)หลังสถานการณ์โควิด]]></title>
            <link>https://dussadee.medium.com/10-%E0%B9%80%E0%B8%97%E0%B8%A3%E0%B8%99%E0%B8%94%E0%B9%8C%E0%B9%80%E0%B8%97%E0%B8%84%E0%B9%82%E0%B8%99%E0%B9%82%E0%B8%A5%E0%B8%A2%E0%B8%B5%E0%B8%84%E0%B8%A7%E0%B8%B2%E0%B8%A1%E0%B8%81%E0%B9%89%E0%B8%B2%E0%B8%A7%E0%B8%AB%E0%B8%99%E0%B9%89%E0%B8%B2%E0%B8%82%E0%B8%AD%E0%B8%87%E0%B8%A7%E0%B8%B4%E0%B8%97%E0%B8%A2%E0%B8%B2%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%84%E0%B8%AD%E0%B8%A1%E0%B8%9E%E0%B8%B4%E0%B8%A7%E0%B9%80%E0%B8%95%E0%B8%AD%E0%B8%A3%E0%B9%8C%E0%B8%AB%E0%B8%A5%E0%B8%B1%E0%B8%87%E0%B9%82%E0%B8%84%E0%B8%A7%E0%B8%B4%E0%B8%94-5db7eddf664f?source=rss-bbffd63f762e------2</link>
            <guid isPermaLink="false">https://medium.com/p/5db7eddf664f</guid>
            <category><![CDATA[computer-education]]></category>
            <category><![CDATA[trends]]></category>
            <category><![CDATA[digital-transformation]]></category>
            <category><![CDATA[bsru]]></category>
            <dc:creator><![CDATA[Dussadee Terdbaramee]]></dc:creator>
            <pubDate>Mon, 22 Aug 2022 04:15:38 GMT</pubDate>
            <atom:updated>2023-02-27T03:35:35.298Z</atom:updated>
            <content:encoded><![CDATA[<p>โลกการทำธุรกิจจะเปลี่ยนหน้าตาไปจากเดิม หลังวิกฤตไวรัสโควิด-19 ผ่านพ้น สิ่งสำคัญไม่ใช่แค่การอยู่รอดให้ได้ในวิกฤต แต่ชีวิตหลังวิกฤตนั้นผู้ประกอบการจะต้องทำยังไง นี่คือโจทย์ที่ท้าทายยิ่งกว่า แต่ในทุกวิกฤตย่อมมีโอกาส ขอเพียงไม่ท้อ และคิดบวก ถ้าไม่เห็นโอกาสอะไรเลย อย่างน้อยก็เป็นโอกาสในการเรียนรู้ ที่สำคัญคือ Only the Paranoid Survive ผู้ที่ตื่นตัว ใช้ชีวิตโดยไม่ประมาทจะอยู่รอดเสมอ ดังนั้น ในมิติการสร้างสังคมแห่งความยืดหยุ่นและในมิติความก้าวหน้าของเทคโนโลยีหลังวิกฤตโควิด-19 สัญญาณเตือนที่บอกให้ประชาชนต้องเร่งปรับตัว และเตรียมรับมือ เพื่อเปลี่ยนปรากฏการณ์ให้เป็นโอกาสของธุรกิจต่างๆ ที่หากปรับตัวทัน ก็สามารถสร้างรายได้ให้เติบโต (Yan Xiao, 2563)</p><blockquote><strong><em>1. มิติการสร้างสังคมแห่งความยืดหยุ่น</em></strong></blockquote><p><strong>1.1.ช็อปปิ้งออนไลน์ และหุ่นยนต์ส่งอาหาร </strong>สถานการณ์โควิดได้เปลี่ยนพฤติกรรมผู้บริโภคไปอย่างถาวร กลายเป็นฐานของผู้ซื้อที่คุ้นเคยกับเทคโนโลยีและพร้อมใช้จ่ายผ่านช่องทางออนไลน์มากขึ้น และในขฯเดียวกัน ธุรกิจร้านอาหาร ได้ปรับแนวคิดในการเสิร์ฟอาหารในแต่ละโต๊ะให้แก่ลูกค้ามาใช้หุ่นยนต์ส่งอาหาร เพื่อลดข้อผิดพลาดและเพิ่มประสิทธิภาพในการให้บริการ อันเพื่อป้องกันคนมาสัมผัสกัน จนเสี่ยงต่อการระบาดของโรค</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/900/1*FB9Dg-8y0Z7r0ViMbyuJdg.png" /></figure><p>ภาพที่ 1.1การนำหุ่นยนต์ส่งอาหารในร้าน MK ที่มา : <a href="https://www.salika.co/author/bow/">Praornpit Katchwattana</a>. (2565). <em>ชี้ทางออกพลิกวิกฤต ฟื้นเศรษฐกิจให้ไปต่อได้ ด้วยนวัตกรรม ‘หุ่นยนต์บริการ’</em>. จาก <a href="https://www.salika.co/2021/08/24/service-robot-innovation-solutions">https://www.salika.co/2021/08/24/service-robot-innovation-solutions</a></p><p><strong>1.2. การชำระเงินแบบดิจิทัล </strong>เป็นที่ชัดเจนว่าธนบัตร เหรียญที่หมุนเวียนผ่านมือคนจำนวนมาก มีเชื้อโรคติดอยู่ การใช้การ์ด หรือเงินในระบบอิเล็กทรอนิกส์จ่ายก็ปลอดภัยที่สุด</p><p><strong>1.3. การทำงานที่บ้าน </strong>แน่นอนการทำงานที่บ้านจำเป็นต้องมีเทคโนโลยี อุปกรณ์การเข้าถึงระบบเครือข่ายของสำนักงาน การประชุมที่ต้องรักษาความปลอดภัยและพื้นที่ส่วนตัว หลายองค์กร เริ่มมองเห็นโอกาสในการจ้างพนักงานที่อยู่พื้นที่ไกลออกไปได้</p><p><strong>1.4. การเรียนทางไกล</strong> จากเหตุการณ์การปิดโรงเรียนและมหาวิทยาลัยใน 191 ประเทศกระทบนักเรียนกว่า 1,570 ล้านคน และจำนวนมากต้องเรียนจากที่บ้านเทคโนโลยีที่นำมาใช้สอน เช่น เสมือนจริงทั้งแบบ Virtual reality และ Augmented reality, ภาพ 3 มิติ และครูหุ่นยนต์ ที่ประมวล ผลมาแล้วด้วย AI (Artificial Intelligence) ผลกระทบที่เกิดขึ้นคือ พ่อแม่ต้องอยู่บ้านดูแลลูก และอาจมีผลต่อประสิทธิภาพการทำงานของผู้ปกครอง</p><p><strong>1.5. การดูแลสุขภาพด้วยเทคโนโลยี</strong> คนจะมีอุปกรณ์ติดตัว แบบสวมใส่ไว้กับตัว เพื่อคอยเกาะติด และประมวลผลสุขภาพ มีระบบแชทบอท พูดคุยปรึกษาปัญหาสุขภาพ แต่ทั้งหมดขึ้นอยู่กับคุณภาพของเครือข่ายสื่อสาร และความสามารถในการจ่ายเพื่อใช้บริการ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/900/1*cK_w23HuvqpYrqpc75uwHg.png" /></figure><p>ภาพที่ 1.2 การนำหุ่นยนต์ส่งอาหารในร้าน MK ที่มา : Techsauce Team. (2562). <em>Chatbot กับ HealthTech ก็ไปด้วยกันได้ ส่อง 5 ผู้ช่วยด้านสุขภาพผ่านตัวอักษรที่น่าสนใจ</em>. จาก <a href="https://techsauce.co/tech-and-biz/3-healthtech-chatbots">https://techsauce.co/tech-and-biz/3-healthtech-chatbots</a></p><p><strong>1.6. ความบันเทิงผ่านออนไลน์</strong> การไปชมคอนเสิร์ต ในที่คนหนาแน่นไม่ได้ ซึ่งยังไม่รู้ว่าจะนานแค่ไหน และนี่คือเวลาที่ธุรกิจความบันเทิงต้องปรับตัว ให้ส่งผ่านทางออนไลน์มากขึ้น อย่างเช่น แกลเลอรี่ พิพิธภัณฑ์ ก็ได้ปรับรูปแบบเปิดให้ชมผ่านออนไลน์ได้เช่นกัน</p><p><strong>1.7. ซัพพลายเชน 4.0 </strong>หลายธุรกิจต้องปิดตัวลงไป แต่หลายธุรกิจไปได้ดี โดยเฉพาะอาหาร ของใช้จำเป็น แต่สิ่งเหล่านี้ต้องการเทคโนโลยีมาจัดการ ตั้งแต่การใช้อินเตอร์เน็ตมาเชื่อมต่ออุปกรณ์ต่างๆ การประมวลผลข้อมูลขนาดใหญ่ เพื่อบริหารจัดการเครือข่ายการผลิต ส่งถึงลูกค้าได้อย่างมีประสิทธิภาพ</p><p><strong>1.8. ระบบการผลิตจาก 3D Printing </strong>มนุษย์โลกต้องการอุปกรณ์ป้องกันโรคติดต่อมากขึ้น ออกจากบ้านต้องใส่หน้ากากอนามัย คนทำงานที่ต้องสัมผัสผู้คนจำนวนมาก ก็ต้องมีชุดป้องกันเต็มที่ แน่นอนว่าเทคโนโลยี 3D Printing การขึ้นรูปชิ้นงานได้หลากหลาย และปรับเปลี่ยนการผลิต เพื่อตอบโจทย์ความต้องการใหม่</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/609/1*BnrumO0nHpfUhBg3aWEXLA.png" /></figure><p>ภาพที่ 1.3 เครื่อง 3D Printing นำมาใช้ในวงการแพทย์ ที่มา : mmthailand. (2560). <em>3D Printing พิมพ์หัวใจมนุษย์ได้แล้ว</em>. จาก https://www.mmthailand.com/3d-printing-หัวใจมนุษย์</p><p><strong>1.9. โดรนและหุ่นยนต์ </strong>ช่วงโรคระบาด ถ้าไม่จำเป็นผู้คนไม่อยากเจอหรือสัมผัสกันมากนักและ 2 สิ่งนี้มีบทบาทมากขึ้นเรื่อยๆ โดยเฉพาะช่วงวิกฤติโควิด-19 ที่หุ่นยนต์ และโดรน เป็นตัวช่วยมนุษย์ หลายหน้าที่ ตั้งแต่ช่วยส่งของ วัดไข้ ลดการสัมผัสระหว่างผู้ป่วยกับบุคลากรทางการแพทย์ได้จำนวนมาก</p><p><strong>1.10. สื่อสารเร็ว แรง เสถียรด้วย 5G </strong>5G สำคัญ และทั่วโลกต้องลงทุนพัฒนา เพื่อให้เครือข่ายสื่อสารมีสปีดเร็ว และที่สำคัญในราคาที่คนส่วนใหญ่พอจะจ่ายได้ จากนี้จึงจะเห็นทั่วโลกเร่งลงทุน 5G ให้ครอบคลุมมากขึ้น</p><blockquote>จาก 10 เทรนด์นี้ จะเห็นว่าเมื่อวิกฤติ เราจะเห็นความเปลี่ยนแปลงหลายอย่าง และนี่เป็นเวลาที่นักศึกษาต้องปรับตัวครั้งสำคัญ ถ้าไม่ท้อแท้ ไม่ท้อถอย และคิดบวกก็จะมองเห็นโอกาสในทุกๆ วิกฤตเสมอ ฉะนั้น จึงควรใช้วิกฤตให้เป็นโอกาส และไม่มีอะไรสำคัญกว่าสุขภาพของตัวเอง จงรักษาสุขภาพ และใช้ชีวิตอย่างไม่ประมาทอยู่ตลอดเวลา (ยูไนเต็ดอินฟอร์เมชั่นไฮเวย์, 2563)</blockquote><blockquote><strong>2. มิติความก้าวหน้าของเทคโนโลยี</strong></blockquote><p>โครงการ Thai MOOC (2563) อธิบายว่า ประธานบริษัทการ์ทเนอร์ พูดว่า ในอนาคตอันใกล้นี้ สมาร์ทดีไวซ์ ซึ่งหมายรวมถึง สมาร์ทโฟนและแท็บเล็ตในมือทุกคน จะเป็นเครื่องมือส่งมอบคอนเทนต์ดิจิทัลล้ำๆ ทุกที่ทุกเวลา และเทคโนโลยี นวัตกรรม ที่เราได้สัมผัสกันแล้วในปัจจุบันที่ยิ่งทวีความฉลาด มีประสิทธิภาพ และล้ำสมัยมากขึ้น โดยความชาญฉลาดเกิดจาก 10 เทคโนโลยี ดังนี้</p><p><strong>2.1.</strong> <strong>Autonomous Things</strong> ด้วย AI (ปัญญาประดิษฐ์) เข้ามามีอิทธิพลกับประชาชนทุกคนและทุกภาคส่วนมากขึ้น ด้วยความสามารถและศักยภาพของ AI ทำให้อุปกรณ์เครื่องมือต่างๆ มีความอัจฉริยะมากขึ้น โดยจะมีการประยุกต์เอาเทคโนโลยี Internet of Things (IoT) มาเป็นเครื่องมือในการเชื่อมโยงถึงกันและทำงานร่วมกันเป็นเครือข่ายได้ในวงกว้างขึ้น ชาญฉลาดเหมือนมนุษย์ มีทักษะในการรวบรวมข้อมูลและสามารถช่วยตัดสินใจได้เพิ่มขึ้น และเข้ามามีบทบาทในการทำงานแทนมนุษย์ โดย เฉพาะด้านเกษตรกรรม ในรูปแบบของหุ่นยนต์, โดรน หรืออากาศยานไร้คนขับ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/608/1*5UWH-Hfx0Z2Yu2DqNfGPAw.png" /></figure><p>ภาพที่ 1.4 ระบบล็อกอัจฉริยะสำหรับ Smart Condo ที่มา : ESTOPOLIS. (2561). 5 นวัตกรรมสุดล้ำสำหรับ Smart Condo สะท้อนไลฟ์สไตล์ของคนยุคใหม่. จาก https://www.estopolis.com/article/creative/innovation/Smart-Condo-นวัตกรรม</p><p><strong>2.2.</strong> <strong>Augmented Analytics </strong>เป็นการวิเคราะห์ข้อมูลโดยอัตโนมัติด้วยเทคโนโลยี Automated Analytics หรือ Automated Machine Learning ที่ทำหน้าที่เหมือนนักวิทยาศาสตร์ข้อมูลที่ใช้อัลกอริทึมเพิ่มประสิทธิภาพในการค้นหาข้อมูลและสมมุติฐานเพิ่มขึ้น ทำให้ข้อมูลที่ได้มีมิติ มีความลึกขึ้นโดยไม่อาศัยความคิดเห็นส่วนตัว</p><p><strong>2.3.</strong> <strong>AI-driven development เป็น</strong>เทคโนโลยีที่เป็นแนวทางที่ Data Scientist ต้องทำงานร่วมกับ Software Developer โดยนำ AI จะเข้ามามีบทบาทเสริมให้แอปพลิเคชันต่างๆ ที่กำลังคิดค้นและพัฒนาขึ้นมา มี options หลากหลายและใช้งานง่ายมากขึ้น ทั้ง AI ก็จะเข้าไปมีบทบาทในกระบวนการต่างๆ</p><p><strong>2.4.</strong> <strong>Digital Twin</strong> เป็นการนำข้อมูลจากวัตถุ การเก็บสำเนาของทรัพย์สิน สิ่งของ อาคารเครื่องจักร หรือระบบในโลกจริงไปนำเสนอแบบครบถ้วนทุกมิติในโลกดิจิทัล เช่น ถ้าจะสร้าง Digital Twin ของสะพานก็ต้องมีข้อมูลการสั่นสะเทือน แรงกดในทุกจุดบนสะพาน ใต้สะพาน บนเสา เพื่อประเมินสภาพ หรือคาดการณ์การร้าวหรือทรุดตัวของสะพาน เป็นต้น</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/900/1*Ps_i9EQFjAZ8eUcprfo1iA.png" /></figure><p>ภาพที่ 1.5 ระบบล็อกอัจฉริยะสำหรับ Smart Condo ที่มา : <em>Michael Parks</em>. (2561). <em>Digital Twins Offer Unmatched Insights For Design Engineers. </em>จาก <a href="https://th.mouser.com/applications/digital-twins-offer-insight">https://th.mouser.com/applications/digital-twins-offer-insight</a></p><p><strong>2.5.</strong> <strong>Edge Computing</strong> เป็นระบบประมวลผลข้อมูลที่ต้องรับมาจากอุปกรณ์หลายชิ้นทำให้ข้อมูลที่จะถูกส่งต่อไปมีขนาดเล็กลง ปริมาณข้อมูลก็จะน้อยลง ทำให้ไม่เปลืองแบนด์วิธ ซึ่ง Edge Computing จะเก่งขึ้นได้ด้วยการติดตั้งอุปกรณ์อัจฉริยะเข้าไป ได้แก่ ชิป AI ที่ได้รับการออกแบบเฉพาะ อุปกรณ์จัดเก็บข้อมูลรุ่นใหม่ และการประมวลผลด้วยเทคโนโลยี 5G รวมถึงจะถูกขับเคลื่อนการทำงานด้วย IoT และมีความสามารถล้ำหน้ายิ่งขึ้น</p><p><strong>2.6.</strong> <strong>Immersive Technology </strong>ถือเป็นเทคโนโลยีที่สร้างความกลมกลืนระหว่างโลกในความจริง (physical world) กับโลกเสมือนจริง (Metaverse) อย่างการใช้เทคโนโลยีของแพลตฟอร์มการสนทนา เช่น แชทบอท จะเข้ามาเปลี่ยนวิธีการที่มนุษย์โต้ตอบกับโลกดิจิทัลไปสู่รูปแบบใหม่, การรับ ชมแฟชั่นโชว์ในโลกเสมือนผ่าน VR Technology, การทำโฆษณาแบบ Virtual ในโลกของ Metaverse หรือ การทำ Special Collection ให้สะสม โดยมีจำนวนจำกัดที่จะสามารถนำไปครอบครอง</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/884/1*ptphHi8kBGAa7Q6O74aQ2Q.png" /></figure><p>ภาพที่ 1.6 นิทรรศการออนไลน์โดยใช้ “Metaverse” โลกเสมือนจริง 360 องศาในงาน Pitching Hackathon รายวิชา ระบบธุรกิจอัจฉริยะ สาขาวิชาคอมพิวเตอร์ศึกษา ภาคเรียนที่ 2/2564 ที่มา : ดุษฎี เทิดบารมี (2565)</p><p><strong>2.7.</strong> <strong>Blockchain</strong> ระบบโครงข่ายในการเก็บบัญชีธุรกรรมออนไลน์ ซึ่งมีลักษณะเป็นเครือข่ายที่เก็บสถิติการทำธุรกรรมทางการเงิน และสินทรัพย์ชนิดอื่นๆ โดยไม่มีตัวกลาง ยกตัวอย่างการทำธุรกรรมด้วย Bitcoin จะมีรหัส Token สร้างขึ้นมาเพื่อสื่อสารกับ Blockchain และทำการตรวจสอบว่า Bitcoin นั้นมีความน่าเชื่อถือหรือไม่ก่อนที่จะทำธุรกรรมให้สำเร็จต่อไป ซึ่งทำให้ต้นทุนการทำธุรกรรมถูกลงและยังสามารถถูกนำไปใช้ในงานอื่นๆ เช่น การเก็บสถิติการเลือกตั้งให้มีความโปร่งใสมากขึ้น การให้ยืม Cloud Storage ระหว่างกัน บริการ co location ระบบ Peer to Peer Lending และอื่นๆ ซึ่งแม้แต่ธนาคารก็ตัดสินใจเข้าลงทุนในการทำ Blockchain มากขึ้น เพื่อแนวทางรักษาตลาดเทคโนโลยี</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/627/1*4gS1ceUlB_mRyCYkSWPjmA.png" /></figure><p>ภาพที่ 1.7 สำนักงานพัฒนารัฐบาลดิจิทัล. (2564). <em>ประโยชน์ของบล็อกเชนนำมาใช้ในการพัฒนาประเทศ.</em> จาก <a href="https://www.dga.or.th/document-sharing/infographic/49468">https://www.dga.or.th/document-sharing/infographic/49468</a></p><p><strong>2.8.</strong> <strong>Smart Spaces </strong>สภาพแวดล้อมทางกายภาพหรือดิจิทัล เพื่อให้มนุษย์และเทคโนโลยีมีปฏิสัมพันธ์กันได้มากขึ้น ด้วยเทคโนโลยีแบบเปิด มีการเชื่อมต่ออินเทอร์เน็ต การทำงานร่วมกัน และระบบนิเวศอัจฉริยะ ที่เรียกว่า พื้นที่อัจฉริยะ ผ่านเทคโนโลยีสมาร์ทซิตี้ ห้องทำงานดิจิทัล สมาร์ทโฮม และโรงงาน โดยมีการเชื่อมโยงระหว่างเครื่องจักร เซ็นเซอร์ และซอฟต์แวร์ เป็นต้น</p><p><strong>2.9.</strong> <strong>Digital ethics and privacy </strong>พ.ร.บ. คุ้มครองข้อมูลส่วนบุคคล พ.ศ. 2562 ได้กำหนดขึ้นเพื่อใช้ในการคุ้มครองข้อมูลส่วนบุคคล ไม่ให้ถูกจัดเก็บหรือนำไปใช้โดยไม่ได้แจ้งให้ประชาชนทราบ หรือได้รับความยินยอมจากเจ้าของข้อมูล เช่น ชื่อ ที่อยู่ เบอร์โทรศัพท์ บัญชีธนาคาร อีเมล ไอดีไลน์ บัญชีผู้ใช้ของเว็บไซต์ ลายนิ้วมือ ประวัติสุขภาพ หรือการที่เราได้รับโฆษณาบน Social ส่งผลให้ Privacy-Enhancing Computation จะเข้ามามีบทบาทในการประมวลผลข้อมูล การจัดเก็บ การส่งต่อ หรือการนำข้อมูลส่วนบุคคลที่ถูกนำมาใช้ประโยชน์ด้านการตลาดให้มีความปลอดภัยมากขึ้น เพื่อให้เป็นไปตามข้อกำหนดของข้อกฎหมายและความเป็นส่วนตัวของเจ้าของข้อมูล</p><p><strong>2.10.</strong> <strong>Quantum Computing </strong>เมื่อระบบคอมพิวเตอร์ได้เปลี่ยนจากการทำงานบนแผงวงจรมาใช้คุณสมบัติพิเศษของอะตอมแทน คอมพิวเตอร์ตั้งโต๊ะ (Desktop) ขนาดใหญ่ไปจนถึง iPhone X จะดำเนินการโดยการเก็บข้อมูลเป็นบิต (bit) ที่โดยทั่วไปจะอยู่ในรูปของ 0 หรือ 1 ซึ่งคอมพิวเตอร์เหล่านี้จำเป็นที่จะต้องใช้เวลาในการแก้ปัญหาทางคณิตศาสตร์ที่ซับซ้อน ในขณะที่ Quantum Computer สามารถทำการคำนวณหลายๆ อย่างพร้อมกันได้ รวมทั้งยังสร้างผลลัพธ์ในอัตราที่เร็วกว่าคอมพิวเตอร์ทั่วไปอย่างมหาศาล</p><blockquote>เอกสารอ้างอิง</blockquote><p>โครงการ Thai MOOC (thaimooc.org). (2563). <em>พลิกโฉมโลกด้วยดิจิทัล | Digital Transformation</em>.สืบค้นเมื่อ 1 พฤษภาคม 2565, จาก <a href="https://lms.thaimooc.org/courses/course-v1:DEPA+DEPA002+2018/course.">https://lms.thaimooc.org/courses/coursev1:DEPA+DEPA002+2018/course.</a></p><p>ปานใจ ธารทัศนวงศ์. (2565). <em>Fundamental of SOFTWARE ENGINEERING &amp; Digital Transformation</em>. กรุงเทพฯ: สำนักพิมพ์ Infopress.</p><p>ยูไนเต็ดอินฟอร์เมชั่นไฮเวย์. (2563). <em>10 เทรนด์เทคโนโลยีมาแน่ หลังโควิดพลิกชีวิต New Normal</em>. สืบค้นเมื่อ 1 พฤษภาคม 2565, จาก <a href="https://www.uih.co.th/th/knowledge/10-new-">https://www.uih.co.th/th/knowledge/10-new-</a>normal#</p><p>สำนักงานพัฒนาธุรกรรมทางอิเล็กทรอนิกส์. (2563). <em>ETDA ยกระดับ Transcript สู่ Digital ผู้ออกสะดวก ผู้ขอสบาย นายจ้างตรวจสอบได้ ภายใต้มาตรฐานเดียวกัน</em>. จากhttps://www.etda.or.th/th/https/www-etda-or-th/th/newsevents/pr/Message-Standard-for-Academic-Transcript.aspx</p><p>ESTOPOLIS. (2561). 5 นวัตกรรมสุดล้ำสำหรับ Smart Condo สะท้อนไลฟ์สไตล์ของคนยุคใหม่. จาก https://www.estopolis.com/article/creative/innovation/Smart-Condo-นวัตกรรม</p><p>Yan Xiao. (2563). <em>10 technology trends to watch in the COVID-19 pandemic</em>. สืบค้นเมื่อ 1 พฤษภาคม 2565, จาก <a href="https://www.weforum.org/agenda/2020/04/10-technology-trends-coronavirus-covid19-pandemic-robotics-telehealth.">https://www.weforum.org/agenda/2020/04/10-technology-trends-coronavirus-covid19-pandemic-robotics-telehealth.</a></p><p>เนื้อหาเหล่านี้เป็นส่วนหนึ่งของการเรียนการสอนกลุ่มรายวิชาศึกษาทั่วไป วิชาทักษะการใช้เทคโนโลยีดิจิทัล ผู้เขียนและเรียบเรียงเนื้อหา อาจารย์กุ้ง ผศ.ดร.ดุษฎี เทิดบารมี สาขาวิชาคอมพิวเตอร์ศึกษา คณะวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยราชภัฏบ้านสมเด็จเจ้าพระยา ขอฝากติดตามผลงานและเสนอแนะข้อมูลต่างๆ เพื่อเป็นประโยชน์ต่อวงการศึกษาต่อไป ขอขอบคุณค่ะ</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=5db7eddf664f" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[บทความแรกของฉัน]]></title>
            <link>https://dussadee.medium.com/%E0%B8%9A%E0%B8%97%E0%B8%84%E0%B8%A7%E0%B8%B2%E0%B8%A1%E0%B9%81%E0%B8%A3%E0%B8%81%E0%B8%82%E0%B8%AD%E0%B8%87%E0%B8%89%E0%B8%B1%E0%B8%99-736227cd02e7?source=rss-bbffd63f762e------2</link>
            <guid isPermaLink="false">https://medium.com/p/736227cd02e7</guid>
            <dc:creator><![CDATA[Dussadee Terdbaramee]]></dc:creator>
            <pubDate>Mon, 21 Feb 2022 08:30:35 GMT</pubDate>
            <atom:updated>2022-02-21T08:30:35.166Z</atom:updated>
            <content:encoded><![CDATA[<p>อ.กุ้ง ดุษฎี เทิดบารมี อาจารย์ประจำสาขาวิชาคอมพิวเตอร์ศึกษา มหาวิทยาลัยราชภัฏบ้านสมเด็จเจ้าพระยา</p><p>วันนี้จัดอบรมการเขียนผลงานของฉันเผยแพร่บน Medium โดยได้รับเกียรติจาก ท่านอาจารย์ธงชัย โรจน์กังสดาน อาจารย์ประจำภาควิชาวิศวกรรมคอมพิวเตอร์ จุฬาลงกรณ์มหาวิทยาลัย ได้รับไอเดียและแรงบันดาลใจในการมีพลังฮึดสู้ ไปไป ไปโกอินเตอร์กันผ่าน Medium เอาล่ะๆ มาตั้งเป้าหมายกัน ทุกวันจันทร์ ฉันต้องมีเรื่องราวอัพเดททั้งชีวิตการทำงาน ชีวิตประจำวัน และเรื่องราวต่างๆ ที่อยากแชร์ อยากโพสต์ เผื่อจะเป็นประโยชน์และช่วยให้ทุกท่านคลายเครียด กันนะคะ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*fIPmoizKpCY3e0BhN2Td4w.jpeg" /></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=736227cd02e7" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Human Face Project ในการทำ Image Generation by #CV 6]]></title>
            <link>https://medium.com/botnoi-classroom/human-face-project-%E0%B9%83%E0%B8%99%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%97%E0%B8%B3-image-generation-by-cv-6-c7c6388a0c4c?source=rss-bbffd63f762e------2</link>
            <guid isPermaLink="false">https://medium.com/p/c7c6388a0c4c</guid>
            <category><![CDATA[botnoi-classroom]]></category>
            <category><![CDATA[gans]]></category>
            <dc:creator><![CDATA[Dussadee Terdbaramee]]></dc:creator>
            <pubDate>Sun, 18 Apr 2021 13:22:36 GMT</pubDate>
            <atom:updated>2021-05-10T02:43:51.028Z</atom:updated>
            <content:encoded><![CDATA[<p>สำหรับโปรเจคสุดท้ายของคลาสเรียน Advanced Computer Vision คือการทำ Human Face Project ในการทำ Image Generation เพื่อค้นหาใบหน้าผู้ชายที่คิดว่าหล่อที่สุด และ ผู้หญิงที่สวยที่สุด ออกมา 1 คู่แล้วนำไปโหวตกับเพื่อนๆ ในกลุ่มอื่นๆ ของคลาสเรียนบอทน้อย</p><p>Human Face Project เป็นการนำหลักการของ Generative Adversarial Networks (GANs) ในการสร้างรูปใบหน้าคนขึ้นมา ซึ่งไม่ใช่ใบหน้าของคนจริงๆ แต่เป็นใบหน้าที่ทำการผสมผสานโครงหน้าของคนนั้นคนนี้ผสมๆ เข้าด้วยกันด้วยการเขียนโปรแกรมให้ทำการ generate รูปออก แล้วถ้ายังไม่ ชอบ เราก็ยังสามารถกหนดค่า หรือ ใส่รูปโครงใบภาพคนอื่นๆ เข้าไปได้อีก เพื่อให้โปรแกรมประมวลผลใบหน้าใหม่ของมาตามที่ เราต้องการ ตามที่เราเห็นว่า สวยและหล่อ ดังใจเรา</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*GtHRp9Jmx6sSRfDefd_FBw.jpeg" /></figure><p>GANs เป็นสิ่งที่ประยุกต์ใช้จากหลักการของทั้ง Supervise Learning และ Unsupervised Learning ใน Machine Learning โดย Generative Model จะเป็น Deep model ที่ใช้ในการสร้างภาพ โดยต้องทำการ input ข้อมูลจาก Latent code ซึ่งเป็นโค้ดตัวเลขที่เราสามารถปรับค่าได้ตั้งแต่ 0–1 โดยตัวเลขเหล่านี้ที่เมื่อผ่าน Generative Model มันจะเอาโค้ดตัวเลขจาก Latent code มาทำการสร้างภาพขึ้นมาให้เรา โดยไม่ต้องมีข้อมูลกำกับว่ารูปภาพเหล่านี้คือรูปภาพอะไร</p><p>ดังนั้น อยากรู้แล้วใช่ไหมว่า ไอ้เจ้าโปรแกรมที่ใช้หลักการของ GANs นี้ เขาทำกันอย่างไรกัน มาติดตามกระบวนการทำโปรเจคครั้งนี้ของทีม CV 6 ของเราเลยจ้าาา</p><h3>1. กระบวนการทำ Image Generation</h3><h4>1.1. Getting model &amp; data</h4><ul><li>Git clone โปรเจค Style GAN จาก <a href="https://github.com/robertluxemburg/stylegan2encoder.git">https://github.com/robertluxemburg/stylegan2encoder.git</a></li><li>ดาวน์โหลด pretrained model</li><li>เลือกรูปภาพผู้หญิง หรือผู้ชายที่แต่ละคนชื่นชอบ อย่างละ 4 รูป (หรือมากกว่าก็ได้) เพื่อนำมาทำเป็นต้นแบบในการ generate</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*JF58CcJuYAXgshXiYydBaA.jpeg" /></figure><ul><li>เตรียมรูปภาพด้วยการ crop ใบหน้า และหมุนเพื่อให้ได้ใบหน้าตรง ก่อนนำเข้า projector</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Rv6qLOZ7b1IimfQpidjKJA.png" /></figure><h4>1.2 Generate Face ด้วยโมเดล Style GAN</h4><ul><li>Encode รูปใบหน้าด้วย projector เพื่อให้ได้ weight หรือ projection matrix ของแต่ละรูป</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*N6zT4XgJmrW0sJqAA_XcMg.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*TydZVqfPCHUxeVzGQLNi5w.png" /></figure><ul><li>(optional) สร้างวิดีโอ snapshot ของกระบวนการสร้าง projection matrix</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/950/1*FVe87an8Nf_sLAbmKOWMLA.png" /></figure><ul><li>นำ projection matrix ของแต่ละรูปมา combine กันทีละคู่ และเลือกรูปที่เป็นผลลัพธ์จากการ combine ที่ชอบที่สุด เพื่อนำไป combine กับ projection matrix ของรูปถัดๆ ไป โดยสามารถทำขั้นตอนนี้ซ้ำได้เรื่อยๆ จนกว่าจะได้ผลลัพธ์ที่พอใจ</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*I3KCTMBmQvwJYWPJFCIxog.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*qeO0zoL1ZZ1ba55NW6wDig.png" /></figure><h4>1.3 เลือกรูปที่ สวย/หล่อ ที่สุดของแต่ละคน และทำการโหวตภายในกลุ่ม เพื่อเลือกเป็นผลงานของกลุ่ม</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*RZOL2SLDQEadUx7YDqjTQA.png" /></figure><h4>1.4 ผลการคัดเลือก รูปที่ สวย/หล่อ ที่สุด ภายในกลุ่ม CV6</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ioyT72HlFhPn6IaLsIjAIg.png" /></figure><h4>1.5 Colab</h4><ul><li><strong>ผู้หญิง : </strong><a href="https://colab.research.google.com/drive/1wNNGNOeefaJkCiE3r7gYp4nJrvOBO4XE?usp=sharing">https://colab.research.google.com/drive/1wNNGNOeefaJkCiE3r7gYp4nJrvOBO4XE?usp=sharing</a></li><li><strong>ผู้ชาย : </strong><a href="https://colab.research.google.com/drive/1pV_9pDavygv_v2bI-yYKQLBKc1KEljPN?usp=sharing">https://colab.research.google.com/drive/1pV_9pDavygv_v2bI-yYKQLBKc1KEljPN?usp=sharing</a></li></ul><h4>1.6 ทีม CV 6</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*cUU6LKP-w47x76Mx565hzw.png" /></figure><h4>1.7 อ้างอิง</h4><p><a href="https://www.blockdit.com/posts/5d55715cd354160cb39f0e68">https://www.blockdit.com/posts/5d55715cd354160cb39f0e68</a></p><p><a href="https://medium.com/@nutorbitx?source=post_page-----7973ae70db70--------------------------------">Nut Chukamphaeng</a> (2019). GANs: อะไรคือ Generative Adversarial Networks.</p><p><a href="https://medium.com/@nutorbitx/gans-%E0%B8%AD%E0%B8%B0%E0%B9%84%E0%B8%A3%E0%B8%84%E0%B8%B7%E0%B8%AD-generative-adversarial-networks-7973ae70db70">https://medium.com/@nutorbitx/gans-%E0%B8%AD%E0%B8%B0%E0%B9%84%E0%B8%A3%E0%B8%84%E0%B8%B7%E0%B8%AD-generative-adversarial-networks-7973ae70db70</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=c7c6388a0c4c" width="1" height="1" alt=""><hr><p><a href="https://medium.com/botnoi-classroom/human-face-project-%E0%B9%83%E0%B8%99%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%97%E0%B8%B3-image-generation-by-cv-6-c7c6388a0c4c">Human Face Project ในการทำ Image Generation by #CV 6</a> was originally published in <a href="https://medium.com/botnoi-classroom">botnoi-classroom</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[มาลองเป็น นัมโดซานแบบในซีรี่ส์เกาหลี ภายใน 2 สัปดาห์กัน! (Try being Nam Dosan in 2 weeks) [EP.2]]]></title>
            <link>https://dussadee.medium.com/%E0%B8%A1%E0%B8%B2%E0%B8%A5%E0%B8%AD%E0%B8%87%E0%B9%80%E0%B8%9B%E0%B9%87%E0%B8%99-%E0%B8%99%E0%B8%B1%E0%B8%A1%E0%B9%82%E0%B8%94%E0%B8%8B%E0%B8%B2%E0%B8%99%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%83%E0%B8%99%E0%B8%8B%E0%B8%B5%E0%B8%A3%E0%B8%B5%E0%B9%88%E0%B8%AA%E0%B9%8C%E0%B9%80%E0%B8%81%E0%B8%B2%E0%B8%AB%E0%B8%A5%E0%B8%B5-%E0%B8%A0%E0%B8%B2%E0%B8%A2%E0%B9%83%E0%B8%99-2-%E0%B8%AA%E0%B8%B1%E0%B8%9B%E0%B8%94%E0%B8%B2%E0%B8%AB%E0%B9%8C%E0%B8%81%E0%B8%B1%E0%B8%99-try-being-nam-dosan-in-2-weeks-ep-2-da25bc338dbb?source=rss-bbffd63f762e------2</link>
            <guid isPermaLink="false">https://medium.com/p/da25bc338dbb</guid>
            <dc:creator><![CDATA[Dussadee Terdbaramee]]></dc:creator>
            <pubDate>Sat, 27 Mar 2021 15:22:51 GMT</pubDate>
            <atom:updated>2021-03-27T15:48:38.204Z</atom:updated>
            <content:encoded><![CDATA[<h3>Object Detection มาลองเป็น นัมโดซานแบบในซีรี่ส์เกาหลี ภายใน 2 สัปดาห์กัน! (Try being Nam Dosan in 2 weeks) [EP.2]</h3><h3>ตอนที่ 2 ปัญหาคือการเรียนรู้ จุดจบคือการเริ่มต้น : การพัฒนาระบบตรวจจับและรับรู้วัตถุประเภทตัวเขียนภาษาไทย ผ่านภาพวิดิโอบนโทรศัพท์มือถือแบบเรียลไทม์</h3><p>ถ้ายังไม่ได้อ่าน EP.1 ให้กลับไปอ่านได้ที่ <a href="https://link.bsru.ac.th/eb">https://link.bsru.ac.th/eb</a></p><p>ในภาคที่แล้ว ภารกิจพัฒนาระบบรับรู้ลายมือตัวอักษรภาษาไทยของเรา ที่ตั้งเป้าหมายไว้ยิ่งใหญ่และช่วยส่งเสริมจินตนาการให้แต่ละคนในทีมได้ฝันว่าตัวเองเป็นกลุ่มนักพัฒนาสุดเทพจากซัมซานเทค (จากซีรีส์ Start Up สุดฮิต) ก็ล้มเหลวและเจออุปสรรคไม่คาดฝันไปตั้งแต่ขั้นตอนแรก เอาล่ะ เพราะเราไม่ได้เกิดมาเพื่อท้อ ปัญหาที่เกิดจึงต้องนำมาสู่การหาทางแก้ไขต่อไป มาเอาใจช่วยพวกเรากันดีกว่าว่า อุปสรรคต่างๆ ทำให้เราต้องพัฒนาอะไรเพิ่มขึ้นมาบ้าง เพื่อให้ระบบสามารถทำงานได้ตามที่คาดหวัง</p><p>สำหรับภาคนี้ เราคิดว่าน่าจะเป็นประโยชน์ ถ้าในส่วนแรกเรามาอธิบายว่า อะไรที่ทำให้เราคิดว่าชุดข้อมูลที่ทำไว้ยังให้ผลได้ไม่ดีพอ และนำมาสู่การปรับปรุงชุดข้อมูลในภาคนี้ ดังนั้นเบื้องต้นเรามาดูกันดีกว่าครับว่า ผลที่เกิดขึ้นจากการรันและ Validate ชุดข้อมูลนี้บอกอะไรเราบ้าง โดยสังเกตว่า จะมีบางขนาดที่ mAP เป็น -1 อยู่ด้วย</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*XPsR5Fh3w7AO2S_q" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*TxKW-qLbA7O8xdyL" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*B71eLibPSxszIVQ4" /></figure><p>กราฟข้างบนที่เห็น เป็นกราฟเกี่ยวกับ mAP หลังจากการ Train Mdel ผ่านไปเกือบ 3,000 รอบ</p><ol><li><strong>เริ่มต้นกันใหม่ด้วยการเตรียมชุดข้อมูลที่เหมาะสม</strong></li></ol><p>จากความล้มเหลวในการตรวจจับตัวหนังสือที่ไม่ได้มีความแม่นยำเหมือนที่คาด เราจึงตั้งสมมุติฐานกันว่า สาเหตุน่าจะเป็นเพราะขนาดตัวหนังสือที่ป้อนให้ระบบได้เรียนรู้นั้นมีขนาดพิกเซลเล็กเกินไป เราจึงต้องไปทำการค้นหาข้อมูลสนับสนุน และพบว่า ขนาดเล็กที่สุดสำหรับ Object ขนาดเล็กก็ควรอยู่ในระดับ 32 x 32 พิกเซล เมื่อเทียบกับขนาดประมาณ 12- 16 พิกเซลที่เราใช้ จึงนับว่าเล็กกว่าขนาดที่ควรเป็นถึง 2 เท่าตัว</p><p><strong><em>“average precision for small objects (area &lt; 3²² pixels).</em></strong></p><p><strong><em>average precision for medium sized objects (3²² pixels &lt; area &lt; 9⁶² pixels).</em></strong></p><p><strong><em>average precision for large objects (9⁶² pixels &lt; area &lt; 1000⁰² pixels).”</em></strong></p><p>โดยข้อมูลอ้างอิงมาจากคำตอบจาก Link</p><p><a href="https://stackoverflow.com/questions/52068835/tensorboard-graph-recall">https://stackoverflow.com/questions/52068835/tensorboard-graph-recall</a> และ <a href="https://cocodataset.org/#detection-eval">https://cocodataset.org/#detection-eval</a></p><p>ถ้ายังจำได้ การที่เราเพิ่มขนาดภาพเข้าไปก็ไม่ได้ช่วยอะไร เพราะระบบจะทำการรีไซส์ลงมาที่ 300 พิกเซลเหมือนเดิม ด้วยเหตุนี้เอง เราจึงตกลงกันว่าจะยอมเสียเวลามากขึ้นในการสร้างชุดข้อมูลรูปภาพที่มีขนาดพิกเซล เหมาะสมตามคำแนะนำโดยขนาดของแต่ละภาพ จะถูกจำกัดไว้ที่ 300 x 300 px แต่สิ่งที่ต่างออกไปในครั้งนี้ ก็คือ ขนาดของกรอบหนังสือแต่ละตัวจะถูกกำหนดและวางลงในพื้นภาพ แต่ละภาพอย่างเหมาะสม โจทย์เพิ่มเติมก็คือ ตำแหน่งการวางจะต้องตรงกัน (เพื่อความง่ายในการสร้าง Selection Area ครั้งละมากๆ) และ ตัวอักษรในแต่ละภาพ จะเป็นตัวเดียวกันทั้งหมด เพื่อการทำ Label ได้สะดวกและทำครั้งละมากๆ เช่นเดียวกัน</p><p>ในกระบวนการนี้เราเลือกที่จะใช้ข้อมูลภาพลายมือที่ถูกแยกไว้เป็นตัวอักษรแล้วโดยชุดข้อมูลจากการตีพิมพ์งานวิจัยเรื่อง “Engineering Applications of Artificial Intelligence” โดยคณะวิจัย “Olarik Surinta and Mahir F. Karaaba and Lambert R.B. Schomaker and Marco A. Wiering” <a href="https://www.ai.rug.nl/~mrolarik/ALICE-THI/">https://www.ai.rug.nl/~mrolarik/ALICE-THI/</a> ซึ่งเป็นรูปภาพตัวอักษร สระ และวรรณยุกต์ แบบแยก class ไว้แล้ว</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*-vHShSpEG7TORbA7" /></figure><p>ด้วยชุดตัวอักษรที่เรามีข้อมูลอยู่ เราจะเขียนโค้ดขึ้นมาเพื่อทำการจัดเรียงและสร้างภาพตามโจทย์ที่ตั้งไว้ นั่นคือการสุ่มไฟล์ภาพต่างๆในโฟลเดอร์ตัวอักษรแต่ละคลาส มาลดขนาดลงตามต้องการและจัดเรียงลงบน background ขนาด 300 x 300 pixels</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/0*PWWjbVR9CtsHdGHa" /></figure><p>คำบรรยายภาพด้านบน แสดงการสุ่มเรียงไฟล์ตัวหนังสือแต่ละตัวในรูปแบบ thumbnail ให้มีขนาดและระยะกรอบเท่าๆกันเพื่อความง่ายในการระบุ Object Selection Area และการระบุ Label ซึ่งแน่นอนว่ากระบวนการนี้ถ้าใช้แรงคนในการทำคงจะกินเวลามากและคงทำให้บริษัทซัมซานเทค เอ๊ย กลุ่ม CV6 ของเราจะต้องอับอายขายขี้หน้าแน่ๆ เราจึงวางแผนที่จะเขียน Python Code เข้ามาช่วยลดกระบวนการต่างๆลงซึ่งในส่วนของไอเดียเบื้องต้นในการสร้างโค้ดชุดนี้ก็ได้รับมาจากลิงค์ที่มีการสอบถามกันถึงการสร้าง Image Thumbnails ด้วย Python ซึ่งก็มีคำตอบที่น่าสนใจอยู่หลายชุด ที่เป็นประโยชน์ในการพัฒนาโค้ดของเรา</p><p>โพสต์ใน Stackoverflow ที่เราพูดถึง <a href="https://stackoverflow.com/questions/8631076/what-is-the-fastest-way-to-generate-image-thumbnails-in-python">https://stackoverflow.com/questions/8631076/what-is-the-fastest-way-to-generate-image-thumbnails-in-python</a>]</p><p>และแน่นอนว่า เราไม่ได้ต้องการเพียงภาพที่มีภาพตัวอักษรมาเรียงกันไว้ดูเล่น แต่</p><p>ต้องการนำมาใช้ในการเป็น Datasets ให้กับระบบ ดังนั้น ภาพแต่ละภาพที่ถูกสร้างขึ้น จะต้องมาพร้อม Text File เพื่อนำไปใช้ในขั้นตอนการเทรนโมเดลต่อไป ซึ่งบอกได้เลยว่ากว่าจะออกมาเป็นโค้ดที่แก้ปัญหาให้เราได้จริง ก็ใช้เวลาไปเป็นวัน และพัฒนากันไปถึง 4 เวอร์ชันเลยทีเดียว</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/881/0*3fy5eCM-HbOAN7fw" /></figure><p><em>ตัวอย่าง label ชนิด text file ของรูป ก.ไก่ ที่มีขนาด obj เท่ากับ 75x75 pixels</em></p><p>[ถ้าสนใจรูปแบบโค้ดที่เราเขียนขึ้นมา สามารถดูได้ที่นี่เลยครับ</p><p><a href="https://colab.research.google.com/drive/17APxL9Zfl9LkEErX3PTq1Dbq6XGBtm-H?usp=sharing">https://colab.research.google.com/drive/17APxL9Zfl9LkEErX3PTq1Dbq6XGBtm-H?usp=sharing</a>]</p><p>เมื่อโค้ดที่พัฒนาขึ้นมา สามารถทำงานได้ตามต้องการแล้ว ก็มาถึงการกำหนดชุดข้อมูลที่จะใช้เทรนด้วยจุดมุ่งหมายที่จะสร้างความแม่นยำให้กับโมเดล พวกเราจึงลงความเห็นกันว่า จะสร้างชุดภาพตัวอักษรออกมาในหลากหลายขนาดเริ่มตั้งแต่ 20 x 20 / 30 x 30 / จนถึงขนาดใหญ่สุดที่ 280 x 280 ซึ่งแน่นอนว่าขนาดของตัวหนังสือนี้ก็จะกำหนดว่า แต่ละภาพจะสามารถจัดวางตัวหนังสือลงไปได้กี่ตัว ดังรูปด้านบน โดยเราตั้งเป้าในการสร้างชุดข้อมูลของภาพในขนาดต่างๆไว้ราวๆ 70 ตัวอย่าง ต่อขนาด</p><p>จำนวนภาพทั้งหมด ต่อ ตัวอักษรแต่ละตัว</p><ul><li>ตัวอักษร ขนาด 20x20 pixels จำนวน 1 รูป จะได้ตัวอักษรจำนวน 81 ตัว</li><li>ตัวอักษร ขนาด 30x30 pixels จำนวน 2 รูป จะได้ตัวอักษรจำนวน 72 ตัว</li><li>ตัวอักษร ขนาด 50x50 pixels จำนวน 4 รูป จะได้ตัวอักษรจำนวน 64 ตัว</li><li>ตัวอักษร ขนาด 75x75 pixels จำนวน 18 รูป จะได้ตัวอักษรจำนวน 72 ตัว</li><li>ตัวอักษร ขนาด 90x90 pixels จำนวน 18 รูป จะได้ตัวอักษรจำนวน 72 ตัว</li><li>ตัวอักษร ขนาด 200x200 pixels จำนวน 72 รูป จะได้ตัวอักษรจำนวน 72 ตัว</li><li>ตัวอักษร ขนาด 280x280 pixels จำนวน 72 รูป จะได้ตัวอักษรจำนวน 72 ตัว</li></ul><p>และจากเงื่อนไขและความต้องการที่กล่าวมาข้างต้นนี้ ผลสรุปก็คือ 1 ตัวอักษรที่เราใช้สอนหุ่นยนต์ จะใช้ภาพรวมกันทั้งหมด 259 ภาพเมื่อคำนวณจากจำนวน อักขระทั้งหมด 68 ชนิด จำนวนภาพทั้งหมดที่เราสร้างขึ้นจะเท่ากับ 259x68 = 17,612 รูป!! ปัญหาเกิดอีกแล้วสินะ</p><p>เพื่อนๆอาจจะสงสัยว่า จำนวนชุดข้อมูล 17,612 รูปนี้ มากหรือน้อยเกินไปจนเป็นปัญหาเลยหรือ?? ไม่ใช่เลยครับ เพราะที่จริงเราเชื่อว่าจำนวนเยอะหน่อยก็เป็นเรื่องที่ดีแต่ปัญหาก็คือ จำนวนดังกล่าว มันเกินจากข้อกำหนดที่ Roboflow อนุญาตในการสร้างชุดข้อมูลบนระบบของเค้า ซึ่งกำหนดไว้แค่ 1,000 รูปเท่านั้น (นอกจากจะยอมเสียเงินอ่ะนะ) เอาล่ะด้วยเหตุนี้งานจึงงอกขึ้นมาอีกครั้ง เพราะคราวนี้เราจำเป็นจะต้องสร้าง Tf Record ขึ้นมาเองแล้วล่ะ ไม่สามารถใช้ Roboflow มาช่วยเราได้อีกต่อไป ฮืออออ &gt;__&lt;</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*t7XhKE4wenUtMwAA" /></figure><p>ถึงตรงนี้ ไม่มีทางเลือกอื่นละครับ เราต้องเดินหน้าต่อไปในการพึ่งพาตัวเองและเลือกที่จะไม่ใช้ Roboflow ซึ่งสามารถทำงานให้เราได้ง่ายกว่ามาก และ ยังสามารถช่วยเราสร้าง Data Augmentation ซึ่งเป็นวัตถุประสงค์หลักในการใช้ Roboflow ของเราด้วยเช่นกัน อย่างไรก็ตามพวกเราได้ลงความเห็นกันว่า ในกระบวนการนี้เนื่องด้วยเรามีจำนวนชุดข้อมูลที่มากพอสมควร และการใช้งานจริง เวลาเราใช้กล้องอ่านไปที่ตัวหนังสือ เรามักจะส่องไปในแนวของตัวหนังสือแบบปกติเป็นส่วนใหญ่ ดังนั้นเพื่อเดินหน้าขั้นตอนต่างๆของเราไปสู่การเทรนโมเดลและทดสอบความแม่นยำได้อย่างรวดเร็ว เราจะข้ามขั้นตอนการทำ Data Augmentation ไปและดูกันว่า ความแม่นยำที่เกิดขึ้นจะอยู่ในระดับใด พอไหวหรือไม่ เมื่อตกลงกันได้ตามนั้น เราก็เข้าสู่การสร้าง TF Record กันเอง โดยในกระบวนการนี้จะประกอบด้วย สองขั้นตอนย่อยได้แก่</p><ol><li>การสร้างไฟล์ xml สำหรับการสั่งให้วาด labelว่าตำแหน่งไหนคืออะไร เพื่อตอนไปสร้างไฟล์ TFRecord ขึ้นจากไฟล์หลักที่เราได้ทำไว้เป็น Master File</li></ol><p>[ดูโค้ดได้ที่นี่ <a href="https://colab.research.google.com/drive/1TCIR6AaLLgXODCwj6mM12XgCJu-NKPCb?usp=sharing">https://colab.research.google.com/drive/1TCIR6AaLLgXODCwj6mM12XgCJu-NKPCb?usp=sharing</a>]</p><p>2. เมื่อทุกอย่างพร้อม เราก็มาสร้างไฟล์ TF Record กัน โดนทางกลุ่่มได้ทำการ Research จนพบว่ามีวิธีสร้างอยุ่แล้วที่สำคัญกว่านั้น มี Code ใน GitHub ไว้้ด้วย ขอขอบคุณบทความของคุณ AiRAphz สนใจเข้าไปอ่านกันได้ครับ <a href="https://link.bsru.ac.th/ea">https://link.bsru.ac.th/ea</a></p><p>ซึ่งในการทำงานั้นเราทำการ Gen TFRecord ทั้งหมด 2 ครัั้ง โดยครั้งแรก เราเลือกมาแค่ รุปทั้งหมด 1000ไฟล์ เพื่อที่จะลองทดสอบสมมุติฐฐานของเราเอง เพื่อถ้าไม่เป็นที่น่าพอใจเราจะได้กลับไปลองหาวิธีกันใหม่</p><p>เมื่อเราทำสองขั้นตอนนี้เรียบร้อย เราก็จะได้ไฟล์ที่พร้อมสำหรับการสร้างโมเดลซะที และแน่นอนว่า เวลาที่ทีมของเรารอคอยก็มาถึง เราจะได้ทดลองกันแล้วว่า ด้วยชุดข้อมูลภาพที่สร้างขึ้นมาโดยการกำหนดขนาดภาพหลัก และขนาดพิกเซลของแต่ละตัวอักษรในภาพตามที่วางแผนไว้ ผลที่ออกมาจะดีขึ้น หรือ แตกต่างกับสิ่งที่เราได้ทำไว้ในครั้งแรกมากน้อยเพียงใด โดยการทดลองในครั้งนี้ จะเป็นการทดลองเทรนโมเดลโดยกำหนดค่าการเทรนไว้เพียง 100,000 รอบโดยใช้คลาสของข้อมูล (ตัวอักษรที่เป็น label)ไม่มาก เพื่อให้เราได้ดูแนวโน้มและตรวจสอบว่าสิ่งที่เราตั้งสมมุติฐานไว้นั้น จะเป็นไปอย่างที่คิดหรือไม่ หรือพูดง่ายๆก็คือ ด้วยการเปลี่ยนชุด Data Set ใหม่นี้ ระบบจะแม่นยำมากขึ้นหรือไม่</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*pBKsTAgSkkDkT4h9" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*or0dz1cvhYsKDd_g" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*M2z0LjOI3Zodr-3G" /></figure><p>สำหรับกราฟข้างบนนั้นเป็นกราฟจากการ Train Model 25,000 รอบ พอดีกราฟตอน Train Model ทั้งหมดมันเกิดการ Expired ไปก่อน ฮือออ :(</p><p>และนี้คือผลลัพธ์หลังจากพวกเรา Train Model ไปทั้งหมด 100,000 รอบ ใช้เวลาทั้งสิ้น 6 ชั่วโมง!!</p><p>ซึ่งความคิดแรก คือ จะลอง Run Code ใน Local โดยไม่ใช้ Colab โดยลง anaconda แล้ว Run Code ใน jupyter notebook ซึ่งปรากฏว่า ไม่สามารถ Run ได้ เนืองจาก มีการติดตั้ง Library บางตัวไม่สำเร็จ จึงทำให้ไม่สามารถ Run บน anaconda ได้ (เครื่องที่หาได้ใช้ Windows 10)</p><p>ทางทีม Dev เลยหันมาหา Google colab อีกครั้ง แต่ปัญหาคือ Google Colab จะทำการ ยกเลิกการเชื่อมต่อรันไทม์ ถ้าไม่มี Action ใดๆที่หน้าจอในระยะเวลา 2 ชัวโมง และ Run ต่อเนื่องได้ 12 ชั่วโมง</p><p>ทางทีมของเราจึงได้ไปพบ JavaScript Code เข้ามาช่วยในเรื่องของการตอบสนองกับหน้าจอทุกๆ 1 นาที</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/701/0*NbRDZDv3e5GvdJXN" /></figure><p>ซึ่งสามารถทำให้ Run Colab ยาวๆ จนครบ 12 ชั่วโมงได้แล้วว!!!!!</p><p>ผลลัพธ์ที่ได้</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*L49zcw1w5pRpW-Xw" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*acbSs4T8YY2S3d7n" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/511/0*DBR-GfOd9hfwVbS1" /></figure><p>มาถึงตรงนี้บอกได้เลยว่า โล่งใจสุดๆ เพราะผลที่ได้ก็เป็นไปตามความคาดหวังมาก ระบบสามารถรับรู้ลายมือต่างๆได้ในระดับที่ดีอย่างน่าพอใจ แสดงให้เห็นว่าความพยายามที่เพิ่มขึ้นของเรา ทั้งเรื่องการสร้างชุดข้อมูลภาพขึ้นใหม่ โดยไม่ได้ผ่านกระบวนการ Augmentation ในครั้งนี้ ก็สามารถสร้างผลงานที่น่าพอใจในการทำงานของโมเดลนี้ ซึ่งจากผลลัพท์เป็นที่พอใจ เราจึงทำการ Gen TFRecord ใหม่โดยใช้ข้อมูลทั้งหมด ซึ่งผลลัพธ์ที่ได้ คือ ขนาดไฟล์ของ TFRecord ค่อนข้างใหญ่เลยทีเดียว</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/378/0*RFV5FHioc2Ohe0P1" /></figure><p>และพวกเราก็พร้อมจะไปสู่ขั้นตอนสุดท้ายละครับ นั่นก็คือ การสร้างโมเดลด้วยชุดข้อมูลภาพทั้งหมดที่เราเตรียมไว้และทำการเทรนโมเดลด้วยจำนวนรอบที่มากขึ้นกว่าเดิมสักสองเท่า เพราะเชื่อว่าจะทำให้ได้ชุดโมเดลที่แม่นยำมากขึ้นและนำไปสู่การใช้งานแบบเรียลไทม์ได้จริงเมื่อเราอัพโหลดเชื่อมเข้าสู่ชุดพัฒนาแอนดรอยด์และทดลองให้มันระบุตัวหนังสือแต่ละตัวได้ทันที ที่กล้องของมือถือมองเห็นแต่ความจริงจะเป็นเช่นไร ผลที่ได้จะแม่นยำอย่างที่คิดไหม และสุดท้ายมันจะทำงานได้ตามที่ตั้งใจไว้จริงหรือไม่ เนื้อที่ของตอนนี้คงไม่พอจะเล่าให้ฟังละครับ ขอเชิญเพื่อนๆเอาใจช่วยเรา และร่วมติดตามตอนจบของโครงการนี้ด้วยกันใน ตอนที่ 3 กันครับ</p><p>ติดตามตอนจบใน EP.3 <a href="https://link.bsru.ac.th/ed">https://link.bsru.ac.th/ed</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=da25bc338dbb" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[มาลองเป็น นัมโดซานแบบในซีรี่ส์เกาหลี ภายใน 2 สัปดาห์กัน! (Try being Nam Dosan in 2 weeks) [EP.3]]]></title>
            <link>https://dussadee.medium.com/%E0%B8%A1%E0%B8%B2%E0%B8%A5%E0%B8%AD%E0%B8%87%E0%B9%80%E0%B8%9B%E0%B9%87%E0%B8%99-%E0%B8%99%E0%B8%B1%E0%B8%A1%E0%B9%82%E0%B8%94%E0%B8%8B%E0%B8%B2%E0%B8%99%E0%B9%81%E0%B8%9A%E0%B8%9A%E0%B9%83%E0%B8%99%E0%B8%8B%E0%B8%B5%E0%B8%A3%E0%B8%B5%E0%B9%88%E0%B8%AA%E0%B9%8C%E0%B9%80%E0%B8%81%E0%B8%B2%E0%B8%AB%E0%B8%A5%E0%B8%B5-%E0%B8%A0%E0%B8%B2%E0%B8%A2%E0%B9%83%E0%B8%99-2-%E0%B8%AA%E0%B8%B1%E0%B8%9B%E0%B8%94%E0%B8%B2%E0%B8%AB%E0%B9%8C%E0%B8%81%E0%B8%B1%E0%B8%99-try-being-nam-dosan-in-2-weeks-ep-3-9ac002bf77ba?source=rss-bbffd63f762e------2</link>
            <guid isPermaLink="false">https://medium.com/p/9ac002bf77ba</guid>
            <dc:creator><![CDATA[Dussadee Terdbaramee]]></dc:creator>
            <pubDate>Sat, 27 Mar 2021 15:16:00 GMT</pubDate>
            <atom:updated>2021-03-27T15:49:08.382Z</atom:updated>
            <content:encoded><![CDATA[<h3>Object Detection มาลองเป็น นัมโดซานแบบในซีรี่ส์เกาหลี ภายใน 2 สัปดาห์กัน! (Try being Nam Dosan in 2 weeks) [EP.3]</h3><h3>ตอนที่ 3 ความสำเร็จเล็กๆ จุดเริ่มต้นที่ทรงพลัง : การพัฒนาระบบตรวจจับและรับรู้วัตถุประเภทตัวเขียนภาษาไทย ผ่านภาพวิดิโอบนโทรศัพท์มือถือแบบเรียลไทม์</h3><p>ผมมักจะนึกถึงประโยคนึงที่กล่าวไว้โดย โทมัส เอดิสัน ที่ว่า “ความอ่อนแอที่ใหญ่หลวงที่สุดของมนุษย์ก็คือ <strong>การยอมแพ้</strong> และวิธีที่ดีที่สุดในการที่จะทำให้มันสำเร็จได้นั้นก็คือ <strong>การลองใหม่อีกครั้ง</strong>” จากจุดเริ่มต้นของโครงการที่พวกเราเคยมองสบประมาทว่าไม่ยากและคงไม่ยุ่ง แต่ความจริงที่เราเจอในระหว่างทางทำให้เราต้องเปลี่ยนความคิดไปมากมาย ในเหตุการณ์ทั้งหมดที่เกิดขึ้นสิ่งที่ดีที่สุดที่พวกเราพูดกันก็คือ การพยายามแก้ไขปัญหาที่เกิดขึ้นด้วยความไม่ย่อท้อ บางครั้งเหมือนต้องเริ่มใหม่และทำให้งานช้าลงแต่ที่จริงผลของการยกเลิกความพยายามเดิม และไปใช้วิธีใหม่ๆแก้ปัญหากลับทำให้เราได้เจออะไรที่ดีกว่าเดิมซะอีก</p><p>จากตอนที่ผ่านมา หลังจากที่เราเริ่มมั่นใจได้ว่าผลจากการเปลี่ยนชุดข้อมูลรูปภาพตัวหนังสือภาษาไทยใหม่ทั้งหมดส่งผลที่ดีต่อการสร้างโมเดล แม้เราจะต้องเพิ่มกระบวนการในการทำงานมาอีกหลายขั้นก็ตาม แต่ในข้อดีก็ยังมีข้อเสียด้วยเช่นกัน เพราะผลจากการสร้าง TFRecord ขึ้นมาเองในกระบวนการที่ผ่านมา ทำให้ไฟล์ TF Record มีขนาดใหญ่มาก แต่นั่นก็ทำให้เราเริ่มคิดการใหญ่เพิ่มไปอีก พวกเราเริ่มสงสัยว่า ถ้าการเทรน 100,000 รอบทำให้เกิดผลลัพธ์ที่น่าพอใจแล้ว ไฉนเลย เราจะไม่เทรนให้มากกว่านี้ ตั้งเป้าไปเลยสัก 200,000 รอบให้รู้กันไปเลยว่าผลที่ได้จะเป็นยังไง ผมบอกให้ก่อนเลยก็ได้จะได้ไม่ต้องลุ้นกัน ผลก็คือ เกิดปัญหาอีกแล้วจ้า (เคราะห์ซ้ํากรรมซัด)</p><p>ที่จริงการรันรอบมากๆ ไม่ได้เป็นปัญหาอะไรกับผู้ที่ทำงานภายใต้เครื่องไม้เครื่องมือที่มีความพร้อมหรอกครับ แต่จะมามีปัญหากับกลุ่มคนเริ่มเรียนรู้อย่างพวกเราซึ่งต้องอาศัยการประมวลผลบนคลาวด์เซอร์วิสผ่านการ Run บน Colab พูดถึงตรงนี้หลายๆคนน่าจะคิดตามทันละนะครับว่าเราเจอปัญหาอะไร ปิ๊งป่อง! ใช่แล้วครับ เมื่อเราทำการรันคำสั่งต่อเนื่องนานๆโควต้าเวลาในการรันก็เกิดหมดไปต่อหน้าต่อตา ผลก็คือเจ้า Google Colab จะทำการ Restart Runtime ใหม่ทำให้ ทุกสิ่งที่เทรนไว้ก่อนหน้า หายเกลี้ยงเลยจ้า (ซึ่งเหตุการณ์นี้พวกเราไม่ได้คิดเอาไว้ก่อน เพราะยังไม่เคยใช้เวลาในการ Run นานขนาดนี้มาก่อน) มาถึงตรงนี้พวกเราจึงต้องดัดแปลง Code เพื่่อแก้ปัญหานี้ จากเดิมที่เราฝากทุกอย่างไว้ที่ Runtime ก็สลับให้มาสร้างและเก็บใน Google Drive แทนซึ่งก็นับว่าน่าพอใจทีเดียว เพราะแม้ในขณะที่เราจะต้องเจอปัญหา Runtime หมด แต่เรายังคงสามารถเริ่มรันใหม่อีกครัั้ง โดยอ้างอิง Checkpoint เดิมได้นั้นเอง</p><p>เมื่อรวมเวลาที่ใช้ไปสำหรับการรันในครั้งนี้ ก็พบว่ามันใช้เวลารวมถึง 13 ชั่วโมงเท่านั้นเอง!!!</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*A0aPK0kCEzmBlSLi" /></figure><p>ขอเพิ่มภาพและบรรยายผลการทดสอบโมเดลล่าสุดที่รัน 13 ชั่วโมงหน่อยครับ</p><p>นับได้ว่า สิ่งที่เราได้เริ่มต้นมาจนถึงตอนนี้ ก็เป็นไปตามที่ต้องการแล้วทั้งหมด จากการ Validate ด้วยชุดข้อมูลตัวอักษรที่เตรียมไว้ ก็พบว่าโมเดลมีความแม่นยำขึ้นพอสมควร และในขั้นตอนต่อไปจากนี้ จะเป็นขั้นตอนสำคัญ เพราะเราจะนำโมเดลที่ได้นี้ขึ้นไปอยู่บนระบบโทรศัพท์แอนดรอยด์ เพื่อทดสอบการใช้งานระบบตรวจจับลายมือภาษาไทย ด้วยอุปกรณ์ต่างๆบนเครื่องและดูว่า แอปพลิเคชันที่ใช้โมเดลของเราในการสร้างการรับรู้ตัวอักษรนั้นจะสามารถตอบสนองเมื่อกล้องจับไปที่ตัวเขียนภาษาไทยใดๆได้อย่างรวดเร็ว และแม่นยำหรือไม่</p><p>เพื่อให้บรรลุวัตถุประสงค์นี้ เราจึงต้องทำการเตรียมโมเดลให้เหมาะสมกับการประมวลผลในอุปกรณ์แบบ Lightweight (ซึ่งในโปรเจคนี้ก็คือ โทรศัพท์มือถือนั่นเอง) โดยใช้ไฟล์ประเภท TFLite ในการประมวลผล กล่าวคือเราต้องแปลงไฟล์จาก Tensorflow .pb ให้เป็น Tensorflow Lite’s version หรือในชื่อ เรียกคุ้นหูว่า TFLite นั่นเอง ซึ่งในกระบวนการนี้ทางทีมผู้สอนจาก BOTNOI ได้เตรียมการไว้ให้ล่วงหน้าแล้ว</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*1xwdaqAzUNN2CRMZ" /></figure><p>และนี้คือรูปร่างไฟล์หลังจากทำการ Convert เรียบร้อยแล้ว!</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*eUn3OBLGzEKDC91T" /></figure><p><strong>ตอนจบที่ไม่ได้ happy ending เหมือนใน ซีรี่ส์</strong></p><p>จนถึงตอนนี้ พวกเราก็ได้เดินเข้าใกล้ช่วงแห่งความระทึกใจที่รอคอยมาแล้วอย่างเนิ่นนาน นั่นก็คือเวลาแห่งความจริงในการทดสอบระบบและโมเดลที่เราได้พัฒนาไว้ด้วยโทรศัพท์แอนดรอยด์ (บน Application ทีทางทีมงาน BOTNOI ได้เตรียมไว้ให้) ผลที่ได้เราต้องยอมรับตามตรงว่า ผิดหวัง!! เนื่องจากเมื่อเราได้ทำการ detect ตัวลายมือผ่านกล้องบนจอแล้ว ความแม่นยำที่เกิดขึ้นก็ยังถือว่าน้อย เพราะยังมีความคลาดเคลื่อนในการระบุตัวอักษรอยู่ โดยเฉพาะเมื่อตัวอักษรมีความบาง ซึ่งเมื่อลองย้อนกลับไปทบทวนภาพในฐานข้อมูลที่ใช้ในการเทรนโมเดล เราก็เข้าใจได้ทันทีว่า รูปแบบลายมือ รูปแบบความหนาบางของตัวหนังสือ ที่ถูกใช้ในชุดข้อมูลเพื่อเรียนรู้นั้นยังมีความหลากหลายน้อยจนเกินไป และตามที่เราได้เล่าให้ฟังถึงข้อจำกัดในการทำ Data Augmentation (ตอนที่ 2) ทำให้จำนวนข้อมูลและความหลากหลายของข้อมูลภาพ จึงน้อยไปกว่าที่ควรจะเป็นอีกเช่นกัน เมื่ออ่านมาถึงตรงนี้ หลายๆคนอาจจะผิดหวังที่ติดตามอ่านมาแล้วถึง 3 ตอนเพื่อจะพบว่าระบบที่พวกเราพยายามสร้างมานี้มันไม่ได้ผลอย่างที่คาดหวัง ไม่ได้พบความสำเร็จเหมือนตัวละครในซีรีส์ สตาร์ทอัพ ที่พวกเราประทับใจ สำหรับพวกเราแล้ว ผลที่ได้อาจจะน่าผิดหวังในแง่ของการตรวจสอบผลการพัฒนาโมเดล แต่ถ้ามองในด้านอื่นๆเช่นการตัดสินใจ การแก้ไขปัญหา ความเสียสละของทีม การร่วมมือร่วมใจ และความสามัคคีที่เกิดขึ้นตลอดเวลาที่เราได้ทำโปรเจคมานี้ พวกเราก็พูดได้เต็มปากว่า ความสำเร็จเล็กๆนี้ มันคือจุดเริ่มต้นที่ทรงพลังให้เราสามารถไปแก้ไขปัญหา หรือทำโปรเจคอื่นๆต่อได้อย่างสบายนั่นก็เพราะเราไม่ท้อ เราไม่หยุด และเราค้นหาสาเหตุของปัญหาเพื่อมองไปถึงโอกาสที่จะปรับปรุงให้ระบบ ดีขึ้นอยู่เสมอ</p><p>หวังเป็นอย่างยิ่งว่าบทความทั้งสามตอนที่เขียนขึ้นจากประสบการณ์ในการทำงานของพวกเราที่ถูกถ่ายทอดออกมานี้ จะพอมีประโยชน์ หรือพอจะเป็นแนวทางให้กับผู้ที่สนใจได้นำไปต่อยอดและสร้างผลงานที่ดีขึ้นกว่าพวกเราในอนาคต ต่อไปนะครับ</p><p><strong>สุดท้ายขอยกประโยคที่ทางกลุ่มเราพูดกันตอนจะเริ่มการบ้านชิ้นนี้ว่า</strong></p><p>“การบ้านอันนี้กลุ่มเราทำแบบง่ายๆแล้วกันเนอะ แบบหาที่มีข้อมูล DataSet ครบหมดแล้ว จะได้ไม่เหนื่อย แล้วมีเวลาชิว เยอะๆ กัน ” 555555 (ในเลข 5 มีน้ำตาซ่อนอยู่)</p><p>ขอบคุณครับ</p><p>EP.1 <a href="https://link.bsru.ac.th/eb">https://link.bsru.ac.th/eb</a></p><p>EP.2 <a href="https://link.bsru.ac.th/ec">https://link.bsru.ac.th/ec</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=9ac002bf77ba" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[โครงการพัฒนาระบบตรวจจับและรับรู้วัตถุประเภทตัวเขียนภาษาไทย…]]></title>
            <link>https://medium.com/botnoi-classroom/%E0%B9%82%E0%B8%84%E0%B8%A3%E0%B8%87%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%9E%E0%B8%B1%E0%B8%92%E0%B8%99%E0%B8%B2%E0%B8%A3%E0%B8%B0%E0%B8%9A%E0%B8%9A%E0%B8%95%E0%B8%A3%E0%B8%A7%E0%B8%88%E0%B8%88%E0%B8%B1%E0%B8%9A%E0%B9%81%E0%B8%A5%E0%B8%B0%E0%B8%A3%E0%B8%B1%E0%B8%9A%E0%B8%A3%E0%B8%B9%E0%B9%89%E0%B8%A7%E0%B8%B1%E0%B8%95%E0%B8%96%E0%B8%B8%E0%B8%9B%E0%B8%A3%E0%B8%B0%E0%B9%80%E0%B8%A0%E0%B8%97%E0%B8%95%E0%B8%B1%E0%B8%A7%E0%B9%80%E0%B8%82%E0%B8%B5%E0%B8%A2%E0%B8%99%E0%B8%A0%E0%B8%B2%E0%B8%A9%E0%B8%B2%E0%B9%84%E0%B8%97%E0%B8%A2-d56888166299?source=rss-bbffd63f762e------2</link>
            <guid isPermaLink="false">https://medium.com/p/d56888166299</guid>
            <dc:creator><![CDATA[Dussadee Terdbaramee]]></dc:creator>
            <pubDate>Sat, 27 Mar 2021 14:25:02 GMT</pubDate>
            <atom:updated>2021-03-27T16:05:15.079Z</atom:updated>
            <content:encoded><![CDATA[<h3>Object Detection มาลองเป็น นัมโดซานแบบในซีรี่ส์เกาหลี ภายใน 2 สัปดาห์กัน! (Try being Nam Dosan in 2weeks) [EP.1]</h3><h3>ตอนที่ 1 ความฝันล่มสลาย : การพัฒนาระบบตรวจจับและรับรู้วัตถุประเภทตัวเขียนภาษาไทย ผ่านภาพวิดิโอบนโทรศัพท์มือถือแบบเรียลไทม์</h3><p>ถ้าใครได้เคยตามกระแสซีรีส์เกาหลีสุดฮิตอย่าง Start-Up ก็คงจะไม่พลาดฉากสำคัญตอนหนึ่งของเรื่องในช่วงที่ทีม ซัมซานเทค ของพระเอก(นัมโดซาน)และ นางเอก (ซอดัลมี) ในเรื่อง ได้ลงแข่งขัน Hackathon โดยทางซัมซานเทค ได้เลือกที่จะใช้ชุดข้อมูลลายมือลูกค้าของธนาคารมาเพื่อพัฒนาระบบตรวจจับลายมือในเอกสารสัญญาที่ลงนาม ว่ามีลายมือส่วนใดที่เป็นของปลอมหรือไม่ และผลก็คือการได้รับการยอมรับจากกรรรมการ และผ่านเข้ารอบอันเป็นจุดเริ่มต้นของการเข้าสู่ Sandbox ที่พวกเค้าฝันถึงนั่นเอง และจะว่าไป ด้วยความอินในซีรีส์ส่วนนึง รวมไปถึงเล็งเห็นว่าถ้าเราสามารถให้ระบบตรวจจับวัตถุสามารถแยกแยะตัวอักษรภาษาไทยในภาพหรือวิดีโอได้น่าจะมีประโยชน์และสามารถต่อยอดไปสู่การใช้ประโยชน์ได้อย่างหลากหลายในอนาคต ไม่ว่าจะเป็นแบบ<strong>นุนกิล</strong>ในแบบซีรี่ส์ ไปจนถึงการช่วยให้คุณย่า (ยังอินไม่หยุด 555) ไม่สิ ช่วยให้คนที่มีข้อจำกัดในการมองเห็น สามารถอ่านข้อความในหน้าจอที่กล้องถ่ายไปได้ ก็สามารถทำได้เช่นกัน ทางทีม CV6 ของเราจึงเลือกจะพัฒนาระบบตรวจจับลายมือตัวหนังสือภาษาไทยด้วยความเชื่อว่าจะมีคุณค่าและประโยชน์เป็นอันมาก โดยมีความคาดหวังว่าโครงการนี้จะเป็นเรื่องสบายๆสำหรับทีมเรา และจบงานกันได้ไม่ยากนัก แต่ความจริงนั้นมันโหดร้ายกว่าที่คุณคิด สิ่งต่างๆไม่ใช่อย่างที่คิดและทำให้การเดินทางของโครงการนี้ยืดเยื้อแต่เต็มไปด้วยประสบการณ์ที่น่าสนใจมากมายและเราพร้อมจะนำมาถ่ายทอดให้ผู้สนใจได้เรียนรู้และร่วมเดินทางไปด้วยกันผ่านบทความทั้ง 3 ตอนในโครงการนี้</p><p>ถ้าสนใจและพร้อมกันแล้ว ผมจะขออนุญาตพาทุกคนย้อนกลับไปดูการทำงานของทีมเราตั้งแต่จุดเริ่มต้นตั้งแต่ การได้รับมอบหมายงานและการวางแผนของทีมในการทำโครงการนี้กันเลยดีกว่า เชิญเลยครับ</p><p><strong>0. เริ่มต้นหาโครงการกันก่อน</strong></p><p>ในช่วงเริ่มต้นเราให้ทุกคนในทีมช่วยกันทำการบ้าน โดยค้นหาชุดข้อมูลและการนำไปใช้ที่น่าสนใจกันมา เพื่อจะได้มาเลือกกันว่าแนวคิดไหนที่น่าสนใจบ้าง และแต่ละแนวคิดจะมีประโยชน์ต่อการนำไปต่อยอดขนาดไหนและในวันประชุมเราก็ได้โครงการที่เข้ารอบเพื่อให้ทุกคนโหวตอยู่ 6 โครงการ เช่น การตรวจจับผู้ไม่สวมหมวกนิรภัยในพื้นที่อันตรายผ่านกล้องวงจรปิด ซึ่งก็น่าจะเป็นประโยชน์ดีกับหลากหลายโรงงานหรือสถานที่ หรือการตรวจสอบหน้าไพ่ชนิดต่างๆ ที่เกาจิ้งน่าจะไม่ค่อยชอบใจ เพราะอาจจะทำให้เค้าตกงานได้ง่ายๆถ้านำไปต่อยอดได้สำเร็จ สุดท้าย ด้วยความเข้าใจว่า ชุดข้อมูลนี้จะทำได้ง่ายที่สุด ปิดงานได้เร็ว เอิ่ม ไม่สิขอแก้ใหม่ ด้วยความอินกับซีรีส์และการนำเสนอที่น่าสนใจถึงการนำไปสร้างคุณค่าจากเทคโนโลยีนี้โดยคุณโป้ หัวหน้าทีม Dev ของพวกเรา ผลโหวตที่ได้จึงออกมาชัดเจนว่า การอ่านลายมือภาษาไทยจะเป็นโครงการที่พวกเราร่วมกันทำต่อไปอีก 2 สัปดาห์จากนี้ เย้!!</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/650/0*eDmZWTgVF8mOxkPH" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/739/0*uBwdkcdA-h8l43Gn" /></figure><p><a href="https://towardsai.net/p/computer-vision/50-object-detection-datasets-from-different-industry-domains">50+ Object Detection Datasets from different industry domains</a></p><ol><li><strong>แนวคิด</strong></li></ol><p>แน่นอนว่า จุดเริ่มต้นที่ดีคือการค้นหาสิ่งที่ถูกทำไว้แล้วในอดีต เพื่อช่วยต่อเติมหรือนำมาใช้เป็นฐานในการพัฒนาต่อไปเพื่อจะได้ไม่ต้องไปค้นพบสิ่งที่เคยถูกค้นพบมาแล้ว ทีมงานจึงได้ทำการค้นหาการทำงานเกี่ยวกับระบบตรวจจับลายมือภาษาไทย จนได้พบบทความของคุณ Chalach Mongkolthirapat ซึ่งได้เขียนอธิบายขั้นตอนการทำระบบรับรู้ลายมือภาษาไทย ไว้แล้วอย่างละเอียดมากๆ แถมยังมีชุดข้อมูลที่ได้รวบรวมมาแล้วซะด้วย อิอิ งานนี้ทีมเราก็เลยหมายมั่นปั้นมือว่า งานนี้หมูแน่นอนนนนน หึหึ</p><p><a href="https://medium.com/equinox-blog/%E0%B8%A5%E0%B8%AD%E0%B8%87%E0%B8%97%E0%B8%B3-thai-handwrittern-recognition-%E0%B8%97%E0%B8%B2%E0%B8%A2%E0%B8%95%E0%B8%B1%E0%B8%A7%E0%B8%AD%E0%B8%B1%E0%B8%81%E0%B8%A9%E0%B8%A3%E0%B8%A0%E0%B8%B2%E0%B8%A9%E0%B8%B2%E0%B9%84%E0%B8%97%E0%B8%A2-%E0%B8%81%E0%B8%B1%E0%B8%99-4d1dbefedf55">https://medium.com/equinox-blog/%E0%B8%A5%E0%B8%AD%E0%B8%87%E0%B8%97%E0%B8%B3-thai-handwrittern-recognition-%E0%B8%97%E0%B8%B2%E0%B8%A2%E0%B8%95%E0%B8%B1%E0%B8%A7%E0%B8%AD%E0%B8%B1%E0%B8%81%E0%B8%A9%E0%B8%A3%E0%B8%A0%E0%B8%B2%E0%B8%A9%E0%B8%B2%E0%B9%84%E0%B8%97%E0%B8%A2-%E0%B8%81%E0%B8%B1%E0%B8%99-4d1dbefedf55</a></p><p><strong>2. หาแหล่งข้อมูลเพิ่มเติม</strong></p><p>เพื่อเป็นการต่อยอดและหวังว่าจะสร้างโมเดลที่มีความแม่นยำมากยิ่งขึ้น ทางทีมจึงได้ทำการค้นหาชุดข้อมูลเพิ่ม และได้พบชุดข้อมูลจาก 2 แหล่งที่น่าสนใจได้แก่</p><ul><li>ชุดข้อมูลตัวอักษรภาษาไทยจากงานวิจัยเรื่อง “Engineering Applications of Artificial Intelligence” โดยคณะวิจัย “Olarik Surinta and Mahir F. Karaaba and Lambert R.B. Schomaker and Marco A. Wiering” <a href="https://www.ai.rug.nl/~mrolarik/ALICE-THI/">https://www.ai.rug.nl/~mrolarik/ALICE-THI/</a></li><li>ชุดข้อมูลตัวอักษรภาษาไทยจากศูนย์เทคโนโลยีอิเล็กทรอนิกส์และคอมพิวเตอร์แห่งชาติ <a href="https://thailang.nectec.or.th/best/best2019-handwrittenrecognition-trainingset/">https://thailang.nectec.or.th/best/best2019-handwrittenrecognition-trainingset/</a></li></ul><p><strong>3. การทดสอบรอบแรกและปัญหา</strong></p><p>เราเริ่มต้นการทดสอบรอบแรกด้วยชุดข้อมูลจาก NECTEC ซึ่งเป็นแบบฟอร์มลายมือเขียนของบุคคลต่างๆ บนกระดาษ A4 โดยมีขั้นตอนดังนี้</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/0*ZiIMxc6fmeXrJiXJ" /></figure><p><strong>ขั้นแรก</strong> ทำการ crop ภาพจาก Dataset ของ NECTEC เพื่อเลือกเฉพาะส่วนของลายมือเขียนตัวอักษรและสระ ดังรูป</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*W5NNbl7mR94TOAkb" /></figure><p><strong>ขั้นที่สอง</strong> คือกระบวนการทำ label ซึ่งจำเป็นต้องทำให้กับ ตัวอักษร และ สระ รวมถึงวรรณยุกต์ทุกตัว กับทุกๆภาพที่ได้เตรียมไว้ ซึ่งในกระบวนการนี้เราใช้เครื่องมือการสร้างกรอบบนภาพ ที่ชื่อว่า Label Image <a href="https://github.com/tzutalin/labelImg">https://github.com/tzutalin/labelImg</a> ซึ่งเรามีรูปที่ต้องทำ label จำนวน 320 รูป ซึ่งถ้าจะมานั่งลากทุกรูป น่าจะเอ็นข้อมืออักเสบแน่นอน ซึ่งพอทางเราศึกษาผลลัพธ์ที่ได้จากโปรแกรม Label นั้นพบว่าผลลัพธ์ที่เราลากจะได้เป็นไฟล์ XML ที่มีโครงสร้างค่อนข้างที่จะตายตัว โดยมี position xMin , xMax,yMin,yMax ดังนี้</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/769/0*rlPuAidXdjnt_zu9" /></figure><p>ซึ่งจะเห็นว่ามีส่วนที่เปลี่ยนคือตรง Tag FileName และ Path เท่านั้น เราเลยทำการโกง ด้วยการเขียน โค้ดทำ master xml ไฟล์เดียว จากนั้นก็ทำการ copy พร้อมทั้งแก้ค่าข้างในแบบ auto ซะก็เรียบร้อยย!!!</p><p><strong>ขั้นที่สาม </strong>หลังจากทำการสร้าง label ในขั้นที่สองครบทุกภาพ ทางทีมงานเลือกที่จะไปใช้ Roboflow.com ในการทำงานต่อ เพื่อช่วยให้เราสามารถสร้าง Data Augmentation ได้อย่างสะดวกรวดเร็ว ผู้ใช้สามารถเลือกบิด หมุน หรือซูมภาพตัวอักษรให้แตกต่างไปจากภาพต้นฉบับ วัตถุประสงค์คือเพิ่มชุดข้อมูลลายมือที่มีความแตกต่างกันมากขึ้น เพื่อให้ระบบที่ผ่านการเทรนมีความแม่นยำมากขึ้นในที่สุด</p><p>โดยขั้นแรก เราให้ทุกคนในทีม ( ทีม Dev ว่างงานจึงมาทำด้วย) มาทำการตรวจสอบว่า Label ที่เราเขียน โปรแกรมให้ copy นั้น ตรงตำแหน่งหรือไม่ ซึ่งผลลัพธ์ เป็นที่น่าพอใจคือ มีแก้ไข label โดยการลากให้ตรงตำแหน่ง แค่ประมาณ 10 % เท่านั้น ทำให้การตรวจสอบเสร็จในเวลาไม่นาน ซึ่งปัญหาที่ไม่ตรง เนื่องจากข้อมูลจากลายมือคนนั้น เขียนไม่ตรงตำแหน่งนั่นเอง</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*pooCmyW9nKqiMv7B" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*nKImVYHuG2wkXZ0K" /></figure><p>หลังจากนั้นเราก็ได้ปรับ Augmentation โดยใช้ feature ใน Roboflow เอง</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*4qZGd8Q3O8ui4Xgi" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*hojZps67MdyriYqg" /></figure><p>ซึ่งในขั้นตอนนี้ ทำให้เราได้พบเรื่องไม่คาดฝันว่า ระบบของ Roboflow จะ generate dataset จาก label ที่เป็นภาษาไทย (ก, ข, ค, … ) ออกมาเป็นค่าว่าง นั่นหมายถึง หาก Object ที่เราต้องการตรวจจับ เป็นลายมือเขียนตัวหนังสือ “ก” ระบบก็จะไม่สามารถแสดง Label ว่า “ก” ได้ เราจึงต้องทำการเปลี่ยน Label ทุกตัวเป็นคำทับศัพท์ภาษาอังกฤษแทนเช่น “KO-KAI” เป็น Label ของตัวหนังสือ “ก” เป็นต้น</p><p>น่ารู้! สำหรับบัญชีผู้ใช้ชนิดไม่เสียเงิน Roboflow จะอนุญาตให้เราสามารถอัพโหลดได้เพียง 1,000 รูปและสามารถสร้างภาพที่ผ่านการปรับปรุงในกระบวนการ Data Augmentation ได้เพียง 5,000 รูปเท่านั้นจึงต้องทดลองและวางแผนการทำงานให้ดี</p><p><strong>ตั้งใจทำอย่างสวยงาม</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*sYxl9TbnoeQyVP1E" /></figure><p>เมื่อทำการ export ออกมาจาก roboflow ( T____T)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/489/0*ETihWzP7yhetouPO" /></figure><p>น่ารู้ !! เราสามารถมาแก้ไขข้อมูลตรงนี้เป็น ภาษาไทย ก็ได้นะครับ</p><p><strong>ขั้นที่สี่ </strong>เมื่ออัพโหลดรูปและทำการสร้าง Dataset เพิ่มด้วย Roboflow เป็นที่น่าพอใจแล้ว ต่อไปก็ถึงเวลาที่เราจะนำ dataset ชนิด tfrecord และ COCO ซึ่งถูกสร้างขึ้นจากไฟล์รูป และไฟล์ label ใน Roboflow ไปใช้กันผ่านการ Export Link เพื่อนำไปใส่ใน Colab ที่เตรียมไว้กันซะที</p><p><strong>ขั้นที่ห้า </strong>กระบวนการเทรนโมเดลของเราประกอบด้วย…. ตามตัวอย่างของ Code ในภาพนี้</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/765/0*jgXgMB8IR1rKUdAZ" /></figure><p>แต่น แต๊นนน และแล้วก็มาถึงเวลาแห่งความจริง (อันแสนเจ็บปวด) ของทีมเรา หลังจากได้ใช้เวลากว่า 3 ชั่วโมงและรอบการเทรนถึง 50,000 รอบ สิ่งที่ไม่คาดคิดก็เกิดขึ้นซะแล้ว จากการ Validate พบว่าโมเดลระบบตรวจจับลายมือ ไม่สามารถทำงานได้อย่างที่คิด หลังจากที่พยายามแล้วพยายามอีกและตรวจสอบกระบวนการต่างๆ ครบถ้วน ทีมงานจึงช่วยกันหาสมมุติฐาน และเชื่อว่า เกิดจากขนาด Pixel ของแต่ละ Object ที่ทำการ Label มีขนาดเล็กเกินไป เมื่อย้อนกลับไปดู และตรวจสอบต้นฉบับภาพที่ใช้ ก็พบว่ามีขนาดเพียง 416 x 416 pixels เท่านั้นและ Selection Area ก็มีขนาดเพียง 16 x 64 pixels เท่านั้น (เล็กไปหน่อยเนอะ) ตอนแรกทีมก็คิดกันว่าจะเพิ่มขนาดของภาพให้ใหญ่ขึ้นไปสัก 5 เท่า เพื่อเพิ่มขนาดของ Selection Area แต่ แต่ แต่ครับ เมื่อทดลองทำแล้ว ก็พบว่า ไม่ได้ผล &gt;____&lt;</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/728/0*Z4n1uSs60FKEAsFn" /></figure><p>ค้นลงไปอีก จึงได้พบว่า แม้เราจะพยายามเพิ่มขนาดภาพต้นฉบับไปจนใหญ๋โต (แต่ก็ใหญ๋เกินระบบรับไม่ได้นะครับ) ก็ไม่มีประโยชน์ เพราะในกระบวนการเทรนโมเดล ภาพต้นฉบับที่ว่าเล็กขนาด 416 x 416 pixels ก็จะถูกย่อขนาดลงไปอีกให้เหลือเพียง 300 x 300 pixels เท่านั้นเองจ้า</p><p>เอาล่ะจบกระบวนการทดลองด้วยชุดข้อมูลนี้ที่พบกับความล้มเหลว แต่ก็มาพร้อมกับสมมุติฐานและแนวทางในการเริ่มต้นขั้นตอนต่อไปของเรา ซึ่งเชื่อว่าคราวนี้จะไม่เหลวละนะ</p><p>ติดตามการแก้ปัญหาใน EP.2 <a href="https://link.bsru.ac.th/ec">https://link.bsru.ac.th/ec</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=d56888166299" width="1" height="1" alt=""><hr><p><a href="https://medium.com/botnoi-classroom/%E0%B9%82%E0%B8%84%E0%B8%A3%E0%B8%87%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%9E%E0%B8%B1%E0%B8%92%E0%B8%99%E0%B8%B2%E0%B8%A3%E0%B8%B0%E0%B8%9A%E0%B8%9A%E0%B8%95%E0%B8%A3%E0%B8%A7%E0%B8%88%E0%B8%88%E0%B8%B1%E0%B8%9A%E0%B9%81%E0%B8%A5%E0%B8%B0%E0%B8%A3%E0%B8%B1%E0%B8%9A%E0%B8%A3%E0%B8%B9%E0%B9%89%E0%B8%A7%E0%B8%B1%E0%B8%95%E0%B8%96%E0%B8%B8%E0%B8%9B%E0%B8%A3%E0%B8%B0%E0%B9%80%E0%B8%A0%E0%B8%97%E0%B8%95%E0%B8%B1%E0%B8%A7%E0%B9%80%E0%B8%82%E0%B8%B5%E0%B8%A2%E0%B8%99%E0%B8%A0%E0%B8%B2%E0%B8%A9%E0%B8%B2%E0%B9%84%E0%B8%97%E0%B8%A2-d56888166299">โครงการพัฒนาระบบตรวจจับและรับรู้วัตถุประเภทตัวเขียนภาษาไทย…</a> was originally published in <a href="https://medium.com/botnoi-classroom">botnoi-classroom</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[“ถึงคราวพืชมีพิษ สิ้นฤทธิ์ ด้วย Computer Vision”]]></title>
            <link>https://medium.com/%E0%B8%96%E0%B8%B6%E0%B8%87%E0%B8%84%E0%B8%A3%E0%B8%B2%E0%B8%A7%E0%B8%9E%E0%B8%B7%E0%B8%8A%E0%B8%A1%E0%B8%B5%E0%B8%9E%E0%B8%B4%E0%B8%A9-%E0%B8%AA%E0%B8%B4%E0%B9%89%E0%B8%99%E0%B8%A4%E0%B8%97%E0%B8%98%E0%B8%B4%E0%B9%8C-%E0%B8%94%E0%B9%89%E0%B8%A7%E0%B8%A2-computer-vision/%E0%B8%96%E0%B8%B6%E0%B8%87%E0%B8%84%E0%B8%A3%E0%B8%B2%E0%B8%A7%E0%B8%9E%E0%B8%B7%E0%B8%8A%E0%B8%A1%E0%B8%B5%E0%B8%9E%E0%B8%B4%E0%B8%A9-%E0%B8%AA%E0%B8%B4%E0%B9%89%E0%B8%99%E0%B8%A4%E0%B8%97%E0%B8%98%E0%B8%B4%E0%B9%8C-%E0%B8%94%E0%B9%89%E0%B8%A7%E0%B8%A2-computer-vision-99b702a72905?source=rss-bbffd63f762e------2</link>
            <guid isPermaLink="false">https://medium.com/p/99b702a72905</guid>
            <category><![CDATA[botnoi-classroom]]></category>
            <dc:creator><![CDATA[Dussadee Terdbaramee]]></dc:creator>
            <pubDate>Fri, 05 Mar 2021 15:17:31 GMT</pubDate>
            <atom:updated>2021-03-06T16:13:13.498Z</atom:updated>
            <content:encoded><![CDATA[<h4>บทความนี้เป็นส่วนหนึ่งของการเรียนออนไลน์คลาส Botnoi Computer Vision โปรเจคที่ 1</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*-gav4cSeAzmBA4eamBp7tA.png" /></figure><p>สวัสดีเพื่อนๆ ทุกคนค่ะ</p><p>ด้วยพวกเราสนใจและอยากเรียนรู้การทำ Computer Vision ซึ่งเป็นแขนงหนึ่งของเทคโนโลยี AI เลยทำให้พวกเราได้มารวมตัวกัน ทีมเรา คือ ทีม BotnoiCV_Fun 06 ประกอบไปด้วย น้องฟิว น้องทรัพย์ น้องแมนยู น้องเบล น้องบุ๊ง น้องเม ซึ่งเป็นน้องๆ กลุ่มมัธยมต้นและมัธยมปลาย และมีพี่ๆ วัยทำงาน ได้แก่ พี่โป้ พี่แซม พี่เอก พี่วิน พี่กุ้ง พี่โจ พี่สม</p><p>โดยบทความนี้ ต้องการจะอธิบายขั้นตอนกว่าจะได้โปรเจคกลุ่มที่ชื่อว่า<br>“ถึงคราวพืชมีพิษ สิ้นฤทธิ์ ด้วย Computer Vision” คิดโดยน้องเอก หรือ<br>“ รู้ทันพืชพิษร้าย ไว้วางใจ Computer Vision “ ช่วยคิดโดยน้องบุ๊ง</p><p>ก็เล่นเอาซะ ต้องใช้กำลังภายในเยอะเชียว โปรเจคแรกคือการทำ Image Classification แล้วนำไปเชื่อมต่อกับแชทบอท (Chat bot) แล้วผู้ใช้แชทบอทของเรา จะใช้แชทบอทในการส่งภาพเข้ามาถาม แล้วตัวบอทของเราก็ต้อง Classify ภาพเหล่านั้นให้ได้ค่ะ</p><p>ถึงตอนนี้ อยากรู้แล้วใช่ไหมว่า กลุ่มเราทำ Image Classification เกี่ยวกับรูปอะไร และมีกลเม็ดเคล็ดลับอะไร กว่าจะทำโปรเจกนี้ ออกมาเป็นรูปเป็นร่างได้ ขออธิบายไล่เรียงตามหัวข้อ ดังต่อไปนี้ ดีกว่าค่ะ</p><p>และนี่ก็คือการบ้านสำหรับสัปดาห์แรกของทีม BotnoiCV_Fun 06 ในคลาสเรียน Computer Vision Essentials : (CVE) กับ Dr.Winn Voravuthikunchai ค่ะ พวกเราได้เรียนรู้จากการทำการบ้านเยอะมากๆ ข้อมูลที่เราพยายามเลือกมาแล้วน่าจะไม่ยากและดูเหมือนจะไม่มีอุปสรรคมากเท่าไหร่ ปรากฎว่าระหว่างทางก็เจออุปสรรคหลายอย่าง แต่เราก็ได้อัศวินม้าขาวพี่โป้ พี่แซม น้องแมนยู มาช่วยอยู่ตลอดๆ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*7vhYAevVCad4KImQxcjlkw.png" /></figure><h3>1. ที่ไปที่มาของการเลือกเรื่องนี้</h3><p>ทีมเราก็ได้ระดมสมองคิดกันว่าจะใช้ data อะไรมาเล่น ซึ่งเราคิดตรงกันว่าต้องเสนอ data ที่ปัง ชื่อเรียกความสนใจ ไม่ก็ฮาไปเลย โดยพี่ๆ น้องๆ ก็มีไอเดีย นำเสนอ data ได้แก่ รูปการ์ตูนมิคกี้เม้าส์, รูปดาราญาญ่า, รูปก้อนเมฆ ทำนายฝนตก, รูปธนบัตรปลอม, รูปการแยกสายพันธุ์ปลาคราฟ, รูปที่บ่งบอกว่าดวงตาผ่านการผ่าตัด, รูปการแยกพันธุ์ไม้หายาก, รูปแยกเนื้อโค(ว่าลายไหนเป็นไขมันแท้หรือเนื้อฉีดไขมันเทียม) หลังจากนี้ เราก็มาโหวตกัน ผลปรากฎว่า มี 2 dataset ที่เข้าตาคือ รูปก้อนเมฆ ทำนายฝนตก และพืชมีพิษกับพืชไม่มีพิษ และสรุปคือ รูปพืชมีพิษกับพืชไม่มีพิษ ในภูมิภาคเอเชียตะวันออกเฉียงใต้ ชนะโหวตจ้า….</p><h3>2. ขั้นตอนการทำโปรเจก</h3><p>Step 1. การหา Data<br>Step 2. Part ของ Image Classification<br>Step 3. Part ของการ Deploy API<br>Step 4. Part ของการ Create chat bot<br>Step 5. Part ของการแนะนำวิธีการใช้งาน chatbot</p><h3>Step 1. การหา Data</h3><p>ขั้นนี้ตลุย kaggle ได้ dataset ของ <a href="https://www.kaggle.com/ryanpartridge01/wild-edible-plants">https://www.kaggle.com/ryanpartridge01/wild-edible-plants</a><br>แต่ไหงรูปที่ได้ กลับกลายเป็นพันธุ์พืชของต่างประเทศ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/640/1*_CKgrZRKv2RfIwvMhCZ84Q.jpeg" /></figure><p><strong>Highlight 1………..</strong><br>ของ step นี้คือ การตามคุ้ยหา Data ให้ตรงกับความต้องการ<br>ตามตารางพันธุ์พืชในภูมิภาคตะวันออกเฉียงใต้ที่มีในประเทศไทยเลยจ้าาาาา <br>แล้วยังไม่พอ เรา Focus deep data ของพันธุ์พืชที่มีพิษอีกด้วย<br><a href="https://sites.google.com/site/satrinakhonsawan/phuch-mi-phis/phuchmiphis60chnid">https://sites.google.com/site/satrinakhonsawan/phuch-mi-phis/phuchmiphis60chnid</a><br>แล้วไล่แบ่งกันหาข้อมูล</p><h3>Step 2. Part ของ Image Classification</h3><p><strong>2.1. Data Preparation — การเก็บข้อมูล</strong></p><p>หลังจากที่เราหา Data เลือก Data เสร็จแล้ว ทีมเรายังไม่พอๆ หลังจากที่เราใช้ชุดคำสั่งเพื่อโหลดรูปของพันธุ์พืชที่มีพิษ แต่ละชนิดแล้ว ขั้นตอนถัดไป คือการ extract feature ทีมเราพบว่า ข้อมูลที่ได้ มันยังมีข้อมูลที่ไม่ใช่ ! ! ! ! ! ปะปนมามากมาย อย่างเช่น อยากได้ภาพต้นว่านหางจระเข้ ก็ได้มาทั้งภาพครีม ภาพแชมพู ภาพยาดม เกี่ยวข้องออกให้หมด ซึ่งใช้เวลาค่อนข้างมาก ฝั่งทีม DEV เห็นเข้าในความขยันเกินเหตุ จึงเห็นใจช่วยปรับกระบวนการทำงานและสร้างโค้ดชุดใหม่ให้ทีม Data สามารถตรวจสอบภาพ และลบภาพที่ไม่เกี่ยวข้องออกได้แบบม้วนเดียวจบ และเซฟไฟล์ภาพ และไฟล์ดาต้าที่ถูกสกัดฟีเจอร์แล้ว เข้าสู่โฟลเดอร์ในไดรฟ์กลางทันที ลดขั้นตอนลงหลายขั้น ไม่ต้องเที่ยวไปทำใน colab แล้วมาทำใน Drive แล้วมาอัพใน colab แบบนี้ ซึ่งยุ่งยากกับการทีม Data มากๆๆๆ หลายคนอาจสงสัยว่าทำไมต้องแยกเป็นไฟล์ภาพออกมาด้วย นั่นก็เพราะว่าในไฟล์ดาต้าที่ถูกสกัดฟีเจอร์แล้ว เราไม่สามารถเปิดดูได้ว่าแต่ละรูปมันคือรูปอะไร เราจึงต้องดูรูปในไฟล์รูปภาพก่อนและดูว่าเป็นรูปเลขที่เท่าไหร่ที่เราไม่ต้องการ แล้วจึงค่อยไปลบภาพนั้นๆในไฟล์ดาต้าที่ถูกสกัดฟีเจอร์แล้ว เท่านี้เราก็จะได้ไฟล์ดาต้าในรูปที่เราต้องการออกมาโดยไม่มีรูปอื่นปะปน</p><p>Colab ขั้นเทพของการเก็บข้อมูลของทีม Data เรา <a href="https://colab.research.google.com/drive/1zAWAwpvEWxH8qlQnDknQCQqOVO2JkdH8?usp=sharing">https://colab.research.google.com/drive/1zAWAwpvEWxH8qlQnDknQCQqOVO2JkdH8?usp=sharing</a> ให้เครดิต น้องแซม เลยจ้าา</p><p><strong>Highlight 2…….<br></strong>ข้อจำกัดที่ได้พบในส่วนของการเตรียมข้อมูลรูปภาพก็คือ ภาพประกอบของพืชพันธุ์ไม้ที่ต้องการ ซึ่งอาจไม่ได้มีจำนวนมากมายนัก และแต่ละการดึงข้อมูลอาจต้องเลือกคีย์เวิร์ดที่แตกต่างกันเพื่อให้ได้ผลที่ตรงมากที่สุด อย่างไรก็ตามการดึงภาพแต่ละครั้งยังพบภาพที่ไม่เกี่ยวข้องอยู่มากตั้งแต่ 15% — 30% จึงทำให้การทำความสะอาดข้อมูลเป็นเรื่องจำเป็น โดยในกระบวนการนี้ทีมเตรียมข้อมูล สามารถ clean data ได้ เราจึงแยกข้อมูลออกเป็น 2 ส่วน แยก folder ของรูปที่ดึงออกมาได้ และสองคือ feature ที่ถูกสกัดจาก รูปนั้นๆ แล้วเราก็ลบภาพที่ไม่เกี่ยวข้องออกไป หลายคนอาจสงสัยว่าทำไมต้องแยกเป็นไฟล์ภาพออกมาด้วย นั่นก็เพราะว่าในไฟล์ดาต้าที่ถูกสกัดฟีเจอร์แล้ว เราไม่สามารถเปิดดูได้ว่าแต่ละรูปมันคือรูปอะไร เราจึงต้องดูรูปในไฟล์รูปภาพก่อนและดูว่าเป็นรูปเลขที่เท่าไหร่ที่เราไม่ต้องการ แล้วจึงค่อยไปลบภาพนั้นๆในไฟล์ดาต้าที่ถูกสกัดฟีเจอร์แล้ว เท่านี้เราก็จะได้ไฟล์ดาต้าในรูปที่เราต้องการออกมาโดยไม่มีรูปอื่นปะปน</p><p><strong>2.2. Extract Feature — การสกัดฟีเจอร์ (feature) และการสร้าง Dataset</strong></p><p>ในส่วนของการหาข้อมูลและการสกัด feature ซึ่งถือเป็นขั้นตอนสำคัญมากและต้องใช้ข้อมูลเยอะ เนื่องจากความบ้าพลังเราเลยจัดไป พันธ์ุไม้ 50 สายพันธ์ุ โดยกำหนดว่าต้องการชนิดละ 120 เป็นอย่างน้อย โดยได้ Dev ในกลุ่ม อย่างน้องแมนยู และน้องแซมนำโค้ดตัวอย่างจากที่เรียนมาปรับแก้นิดหน่อย โดยแทนที่ run code แล้ว ไฟล์รูปจะอยู่แต่กับ Colab เราก็โยนรูปใส่ใน Share drive ของกลุ่มไปซะเลย ซึ่ง lib ที่เราใช้ในการ สกัด feature นั่นก็คือ resnet50 นั่นเอง</p><p>โดยสามารถเข้าไปทำความรู้จักเจ้า ResNet ได้ที่ <a href="https://medium.com/@natthawatphongchit/%E0%B8%A1%E0%B8%B2%E0%B8%97%E0%B8%B3%E0%B8%84%E0%B8%A7%E0%B8%B2%E0%B8%A1%E0%B8%A3%E0%B8%B9%E0%B9%89%E0%B8%88%E0%B8%B1%E0%B8%81-resnet-%E0%B8%81%E0%B8%B1%E0%B8%99%E0%B8%94%E0%B8%B5%E0%B8%81%E0%B8%A7%E0%B9%88%E0%B8%B2-aec3a8c10793">https://medium.com/@natthawatphongchit/%E0%B8%A1%E0%B8%B2%E0%B8%97%E0%B8%B3%E0%B8%84%E0%B8%A7%E0%B8%B2%E0%B8%A1%E0%B8%A3%E0%B8%B9%E0%B9%89%E0%B8%88%E0%B8%B1%E0%B8%81-resnet-%E0%B8%81%E0%B8%B1%E0%B8%99%E0%B8%94%E0%B8%B5%E0%B8%81%E0%B8%A7%E0%B9%88%E0%B8%B2-aec3a8c10793</a></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/685/0*6XePLCXeVCzcG7NN" /></figure><p>จากนั้นเรามาสร้าง Data Set ด้วย Code ชุดนี้</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*GrB-O-jPMXhKzZJX" /></figure><p><strong>2.3. Train Model — การเทรนโมเดล</strong></p><p>ขั้นนี้เป็นการนำ Dataset ก้อนที่เราสร้างไว้สำหรับ Train และ Test ใน Google drive นั้นมาเทรนโมเดลกัน และโมเดลที่เราตัดสินใจเลือกใช้ในการเทรนคือ LinearSVC หรือ Support Vector Classification ของ scikit-learn</p><p>อันดับแรกเรามาทำความรู้จักก่อนว่า “Scikit-learn คืออะไร”</p><p>Scikit-learn เป็นโมดูลหนึ่งของภาษาโปรแกรมมิง Python เป็นแพ็กเกจที่รวบรวม Library ด้าน Machine Learning เอาไว้ และถูกออกแบบมาให้ทำงานร่วมกับ Library ของภาษาโปรแกรมมิง Python อย่าง Numpy และ Scipy ได้ดี และเป็น open source เปิดให้พัฒนาต่อยอดได้ด้วย สนใจดูต่อได้ที่ → <a href="https://scikit-learn.org/stable/">https://scikit-learn.org/stable/</a></p><p>และใช้ตัวช่วยในการตัดสินใจ หรือ <strong>Support Vector Machines </strong>ซึ่งก็คือ LinearSVC เป็น Library ที่อยู่ใน sklearn นั่นเอง</p><p>สามารถดูข้อมูลเพิ่มเติมได้ที่ → <a href="https://guopai.github.io/ml-blog08.html">https://guopai.github.io/ml-blog08.html</a></p><p><strong>Highlight 3…….<br></strong>ทีมเราได้ลองนำ Tensorflow มาใช้ในการเทรน แต่ด้วยเครื่องมือนี้ไม่รองรับข้อมูลในลักษณะรูปภาพ .jpg .png .bmp หรือ .gif</p><p>แต่ด้วยคลังรูปของเราไม่ได้มีแค่เพียงไฟล์นามสกุล .jpg .png .bmp หรือ .gif แต่มันมีไฟล์ลักษณะอื่นอีก ดังนั้น Tensorflow จึงอาจจะเกิดปัญหากับการทำงานกับข้อมูลในลักษณะรูปภาพ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*KkNAZr0OihssPB81" /></figure><p>ลิงค์ Colab ที่เราใช้ในการเทรนด์โมเดลกัน<br><a href="https://colab.research.google.com/drive/1HkmX0HocbAMHYR6qPrTv-eYYIgcyBhi?usp=sharing">https://colab.research.google.com/drive/1HkmX0HocbAMHYR6qPrTv-eYYIgcyBhi?usp=sharing</a> เครดิต พี่โป้ เลยจ้าา</p><p><strong>2.4. Prediction — การทดสอบความแม่นยำ</strong></p><p>และแล้ว ก็มาถึงเวลาแห่งความจริงอันแสนตื่นเต้น หลังจากการเทรนโมเดล ด้วยResnet 50 ซึ่งมีความแม่นยำในระดับที่คุ้มค่าเมื่อเปรียบเทียบกับขนาดที่ได้ (เหมาะกับการเริ่มต้นทดลอง) ระบบก็รายงานผลความแม่นยำในการทำนายของโมเดลตรวจสอบภาพพันธุ์พืชมีพิษ 50 ชนิดของเราได้แม่นยำถึง…… 68.37% ซึ่งสำหรับทีมเราแม้ตัวเลขจะยังไม่ได้ดีมากแต่ก็ดีกว่าที่คิด และเราเชื่อว่าการปรับปรุงอีกหลายๆอย่างจะช่วยเพิ่มความแม่นยำให้กับโมเดลได้ เช่นการเพิ่มจำนวนรูปใน Dataset ให้มากขึ้น หรือการเลือกใช้ Classifications Model ชนิดอื่นๆเป็นต้น เอาเป็นว่าสำหรับนาทีนี้ (ที่ใกล้เดดไลน์เต็มที ฮ่าฮ่า เราขอเลือกใช้โมเดลนี้เป็นพระเอกให้กับเรา เพื่อนำไป Deploy สำหรับการลิงค์เข้ากับ Chatbot กันต่อไปเลย)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/868/1*7UFxhlrYdmGlDA7Z7Oaf3w.png" /></figure><p><strong>Highlight 4…….<br></strong>ทีมเราได้เพิ่ม code ในส่วนการจับเวลาการทดสอบความแม่นยำของโมเดลไว้ด้วย เพราะเราอยากรู้ว่า คลัง dataset ของเรา ขนาด 3712 rows × 2 columns นั้น จะต้องใช้เวลาแค่ไหนถึงจะประมวลเสร็จ ตื่นเต้นๆ ครั้งแรกเลยน้าาาาา กับการทำ Image Classification และเราก็ได้คำตอบคือ โปรเจกเราใช้เวลารันเพียง 30 นาที เท่านั้นจ้าาาา โอ้ยย โล่งอกไปเลย คิดว่าจะไม่รอดซะแล้วเครื่องคอมของทีมเรา อิอิ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/777/1*lKof-AbaMZFc-cKt_8uUgw.png" /></figure><p><strong>Highlight 5…….<br></strong>เราว่าทีมเราก็ไม่ธรรมดานะ เพราะเราทำการทดสอบความแม่นยำกับโมเดล ที่มี dataset ที่เล่นอยู่ 50 ชุดเลย ที่นำมา classification ไม่ใช่แค่ ทุเรียน กับ ขนุน นะ ขอ ขิงหน่อยๆ</p><h3>Step 3. Part ของการ Deploy API</h3><p>3.1 เริ่มจากเข้าที่เว็บ <a href="https://id.heroku.com/login">https://id.heroku.com/login</a></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/932/0*vGSSvsm8gv6zezXS" /></figure><p>3.2 เมื่อสมัครเสร็จเรียบร้อยเข้ามา dashboard จากนั่นกด Create new app</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/948/0*J0lA4WpscZeRWyKl" /></figure><p>3.3 ใส่ชื่อ API ที่เราจะสร้าง</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/923/0*NpPfUZL814DrU5bK" /></figure><p>3.4 จากนั้นจะมาที่หน้า deploy</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/919/0*NR4ht9vjscLZ_acv" /></figure><p>โดยเราใช้ deploymethod ด้วย Heroku CLI ที่ <a href="https://devcenter.heroku.com/articles/heroku-cli">https://devcenter.heroku.com/articles/heroku-cli</a></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/851/0*HCpzkSbyFoGvBn3F" /></figure><p>3.5 เมื่อทำการติดตั้งเสร็จก็เปิด cmd ขึ้นมา พร้อมกับ run ทีละคำสั่งตามที่ heroku บอกมาทีละข้อก็เรียบร้อย!!</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/920/0*9DAAc9B8qj_Nna7N" /></figure><p>ตัวอย่าง code ในฝั่งการ Deploy API</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*4c1K6ppHGNCCN769kcA82A.png" /></figure><p>หลังจากการ Deploy API เสร็จเราก็มาช่วยกันตกผลึกในแง่ของการเลือกใช้ chatbot และการเรียกคำสั่งไปกลับระหว่าง API กับ chatbot พี่โป้เลยช่วยวาดภาพ ให้ทีมน้องๆ พี่ๆ เกิดไอเดียและเข้าใจในหลักการเชื่อมโยง colab ในฝั่งการทำ image classification กับการเชื่อมเข้าไป Chatbot ซึ่งทำให้เห็นภาพการทำงานของ<br>โปรเจกนี้ (ซึ่ง ตอนก่อนที่จะใช้ nlp-tool.botnoinoi ได้ลองว่าจะใช้ dialogflow ก่อน)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*9KI9dRJvmDxQATda" /></figure><h3>Step 4. Part ของการ Create chat bot</h3><p>สำหรับส่วนในการ Create chat bot ทางทีมเราใช้เป็น nlp-tool.botnoinoi.com <br>เป็น tool ของ botnoi ที่ใช้ในการ create chatbot ขึ้นมา ซึ่งในการ Create chat bot ของเรานั้น ตอนแรกทางทีมได้ใช้เป็น Dialogflow ของ Google แต่เกิดปัญหาคือ Dialogflow ไม่สามารถรับ event ที่เป็น image ดังนั้นทางทีมเราจึงย้ายมาทำในตัวของ tool ของ Botnoi แทน</p><p><strong>ส่วนขั้นตอนในการ Create Chat bot มีดังนี้</strong><br>1. เข้าเว็บ พร้อมกับใส่ url ว่า nlp-tool.botnoinoi.com<br>2. จะเข้าหน้าหลักมา กด เข้าใช้งาน<br>3. ทำการ Login แนะนำให้ Login ผ่านไลน์</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*HKxSg_DGFO9jkhcB" /></figure><p>4. พอเข้ามาจะเจอกับ main page ของหน้า main page นะครับ (อันนี้ทางทีมได้สร้าง Bot ไว้แล้ว ) <strong>ถ้าคนยังไม่เคยสร้าง </strong>ให้ทำการกด Create Bot แล้วใส่ Details ของ Bot เลยครับ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*9MnFV0ujE8spicEv" /></figure><p>5. การที่เราจะให้บอทของเรานั้น โต้ตอบได้ เราต้องใช้ <strong>LIne Official Account! !!!</strong>ซึ่งการสมัครและสร้างบอทนั้น ตรงส่วนนี้ขออ้างอิงไปยังบทความของ คุณ <a href="https://medium.com/@jirawatee?source=post_page-----b2cb90643901--------------------------------">Jirawatee</a> แห่ง Line Developers นะครับเพราะค่อนข้างละเอียด<br><a href="https://medium.com/linedevth/%E0%B8%9B%E0%B8%90%E0%B8%A1%E0%B8%9A%E0%B8%97%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%AA%E0%B8%A3%E0%B9%89%E0%B8%B2%E0%B8%87-line-bot-b2cb90643901">https://medium.com/linedevth/%E0%B8%9B%E0%B8%90%E0%B8%A1%E0%B8%9A%E0%B8%97%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%AA%E0%B8%A3%E0%B9%89%E0%B8%B2%E0%B8%87-line-bot-b2cb90643901</a></p><p><strong>Highlight 6…….<br></strong>Tool botnoi ค่อนข้างใช้งานง่ายและฟรี และมีแบบเสียเงินหากต้องการฟังก์ชั่นที่มากขึ้น เชื่อมได้ทั้งไลน์และเฟซบุ๊คทางทีมdev ของทางbotnoi พัฒนาออกมาเพื่อให้แชทบอทออกมาดีที่สุด เพื่อใช้ง่ายสำหรับผู้ใช้</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/158/0*lUug81N6U6J0SEI_" /></figure><p>เมนูเอาไว้เทรนบอทและเครื่องมือจัดการต่างๆ สามารถบันทึกและนำเข้าการเทรน จึงไม่ต้องมาทำใหม่ทั้งหมดทางกลุ่มได้สร้าง Conversation Flow ให้แชททักทายและให้ทาง user ส่งรูปเข้ามาเราจะใช้ Dialogue รับภาพเข้ามา เพื่อส่งให้ API ตอบว่าเป็นพืชอะไร จากพืชมีพิษทั้งหมด 50 ชนิดเป็น text</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*DF8DDj26vSvg_577" /></figure><h3><strong>Step 5. Part ของการแนะนำวิธีการใช้งาน chatbot</strong></h3><p>ขั้นตอนนี้ ทีมเราก็ระดมความคิดว่าจะตั้งชื่อ chatbot ว่าอะไรดีถึงจะสื่อกับโปรเจค “ถึงคราวพืชมีพิษ สิ้นฤทธิ์ ด้วย Computer Vision” และผลโหวตชื่อแชทบอทเราคือ คือ คือ น้องพิษไหม ดูปาก ณิชานะคะ คำนี้อ่านว่า น้อง-พิด-สะ-ไหม จ้าาาา ให้เครดิตน้องเอกเลยคิดได้ไงชื่อนี้อะ 5555</p><p>ต่อมาเราก็ต้องมา design character ของน้องแชทบอทต่อว่า มีเป็น เพศหญิงหรือชาย อายุเท่าไร น้อง-พิด-สะ-ไหม เราเป็นเพศหญิงนะ อายุ 15 ขวบ มีบุคลิก หน้าตา ดังนี้ จ้าาา</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/745/1*g1nkzvQ-El0aTi5a9FSrgw.png" /></figure><p>รูปนี้ให้เครดิตน้องเม เลย สร้างสรรค์ ตัวแชทบอท ได้ตรงกับโปรเจค “ถึงคราวพืชมีพิษ สิ้นฤทธิ์ ด้วย Computer Vision” มากๆ เลยจ้าาา</p><p>สำหรับ Chatbot ของเรานั้นวิธีการใช้มีดังต่อไปนี้<br>1. แอดไลน์ <strong>@755vclpg </strong>หรือ Scan QR Code ตามรูปเลยครับ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/360/0*HgkoY8sKGSJIWhEk" /></figure><p>2. ให้พิมพ์เข้าไปว่า<strong> “วิธีใช้งาน” </strong>ตัวน้องพิษไหมก็จะส่งวิธีใช้งานกลับมานั่นก็คือ ตามรูปภาพนี้เลยย</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*BfhDfyMjzANYTZTm" /></figure><p>3. หลังจากนั้นให้ใส่คำสั่งว่า <strong>“ดูนี่ให้หน่อย”</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*J89LwVSs5zc0XeMh" /></figure><p>4 .เลือกรูปที่ต้องการจำแนก ในทีนี้เราจะจำแนกเป็นรูปนี้</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*NVzllFQ2XWRdyrNM4CD2Iw.png" /></figure><p>แล้วมาลองดูกันว่าน้องพิษไหมของเราจะแม่นรึเปล่าาาา</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*AYTj5CQJkS3lCVzm" /></figure><p><strong>Result ที่ออกมา ปิ๊งป่องปิ๊งป่อง น้องพิษไหม ทายถูกต้องแล้วคร้าบบบบ<br>ในส่วน Featue เสริมของน้องพิษไหมมีดังต่อไปนี้</strong></p><h3><strong>ข้อมูลเกี่ยวกับพืชมีพิษ</strong></h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*i3goJ0611xZg08RD" /></figure><h3><strong>อับดุลเอ้ย</strong></h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*o1r6jZ_9jqiTiuZA" /></figure><h3><strong>เล่นมุกตลก</strong></h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*BRKCt7XVZpQqMeri" /></figure><h3><strong>Thank you</strong></h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*sLg1w-Qn-OFSrjRB" /></figure><p>และนี่ก็คือการบ้านสำหรับสัปดาห์แรกของทีม BotnoiCV_Fun 06 ในคลาสเรียน Computer Vision Essentials : (CVE) กับ Dr.Winn Voravuthikunchai ค่ะ พวกเราได้เรียนรู้จากการทำการบ้านเยอะมากๆ ข้อมูลที่เราพยายามเลือกมาแล้วน่าจะไม่ยากและดูเหมือนจะไม่มีอุปสรรคมากเท่าไหร่ ปรากฎว่าระหว่างทางก็เจออุปสรรคหลายอย่าง แต่เราก็ได้อัศวินม้าขาวพี่โป้ พี่แซม น้องแมนยู มาช่วยอยู่ตลอดๆ</p><h4><strong>สิ่งสำคัญที่เราได้เรียนรู้จาก weekly project ในสัปดาห์นี้คือ</strong></h4><ol><li>การ Clean ข้อมูลรูปภาพในขั้นแรกที่จะต้องนำมาสกัดเพื่อเข้าโมเดล เป็นสิ่งที่ควรใส่ใจมากที่สุด เพราะรูปภาพที่ค้นด้วย คำแต่ละแบบ ทั้งคำศัพท์ภาษาไทย คลังคำศัพท์ภาษา คลังคำศัพท์ทางวิทยาศาสตร์ ก็ต่างจะได้ข้อมูลขยะไม่ต่างกัน ดังนั้น ทีม Data ก็ต้องไล่ลบรูปที่ไม่เกี่ยวออก ซึ่งบางประเด็นก็ลบออกไปซะ 30% จากรูปที่ค้นออกมาได้เลยแหละ พอไล่หาเสร็จก็ต้องมานั่งไล่ลบ ขำจริงๆ กับโปรเจคนี้</li><li>การเพิ่ม function ในการจับเวลา เพื่อตรวจสอบและคาดเดาระยะเวลาในการทำเทรนโมเดล เพราะถ้าไม่โอ ไม่ไหว เราจะได้หาวิธีการปรับแผนการดำเนินงานต่อไป ลดความเสี่ยง พร้อมบริหารเวลาให้ลงตัวกับปัจจัยแทรกซ้อนที่อาจจะเกิดขึ้นได้</li><li>การบริหารเวลา บริหารปริมาณเนื้องาน ความพอใจในข้อจำกัดของทีม แค่นี้ทีมงานก็พร้อม ลุยงานไปด้วยกันแย้วว</li></ol><p>การบ้านของสัปดาห์หน้าจะเป็นเรื่องอะไร และพวกเราจะรอดมั้ย อัศวินม้าขวาเราจะว่างมาช่วยในโปรเจกต่อไปไหม มารอลุ้นติดตามบทความ EP.2 ทีมกลุ่ม 6 กันนะคะ</p><p>เกือบลืมๆ ทีมเราขอนำเสนอ The แก๊งค์ BotnoiCV_Fun 06 จ้า……</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*-gav4cSeAzmBA4eamBp7tA.png" /></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=99b702a72905" width="1" height="1" alt=""><hr><p><a href="https://medium.com/%E0%B8%96%E0%B8%B6%E0%B8%87%E0%B8%84%E0%B8%A3%E0%B8%B2%E0%B8%A7%E0%B8%9E%E0%B8%B7%E0%B8%8A%E0%B8%A1%E0%B8%B5%E0%B8%9E%E0%B8%B4%E0%B8%A9-%E0%B8%AA%E0%B8%B4%E0%B9%89%E0%B8%99%E0%B8%A4%E0%B8%97%E0%B8%98%E0%B8%B4%E0%B9%8C-%E0%B8%94%E0%B9%89%E0%B8%A7%E0%B8%A2-computer-vision/%E0%B8%96%E0%B8%B6%E0%B8%87%E0%B8%84%E0%B8%A3%E0%B8%B2%E0%B8%A7%E0%B8%9E%E0%B8%B7%E0%B8%8A%E0%B8%A1%E0%B8%B5%E0%B8%9E%E0%B8%B4%E0%B8%A9-%E0%B8%AA%E0%B8%B4%E0%B9%89%E0%B8%99%E0%B8%A4%E0%B8%97%E0%B8%98%E0%B8%B4%E0%B9%8C-%E0%B8%94%E0%B9%89%E0%B8%A7%E0%B8%A2-computer-vision-99b702a72905">“ถึงคราวพืชมีพิษ สิ้นฤทธิ์ ด้วย Computer Vision”</a> was originally published in <a href="https://medium.com/%E0%B8%96%E0%B8%B6%E0%B8%87%E0%B8%84%E0%B8%A3%E0%B8%B2%E0%B8%A7%E0%B8%9E%E0%B8%B7%E0%B8%8A%E0%B8%A1%E0%B8%B5%E0%B8%9E%E0%B8%B4%E0%B8%A9-%E0%B8%AA%E0%B8%B4%E0%B9%89%E0%B8%99%E0%B8%A4%E0%B8%97%E0%B8%98%E0%B8%B4%E0%B9%8C-%E0%B8%94%E0%B9%89%E0%B8%A7%E0%B8%A2-computer-vision">“ถึงคราวพืชมีพิษ สิ้นฤทธิ์ ด้วย Computer Vision”</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
    </channel>
</rss>