ข อม ลท ม ขนาดเล กท ส ดในโครงสร างข อม

1 การสร างข อม ลภาพจาก GANS เพ อน าไปต อยอดในด าน Vector Art GENERATING PICTURE DATA FROM GANS TO EHHANCE VECTOR ART บทค ดย อ ชาล ช พพ มลช ย 1 ธนภ ทร ฆ งคะจ ตร 2 ธ รก จด านการออกแบบ graphic หร อ อาช พ graphic design เป นงานท สร างม ลค าให ก บ หลายธ รก จเช น ธ รก จส อ, ธ รก จ Event รวมท งย งสร างอาช พท เก ดใหม เช น Vector specialist, การ ออกแบบ UX/UI ด งน นเพ อปร บปร งงานออกแบบให ม ค ณภาพมากข น ควรอาศ ยความก าวหน า ทางด านเทคโนโลย ทางด านคอมพ วเตอร ว ช นซ งเทคน คการเร ยนร เช งล กน จะใช Python เพ อสร าง ผลล พธ graphic ท ม ค ณภาพออกมา ในป จจ บ นเทคโนโลย การเร ยนร เช งล กทางด านคอมพ วเตอร ว ช นน ถ กนามาใช ประโยชน ในหลาย ๆด าน ไม ว าจะเป นการสร างร ปภาพเหม อนหน าคน, การสร าง Animation ใน ต นท นท ไม ส ง, การออกแบบรถโดยหล กการออกแบบท ด ท ส ด, การสร างข อม ลสาหร บdetection object ในหลากหลายม ต ผ ว จ ยจ งได มองเห นศ กยภาพของระบบเทคโนโลย ในป จจ บ นท สามารถ นามาประย กต ใช ในงานออกแบบ และจาก ผลงานว จ ยน จ งทาให สามารถสร างว ตถ ท ต องการได อย างถ กต อง รวดเร วและแม นยาข น ABSTRACT A graphic design business or graphic design career is a project that creates value for many companies such as media business, event business, and creating new careers such as Vector specialist, and UX / UI design, to improve the design to be of high quality. This depends on the advancement of computer vision technology. The deep learning technique was used with Python to produce graphic in the quality results. 1 น กศ กษาหล กส ตรว ศวกรรมศาสตร มหาบ ณฑ ต สาขาว ศวกรรมข อม ลขนาดใหญ 2 ท ปร กษาสารน พนธ หล ก

2 Today, this deep learning technology in computer vision is being utilized in many fields, such as creating human face images, creating low-cost animations, designing cars by the best design principles. Furthermore, it makes data for detecting objects in multiple dimensions. Therefore, the researcher sees the potential of today's technology systems that can be applied in design work, and from this research, it is possible to create the desired object correctly, more rapidly, and more accurately. บทน า การพ ฒนาให คอมพ วเตอร ม ความสามารถเหม อนมน ษย เช น การมองเห น การพ ด การ ต ดส นใจ ความร ส ก เป นต น ในงานประช ม International Conference on Neural Information ป 2014 ได ให กาเน ดงานท เป นรากฐานในการ Generate ร ปภาพ สาหร บ computer vision โดย model น น ม ช อ ว า GANS จ ดประสงค ค อ เพ อสร าง Framework ร ปแบบใหม ในการเทรน 2 model ค อ 1) Generative model เอาไว จ บ data distribution 2) Discriminative model เอาไว ประมาณ ค าความน าจะ เป น ของต วอย างในการ training Machine Learning เป นการใช อ ลกอร ท มในการแยกแยะและว เคราะห ข อม ล เร ยนร จาก ข อม ลน น เพ อสร างโมเดลในการต ดส นใจหร อคาดการณ เก ยวก บบางส งบางอย าง แทนท จะเข ยน โค ด เป นช ดคาส งให ปฏ บ ต ตามข นตอนท กาหนดไว แต จะใช การ เทรนด โดยใช ช ดข อม ลขนาด ใหญ ใน การเร ยนร ท จะปฏ บ ต งานน น ๆ การท จะสอนให เคร องคอมพ วเตอร สามารถเร ยนร ได น นก ม เทคน คต าง ๆ มากมาย เช น Supervised Learning, Unsupervised Learning, Reinforcement Learning หร อ Artificial Neuron Networks เป นต น และหน งในเทคน คท ถ กพ ดถ งก นเป นอย างมาก ก ค อ Deep Learning Artificial Neural Networks (ANN) เป นเทคน คท เล ยนแบบการทางานของสมองมน ษย ซ ง ประกอบด วยเซลล ประสาท (Neuron) และแต ละเซลล จะถ กเช องโยงก นเป นโครงข าย ซ งใน ซอฟต แวร Neuron จะเร ยกว า โหนด (Node) และแต ละโหนดจะถ กแบ งออกเป นช น (Layer) โดย หล กการ ของ Deep Learning ก จะเป น ANN ท ม โหนดหลายๆช น ทาให สามารถประมวลผลได คร ง ละจานวน มาก ช วยให การเร ยนร ของเคร องสามารถให ผลล พธ ในการต ดส นใจและคาดการณ ได ด มากย งข น 67

3 ป จจ บ นม กล มน กพ ฒนางานด าน Creating image เก ดข นและแพร ขยายไปท วโลก ท งใน ระด บ ทว ป หร อประเทศ โดยจะจ ด Conference ท กป ใช ช อว า International computer vision (ICCV) ซ งเป นองค กรอ สระไม หว ง ผลทางธ รก จ เก ดจากการรวมกล มของบร ษ ทต างๆ ใน ภาคอ ตสาหกรรมท เก ยวข องก บ Computer Vision และ ภาคการศ กษาท ม การทา Research ในด าน Computer Vision ว ตถ ประสงค ของงานว จ ย เพ อสร างผลล พธ ของงานร ปภาพและว เคราะห ให Generative Adversarial Networks model(gans) ม ความเสถ ยรมากข น โดยจะนา StyleGAN มาประย กต ใช ในกระบวนการงานว จ ย และนาร ปภาพไปใช ในธ รก จ Graphic Design ขอบเขตงานว จ ย 1. ร ปแบบของช ดข อม ลภาพท ต องการจะสร างข นมาใหม ในการศ กษาอย างช ดเจน 2. การนาเทคโนโลย การเร ยนร เช งล ก (Deep Learning) มาช วยในการสร าง model ท สามารถนาไปทางานร วมก บภาพท เป น ศ ลปะ ประโยชน ท คาดว าจะได ร บ 1. เพ อลดระยะเวลาในการสร างงาน Art โดยใช Model ท ถ กพ ฒนาเพ อให เหม อนก บ งานต นแบบมากท ส ด 2. เพ อทาให model สามารถสร างภาพ vector เป นภาพจร งได ละเอ ยด และสมจร งข น 3. นาไปสร าง Sticker หร อ Graphic vector ทาได โดยไม จาเป นต องม พ นฐาน ทฤษฎ และผลงานว จ ยท เก ยวข อง 1. เทคน คการเร ยนร ของเคร อง (Machine Learning) ค อการใช อ ลกอร ท มในการแยกแยะและว เคราะห ข อม ล เร ยนร จาก ข อม ลน น เพ อสร าง โมเดลในการต ดส นใจหร อคาดการณ เก ยวก บบางส งบางอย าง แทนท จะเข ยนโค ด เป นช ดคาส งให ปฏ บ ต ตามข นตอนท กาหนดไว แต จะใช การ เทรนด โดยใช ช ดข อม ลขนาดใหญ ใน การเร ยนร ท จะ ปฏ บ ต งานน น ๆ การท จะสอนให เคร องคอมพ วเตอร สามารถเร ยนร ได น นก ม เทคน คต าง ๆ มากมาย เช น Supervised Learning, Unsupervised Learning, Reinforcement Learning หร อ Artificial Neuron Networks เป นต น และหน งในเทคน คท ถ กพ ดถ งก นเป นอย างมาก ก ค อ Deep Learning 68

4 2. การเร ยนร เช งล ก (Deep Learning) Deep Learning เป นเซตย อยของ Machine Learning หร อการเร ยนร ด วยเคร อง ซ งเป น ลาด บช นของเคร อข ายประสามเท ยม (Artificial Neural Network) โดยดาเน นการด วย Machine Learning เน องจากเคร อข ายประสาทเท ยมถ กสร างมาเหม อนสมองของมน ษย ม Nodes เช อมต อก น เหม อนเว บไซต ระบบ Deep Learning ช วยให เคร องประมวลผลข อม ลด วยว ธ การไม ใช เช งเส น ซ ง เป นเทคน คการ เร ยนร เช งล ก เพ อกาจ ดส งแปลกปลอมในการทาธ รกรรมท เส ยงต อการหลอกลวงจะ ประกอบด วยเวลา, ท ต งทางภ ม ศาสตร, IP address, ประเภทของธ รก จค าปล ก และค ณล กษณะอ น ๆ ท ก อให เก ดว ธ การ หลอกลวงจากบ คคลท 3 3. โครงข ายประสาทแบบคอนโวล ช น (CNN) โครงข ายประสาทแบบคอนโวล ช น(CNN) เป นโครงข ายประสาทเท ยมหน งในกล ม bioinspired โดยท จะจาลองการมองเห นของมน ษย ท มองพ นท เป นท ย อยๆ และนากล มของพ นท ย อยๆ มาผสานก น การมองพ นท ย อยของมน ษย จะม การแยกค ณล กษณะ (feature) ของพ นท ย อยน น เช น ลายเส น และการต ดก นของส ซ งการท มน ษย ร ว าพ นท ตรงน เป นเส นตรงหร อส ต ดก น เพราะมน ษย ด ท งจ ดท สนใจและบร เวณรอบ ๆ ประกอบก น ม ส วน 1. Convolution state ค อ ส วนท ทาการแยกองค ประกอบของร ปออกมา เช น ขอบ ส ร ปทรง เป นต น โดยท CNN จะม ต วกรอง หร อ Filter ในการตรวจสอบเพ อแยกองค ประกอบของร ป 2. Detector stage ค อ ส วนท ร บoutput มาจาก convolution state และ แปลงให อย ใน ร ปของ nonlinear และเป นส วนท ต องระบ อ ลกอร ท ม (Activation) ท จะใช ในการจาแนกค ณล กษณะ ของข อม ล 3. Pooling stage ค อ ต วกรองแบบหน งท หาค าส งส ดในบร เวณท ต วกรองทาบอย บน ข อม ลแล วเล อกค าท ส งท ส ดบนต วกรองน นมาเป นผลล พธ ใหม และจะเล อนต วกรองไปตาม Stride ท กาหนดไว 4. Computer vision ศาสตร ท ให Computer สามารถเล ยนแบบการมองเห นของมน ษย เพ อจาแนกว ตถ หร อ สร าง ข นมาใหม โดยทาการร บ Input จาก อ ปกรณ เช นกล อง หร อ เซนเซอร ต างๆเพ อจาแนกว ตถ หร อ ล กษณะต างๆ โดยในศาสตร น จะจาแนกประเภทว ตถ หล กๆ เป น 2 ประเภท 1) Low-Level จาแนก ขอบ, เส น, ม ม ในร ปภาพ 2) High-Level จาแนกช นส วนต างๆของร ปภาพ ประเภทของ Computer vision ท ใช ในป จจ บ นม 5 ร ปแบบ 69

5 1. Image Classification การให computer เร ยนร และจาแนกภาพจาก Label(Supervise Learning ) โดยงานท นามาประย กต ใช เช น การจาแนกภาพปอดท เป นมะเร ง 2. Object detection การท คอมพ วเตอร ม ความสามารถเล ยนแบบมน ษย ในการการ จาแนกภาพท มองเห นและแยก แยะ ได ละเอ ยดมากข น โดย Systems ท ป จจ บ นใช เช นYoLo(you only look once) a. SSD(Single shot detector), Faster R-CNN 3. Generating Art คอมพ วเตอร สามารถcopy style จาก ภาพ A ไป B 4. Creating Images คอมพ วเตอร สามารถสร างภาพข นมาจากภาพต นแบบโดยใช machine learning 5. Face Recognition คอมพ วเตอร สามารถระบ หร อต ดตามใบหน าคนโดยจะแบ งเป น Face Identification และ Face Varification Computer vision pipeline ภาพท 1: แสดง computer vision pipeline 1. ข นตอนแรก คอมพ วเตอร จะร บ input เข ามา จาก อ ปกรณ เช น กล อง ท จ บภาพ หร อ ว ด โอ 2. ข นตอนท สอง แต ละภาพต องทาการเปล ยนร ปแบบ(preprocessing) จ ดประสงค เพ อให ภาพ ม พ นฐานเหม อนก น โดยส วนใหญ จะทา การปร บขนาดภาพ(resizing), การทาให ภาพช ดข น (blurring), การหม นภาพ (rotating), การเปล ยนร ปร าง หร อ การเปล ยนจากภาพส ให เป นขาวดา 3. ข นตอนท สาม การจ บค ณล กษณะ(extract feature) กระบวนการน จะทาการจ บร ปแบบ ค ณล กษณะของภาพ เช น ร ปทรง, ส โดยจะตรวจสอบและ list ค ณล กษณะท ม ความเฉพาะ ออกมา 70

6 4. ข นตอนท ส Feature จะถ กนาเข าไปใน การจ ดกล ม(classification model) เพ อทา กระบวนการแยกแยะว าภาพน ค อ อะไร โดยจะใช feature ในการต ดส นใจภาพน นๆ 5. GANS Generative Adversarial Networks (GANs) ค อ generative model ท ใช deep learning ในการเร ยนร โดย GANs จ ดเป น unsupervised learning โดยจะหา ร ปแบบในการเร ยนร ด วยต วเอง โดยหน าท ของ model น ค อ สร างผลล พธ จาก input และเก ดเป น ผลล พธ ใหม ข นมา ภายใน model จะ ม การสร ปการกระจายต ว ของ input ทาให สามารถสร าง ต วอย างข นมาใหม ภายใน input distribution ได ภาพท 2: แสดงภาพรวมของ model gans ใน GANs ม พ นฐานมาจาก Generative model โดนร ปแบบโครงสร างใช เหม อนก บ Generative model โดยจะม องค ประกอบอย 2 ส วน 1.) Generator ค อ โมเดลท ใช ในการสร างต วอย างข นมาใหม โดนการส มความแปรปรวน จาก ข อม ล ต งต น 2.) Discriminator ค อ โมเดลท ใช ในการจาแนกต วอย าง จร ง หร อ ต วอย างปลอม ภาพท 3: แสดงกระบวนการภายในของ gans 71

7 6. Style GAN กระบวนการ GAN ชน ดน เป น กระบวนการส วนท ขยาย มาจาก progressive growing GAN ว ธ การค อ generator model ส งเคราะห ภาพขนาดใหญ ค ณภาพส ง โดยเร มต นจากท ง model discriminator และ generator โดยขนาดภาพน น จะเร มจากเล กไปใหญ ในกระบวนการ training ใน ส วน ของ generator จะไม ได ใช จ ดใดจ ดหน งใน latent space แต จะใช การส มเพ อสร างภาพ แบบ mapping network แบบเด ยว และ noise layers ผลล พธ ท เก ดจากการทา mapping network ค อ vector ท ม การกาหนดร ปแบบท รวมไว ในแต ละจ ดของ generator โดย layer แบบใหม เร ยกว า adaptive instance normalization(adain) ภาพท 4: แสดงกระบวนการภายในของ style gan Mapping Network and AdaIN การ standalone mapping network เป น การใช จ ดส มต วอย างจาก latent space as input และ สร างในร ปแบบ vector ด งน น Mapping Network ค อ ประกอบ fully connected layers 8 ช น หล งจากน น vector จะ ถ กแปลง และ รวมเข าก บแต ละ blog ของ model โดยทาหล งจาก กระบวนการท เร ยกว า adaptive instance normalization(adain) AdaIN layers ค อ การสร างมาตรฐาน output ของ feature map เพ อทา standard Gaussian และเพ ม vector ในร ปแบบ ของ bias 72

8 ภาพท 6: ส ตรของ AdaIN layers การเพ ม ร ปแบบใหม ของ mapping network ใน โครงสร าง ส งผลต อผลล พธ ใน Generator model ใน การ synthesis network 7. Pix2Pix Image-to-image translation ค อการควบค มของร ปภาพต นฉบ บท กาหนดเป นร ปภาพ เป าหมาย เช นการเปล ยนภาพขาวดาเป นภาพส การทา image translation เป นเร องท ยากเน องจาก ต องกาหนด model โดยเฉพาะ และ ค า loss function ท จะทาให ผลล พธ ออกมาสมบ รณ Pix2Pix GAN เป นประเภทของ conditional gan โดย discriminator จะเตร ยม ร ปภาพจร ง และ ร ปภาพเป าหมาย โดยเป าหมายใน model ค อการพ จารณาความเป นไปได ในการเปล ยนผลล พธ ส วน generator ม หน าท ในการสร างภาพเพ อให สามารถทาให ใกล เค ยง ก บ target domain ได 8. CycleGAN กระบวนการ GAN ชน ดน เป นเทคน ค การ training ของ image translation โดยไม ต อง ม ภาพต วอย าง CycleGAN จะถ ก train ในล กษณะ unsupervised โดยจะใช ข อม ลต งต น และ target domain ท ไม ได ม ความเก ยวข องก น ต วอย างท นาเทคน คน ไปใช ค อ การแปลงภาพม าเป นม าลาย และ ม าลายเป นม า CycleGAN จะม ส วนขยายเพ ม จาก GANs ปกต ค อ cycle consistency แนวค ดค อการ นาเอาผลล พธ อ นแรกท ได จากการ Train generator คร งท หน ง มาใช ใน generator คร งท สอง และ เอา ผลล พธ คร งท สอง มาด ความส มพ นธ ก บภาพจร ง ระเบ ยบว ธ ว จ ย 1. ข อม ลท ใช ในงานว จ ย ข อม ลท ใช ในงานว จ ยเป นข อม ลภาพถ ายรถ GTR R33,R32,R34,R35 ซ งใช ภาพท งหมด 300 ภาพ ม ขนาด 512 x 512 pixel โดยใช จากแหล งข อม ล jdm-expo และ Nissan Japan official 73

9 ภาพท 7: แสดงต วอย างของแหล งข อม ลท ใช ในงานว จ ย 2. การเตร ยมข อม ล (Prepare Data) 1) ลบภาพพ นหล งของภาพโดยใช ใช tool ของ remove.bg โดย tool จะทาหน าท เอาแต object ท เราต องการ 2) ปร บแก ขนาดของภาพ ให ม ขนาดเท าก บ 512 x 512 pixel 3) ใช เทคน คจาลองภาพพ นหล งให เหม อนก นท งหมดโดยใช พ นหล งส ขาว ภาพท 8: แสดงว ธ การใช เทคน คจาลองพ นหล ง 3. เตร ยม Environment ก อนสร าง model style gan ในงานว จ ย GAN ฉบ บน ได เล อกใช Environments จาก google colab เพ อให ผ ท สนใจ สามารถนาไปประย กต หร อศ กษาต อได โดย google colab ท ใช จะเป น google colab ชน ด pro ซ งม 74

10 ค าใช จ ายในการสม ครซ งได ร บความน ยมเป นอย างมากในหม น กพ ฒนาโปรแกรม รวมถ งผ สนใจ ด าน Deep learning เพราะต ดต งได ง าย รวมถ ง การต ดต ง package ต าง ๆ ท สาค ญ โดยเฉพาะ TensorFlow, ml4a(machine Learning for Artists), และอ น ๆ อ กมากมาย นอกจากน google colab ย งม การด จอมาให ใช แบบไม ค ดค าบร การสาหร บงานtrain ท ไม ได ม ความละเอ ยดส งและ Dashboard TensorFlow ช วยบร หารจ ดการ ram และ การ ดจออ ตโนม ต โดย ม ข นตอนด งน 1) เป ด Colab เข าไปท เว บไซต File > New notebook 2) ให กดท Edit เปล ยน Notebook setting เป น GPU และ High-RAM 3) การต ดต ง Python Library ท จาเป นต องใช งานในโปรเจค ได แก TensorFlow version แรก และ ช ด Code จาก stylegan2-ada 4. Preprocess model training ให นาภาพท งหมดท ทาเป นขนาด 512x512 PX มาเปล ยนชน ดของfile โดยข นตอนน ผ ว จ ย พบว าในกรณ ท ถ าไม เปล ยนชน ดของไฟล ให เหมาะสม เช น ช อไฟล ไม ได เร ยงตามเลข หร อ ชน ด ไฟล เป นไฟล PNG จะไม สามารถแปลงไฟล ได ภาพท 9: ภาพ code แสดงการเปล ยนช อไฟล หล งจากน น ให นาข อม ลไฟล ภาพ ไปแปลงให อย ในร ปของformat tfrecords หร อ large numpy arrays โดยทาหน าท เก บหลายๆ sample 75

11 ภาพท 10: ภาพแสดงการเก บข อม ลของ TFRecord file 5. Process กระบวนการเร ยนร GANS ในข นตอนการว จ ยในส วนน เป นการทางานในกระบวนของ GANS ซ งการทางานของ GANS จะม ข นตอนหล กๆอย 2 ข นตอน ค อ การทางานในส วน ของโมเดล และ การนาโมเดลท ได ไปใช งานโดยการทางานในส วนโมเดลน นจะม ข นตอนการทางาน หล กม อย 5 ข นตอน ด งน 1) Load library 2) Load Data 3) Load code 4) Save target model 5) Generate 6. เคร องม อท ใช ในการว จ ย 6.1 TensorFlow เป นไลบราร ท ใช ในการพ ฒนา Machine Learning พ ฒนาโดย Google 6.2 PyTorch เป น Deep learning library ของภาษา Python พ ฒนาโดย Facebook 6.3 NumPy เป นโมด ลเสร มใน Python ม ฟ งก ช นเก ยวก บคณ ตศาสตร แลพ การคานวญ 6.4 Colab เป นบร การ Software as a Service (Saas) โฮสต โปรแกรม Jupyter Notebook บน Cloud จาก Google ใช เข ยนโปรแกรมภาษา Python และ ม GPU และ TPU มาให 7. การนาแบบจาลองไปประย กต ใช ก บข อม ลจร ง ข นตอนการนา GANSไปใช งานม ความคล ายคล งก บข นตอนการเตร ยมข อม ลเพ อนามา สร างมา GANS จะแตกต างก นเวลาต งค าชน ดสก ลไฟล หร อ เวอร ช นของ package ท ใช ในการ train ท งน ข นอย ก บจ ดประสงค ของผ ใช งาน รวมท งข อม ลท จะนามา train ควรจะไปในทางเด ยวก น 76

12 เพ อให ผลล พธ เก ดความเสถ ยรมากท ส ด โดยผ ว จ ยได นาไปประย กต ใช ก บงาน Few-shot Image Generation via Cross-domain Correspondence ท ทาให ภาพจร งเป นภาพศ ลปะ ภาพท 11: ภาพแสดงการนา pretrain จาก GANS ไปประย กต ใช งาน ผลการศ กษา 1. ผลล พธ ของข อม ลท ไม ได ถ กการต ด Background ภาพท 12 : ผลล พธ ของข อม ลท ไม ได ถ กการต ด Background 2. ผลล พธ ของข อม ลท ถ กการต ด Background และไปในท ศทางเด ยวก น 77

13 ภาพท 13 : ผลล พธ ของข อม ลท ถ กการต ด Background และไปในท ศทางเด ยวก น 3 ผลล พธ จากการสร างภาพจาก pretrain ตารางท 1 แสดงว ดผลล พธ ท ได จากการว ดค า Frèchet inception distance (FID) จากตารางท 1 แสดงว ดผลล พธ ท ได จากการว ดค า Frèchet inception distance (FID) ย ง ค า Frèchet inception distance (FID) ม ค าท เข าใกล 0 แสดงว าภาพน นสามารถสร างได เท ยบเท าก บ ของจร ง บทสร ปและข อเสนอแนะ 1. สร ปผลการศ กษา ในการเตร ยมข อม ลร ปภาพได ม การนา canvas เท ยม มาประย กต ใช งาน เน องจาก ภาพถ ายท ม หลายม ม เป นภาพท เม อเปล ยนองศาของภาพจะทาให ภาพเปล ยนร ปร างไปด วยโดยจะ เอาเฉพาะม มท ต องการมาประย กต ใช เท าน น รวมถ งการต ดพ นหล งท ไม เก ยวทาให ผลล พธ ท ได จาก การว เคราะห ข อม ลภาพม ความละเอ ยดถ กต อง และม ความสะดวก รวดเร วในการเตร ยมข อม ลภาพ มากย งข น ในส วนของการประย กต ใช เทคโนโลย GANS ก บภาพถ าย รถยนต ได เล อกใช ภาษาไพ ธอนในการดาเน นงานเน องจากเป นภาษาคอมพ วเตอร ระด บส งท สามารถนาไปประย กต ใช ได ก บ งานในหลายๆด าน และสามารถนาไปประย กต ใช ก บระบบปฏ บ ต การอ นๆได ส วนไลบราร ท ใช ใน การพ ฒนาจะใช ไลบราร TensorFlow ก บ PyTorch เป นหล ก เน องจากเป น deep learning library ท 78

14 ใช งานง ายและม ประส ทธ ภาพส งในการร นโมเดล ได ร บความน ยมในป จจ บ นในการใช พ ฒนา Machine Learning โดยแนวค ดของเทคโนโลย การเร ยนร เช งล กน นเป นการนาข อม ลไม ว าจะเป น ข อม ลภาพต วอ กษร หร ออ นๆ มาสอนหร อ train ให โมเดลเข าใจว าส งๆน นค ออะไร โดยในการ train โมเดลน นใน บางคร งอาจจะต องใช ข อม ลจานวนมากเพ อให โมเดลสามารถเร ยนร และเข าใจได เม อ ทาการ train โมเดลแล วจะนาโมเดลท ได ไปทดสอบก บภาพใหม เพ อให ได ผลล พธ ออกมา ซ ง เทคโนโลย การเร ยนร เช งล กท นามาใช ค อ GANS โดยโมเดลสามารถนาไปสร างข อม ลภาพข นมา ใหม ได จากจ ดเร มต นโดยจะม ค ณภาพมากกว าการทา data augmentation ท วไปค อ การสามารถ style transfer ในส งท ต องการได และสามารถสร างภาพซ าได ในปร มาณมาก 2. ข อเสนอแนะ 2.1 สามารถนาไปพ ฒนาต อยอดให ก บธ รก จต างๆได เช น ธ รก จการออกแบบ, ธ รก จส อ เป นต น 2.2 สามารถใช ภาพถ ายประเภทอ นได เช น ยานพาหนะ และ อ นๆ มาประย กต ก บโมเดล ได แต ต องม การว เคราะห และตรวจสอบรายละเอ ยดของภาพให ช ดเจน เน องจากถ าเป นภาพท คนละ ประเภทก นและม มท ต างก นการนา pretrain ท ไม ได เก ยวข องมา train ภาพจะทาให ภาพไม สามารถ สร างภาพข นมาได 2.3 สามารถนาไปประย กต ใช ในงานด านอ น ๆได แต ต องม การปร บโมเดลให เข าก บงาน น น ๆด วย เน องจากโมเดล Deep Learning เป นโมเดลท ทางานเฉพาะด าน 2.4 ในการเตร ยมข อม ลภาพท ใช เทรนด โมเดลควรเก บข อม ลให ถ กต องท กคร งและต ดส ง ท ไม ต องการจะ train ออก เพ อให ผลล พธ ท สร างออกมาม ความถ กต องและลดระยะเวลาการทางาน บรรณาน กรม Jakub Langr and Vladimir Bok. GANs in Action. manning September 2019 Jason Brownlee. Generative Adversarial Networks with Python. manning July 2019 Ran Yi, Yong-Jin Liu, APDrawingGAN: Generating Artistic Portrait Drawings from Face Photos with Hierarchical GANs. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2019 Tero Karras, Miika Aittala,Samuli Laine. Training Generative Adversarial Networks with Limited Data. arxiv: v2 [cs.cv] 7 Oct 2020 Tero Karras, Miika Aittala,Samuli Laine. Analyzing and Improving the Image Quality of StyleGAN. arxiv: v2 [cs.cv] 23 Mar