BÀI BÁO CÁO

ỨNG DỤNG COMPUTER VISION TRONG NHẬN DIỆN

KHUÔN MẶT ĐEO KHẨU TRANG, KHÔNG ĐEO KHẨU TRANG VÀ
ĐEO KHẨU TRANG SAI CÁCH TẠI TRUNG TÂM THƯƠNG MẠI

Giáo viên hướng dẫn: Vũ Trọng Sinh

Nhóm tín chỉ: IS42A05
Nhóm thực hiện: Nhóm 16

1
2

MỤC LỤC
Giáo viên hướng dẫn: Vũ Trọng Sinh ..........................................Error! Bookmark not defined.

Danh sách thành viên nhóm 16 ..................................................................................................3

NỘI DUNG ...................................................................................................................................4
I. Xác định vấn đề ...................................................................................................................4
1. Giới thiệu chung về trung tâm thương mại ......................................................................4
2. Đặt vấn đề ........................................................................................................................4
3. Bài toán đặt ra ..................................................................................................................4
II. Giới thiệu tổng quan về thuật toán .....................................................................................6
1. Giới thiệu chung ...............................................................................................................6
2. Cách sử dụng Teachable Machine để huấn luyện mô hình .............................................8
3. Teachable Machine được xây dựng như nào? .................................................................8
4. Về số lớp mạng ẩn (Hidden layer) ...................................................................................9
4.1. Teachable machine có bao nhiêu lớp ẩn? ........................................................................9
4.2. Cách Teachable Machine phân loại hình ảnh ................................................................10
III. Xây dựng mô hình .............................................................................................................10
1. Chuẩn bị dữ liệu .............................................................................................................10
2. Triển khai huấn luyện mô hình ......................................................................................10
3. Sử dụng mô hình ............................................................................................................14
4. Kết quả mô hình .............................................................................................................15
IV. Đánh giá mô hình..............................................................................................................15
1. Ưu điểm..........................................................................................................................15
2. Hạn chế ..........................................................................................................................16
V. Kết luận ..............................................................................................................................16
TÀI LIỆU THAM KHẢO ..........................................................................................................17

Nhóm 16 - 211IS42A05
3

Danh sách thành viên nhóm 16

STT Họ tên MSV Đóng góp Phần trăm
đóng góp
1 Nguyễn Văn Giáp 22A4070206 Nêu ý tưởng; 16%
Thu thập dữ liệu;
Giới thiệu tổng quan về thuật
toán;
Xây dựng mô hình;
Triển khai huấn luyện và test mô
hình;
Nêu kết quả mô hình.
2 Trịnh Thanh Hà 22A4070172 Thu thập dữ liệu; 20%
Xác định vấn đề;
Triển khai huấn luyện và test mô
hình;
Nêu ưu điểm, hạn chế;
Nêu kết quả mô hình;
Làm Word.
3 Nguyễn Hương Ly 22A4070189 Nêu ý tưởng; 16%
Thu thập dữ liệu;
Triển khai huấn luyện và test mô
hình;
Nêu kết quả mô hình;
Làm Powerpoint.
4 Trịnh Thị Chi Mai 22A4070121 Thu thập dữ liệu; 16%
Xác định vấn đề;
Nêu ưu điểm, hạn chế;
Triển khai huấn luyện và test mô
hình;
Nêu kết quả mô hình.
5 Đỗ Phú Hoàng Quý 22A4070055 Nêu ý tưởng; 16%
Triển khai và huấn luyện mô
hình;
Nêu kết quả mô hình.
6 Tạ Hà Thu 22A4070128 Nêu ý tưởng; 16%
Giới thiệu tổng quan dự án.
Thu thập dữ liệu;
Triển khai huấn luyện và test mô
hình.

Nhóm 16 - 211IS42A05
4

NỘI DUNG

I. Xác định vấn đề

1. Giới thiệu chung về trung tâm thương mại
Trung tâm thương mại là loại hình tổ chức kinh doanh thương mại hiện đại, đa chức năng
gồm tổ hợp các loại hình cửa hàng, cơ sở hoạt động dịch vụ, hội trường, phòng họp, văn phòng
cho thuê,... Tất cả được bố trí tập trung, liên hoàn trong một hoặc một số công trình kiến trúc
liền kề, đáp ứng các tiêu chuẩn về diện tích kinh doanh, trang bị kỹ thuật và trình độ quản lý, có
các phương thức phục vụ văn minh, thuận tiện đáp ứng nhu cầu phát triển hoạt động kinh doanh
của thương nhân và thỏa mãn nhu cầu về hàng hóa, dịch vụ của khách hàng.
2. Đặt vấn đề
Trong thời gian dịch bệnh COVID-19 diễn biến căng thẳng và phức tạp vừa qua, đa số khi
các tỉnh thành, vùng phát dịch bệnh hầu hết đều có liên quan đến trung tâm thương mại. Cụ thể,
tháng 6 tại tỉnh Bắc Giang có ca bệnh liên quan đến siêu thị BigC hay tại Hà Nội, vào đợt giãn
cách xã hội tháng 8 có chùm ca bệnh liên quan đến hệ thống Vinmart.
Hiện tại, dịch COVID-19 vẫn đang diễn biến khá phức tạp trên cả nước, đặc biệt là khu vực
miền Nam. Trong những ngày qua, các trung tâm thương mại miền Bắc, cụ thể là tại Hà Nội
được phép hoạt động trở lại, tuy nhiên, đây là nơi tiếp nhận lượng khách hàng đông đảo nên khả
năng lây nhiễm dịch bệnh là rất cao. Chính vì vậy, các trung tâm thương mại cần có những biện
pháp phòng chống nghiêm ngặt để tránh rủi ro nhất có thể trong thời điểm dịch bệnh đang bùng
phát ở nước ta. Một biện pháp dễ thực hiện và có khả năng phòng ngừa lây nhiễm chéo cao là
kiểm soát người đeo khẩu trang khi đến trung tâm thương mại. Tuy nhiên, vẫn còn nhiều khách
hàng chưa tự nhận thức được sự nguy hiểm của COVID-19 mang đến cho chính mình và người
xung quanh, vẫn mang tinh thần chủ quan không đeo khẩu trang hoặc đeo một cách đối phó khi
tham gia mua sắm. Từ đó có thể khiến tình hình dịch bệnh diễn biến phức tạp hơn , nhà nước
khó khăn hơn trong việc phòng ngừa, ngăn chặn dịch bệnh lây lan.
3. Bài toán đặt ra
Khi được phép mở cửa trở lại, trung tâm thương mại muốn có một hệ thống giám sát có thể
nhận diện phát hiện những ai đeo khẩu trang, không đeo khẩu trang hoặc đeo sai cách để kịp thời
nhắc nhở, xử lí những trường hợp vi phạm giúp đảm bảo an toàn cho cộng đồng.

Nhóm 16 - 211IS42A05
5

Đánh giá các giải pháp và phương hướng tối ưu:

- Yêu cầu lực lượng an ninh kiểm tra, rà soát người ra vào trung tâm thương mại có đeo
khẩu trang hay không, nếu không hoặc đeo sai cách thì không được phép vào trung tâm
thương mại.
+ Ưu điểm: Theo dõi được khá sát sao ý thức chấp hành đeo khẩu trang của mọi người,
đảm bảo số lượng người ra vào luôn phải đeo khẩu trang. Hạn chế tối đa những trường
hợp thiếu ý thức không đeo khẩu trang khi vào trung tâm thương mại.
+ Nhược điểm: Lực lượng chỉ có thể kiểm tra tại các chốt cửa chính, khúc giao cầu thang,
khó có khả năng rà soát toàn bộ lượng người trong trung tâm thương mại có tháo gỡ khẩu
trang theo cách vô tình hay cố tình trong quá trình mua sắm. Vì vậy, nếu muốn kiểm soát
được mọi người luôn luôn đeo khẩu trang trong trung tâm thương mại thì cần chi phí nhân
công lớn, nguồn lực lượng an ninh đông đảo và phải làm việc rất vất vả.
- Dùng hệ thống loa phát thanh trong trung tâm thương mại để khuyến cáo cũng như nhắc
nhở luôn đeo khẩu trang.
+ Ưu điểm : Không tốn quá nhiều chi phí cũng như nguồn lực để thực hiện.
+ Nhược điểm : Khó có khả năng kiểm soát vì biện pháp này phụ thuộc vào ý thức cá
nhân của mỗi người, không phải ai cũng nghiêm túc chấp hành nên vẫn cần phải có lực
lượng an ninh kiểm tra, rà soát thường xuyên.
- Xây dựng hệ thống AI nhận diện khuôn mặt ai có đeo khẩu trang, không đeo khẩu trang
và đeo khẩu trang sai cách.
+ Ưu điểm: Tiết kiệm nguồn nhân lực, kiểm soát tốt và chặt chẽ những người không đeo
khẩu trang, có thể nhanh chóng và kịp thời nhắc nhở cũng như có các biện pháp xử lý.
+ Nhược điểm: Tốn một khoản chi phí không để tiến hành triển khai, lắp đặt và có thể
xuất hiện những sai số.
 Lựa chọn biện pháp: Xây dựng hệ thống Computer Vision được đặt ở các quầy thu ngân
và cửa ra vào để nhận diện khuôn mặt ai đeo, không đeo hay đeo sai cách trong trung tâm
thương mại.
Biện pháp được lựa chọn do việc sử dụng hệ thống Computer Vision có thể đạt hiệu quả hầu
như tối ưu nhất, có thể khắc phục được các nhược điểm của các biện pháp khác như là tiết kiệm
thời gian và nguồn lực, chi phí bỏ ra một lần có thể lớn nhưng các thiết bị sử dụng có thể dùng
về lâu về dài và chi phí không lớn bằng chi phí thuê nhân công lao động.

Nhóm 16 - 211IS42A05
6

Hình 1: Tỷ lệ không đeo khẩu trang trên các phương tiện vận tải hành khách sau khi áp dụng AI

II. Giới thiệu tổng quan về thuật toán

1. Giới thiệu chung
Trong bài toán này, nhóm thực hiện thuật toán cụ thể thông qua ứng dụng Teachable
Machine. Teachable Machine là một nền tảng sử dụng thư viện mã nguồn mở Tensorflow một
thư viện dành cho máy học trong Javascript do Google phát triển. Đây là một thử nghiệm trực
tuyến miễn phí cho phép mọi người đào tạo mô hình Học sâu ngay trên trình duyệt web để phân
loại hình ảnh, âm thanh và tư thế người trong vài giây mà không cần bất kỳ chuyên môn nào về
lĩnh vực lập trình.
Các mô hình này được sử dụng một kỹ thuật được gọi là học chuyển giao (transfer
learning). Có một mạng nơ-ron được đào tạo trước khi bạn tạo các lớp (class) của riêng mình.
Các lớp tích chập của mô hình được đào tạo trước này rất hiệu quả trong việc trích xuất đối
tượng nên khi bạn thay thế một phần nhỏ của nó dựa trên dữ liệu đã được huấn luyện thì hầu hết
kiến trúc mạng nơ-ron vẫn được giữ lại mà không phải đào tạo lại.

Nhóm 16 - 211IS42A05
7

Hình 2: Transfer learning

Công cụ này có thể được sử dụng với tập dữ liệu hoặc bạn có thể sử dụng máy ảnh, micrô
của máy tính xách tay để ghi lại hình ảnh hoặc mẫu âm thanh và gắn nhãn chúng. Bạn có thể
chọn loại mô hình mà mình muốn xây dựng (các dự án đều giống nhau, điểm khác biệt là đầu
vào) qua các cách:
- Xác định các mẫu trên hình ảnh
- Xác định các mẫu trên âm thanh
- Xác định tư thế hoặc cử chỉ

Nhóm 16 - 211IS42A05
8

2. Cách sử dụng Teachable Machine để huấn luyện mô hình

- Bước 1: Gather
Thu thập và nhóm các ví dụ thành các lớp (class) hoặc danh mục mà bạn muốn máy tính học.
- Bước 2: Train
Đào tạo mô hình của bạn, sau đó kiểm tra ngay để xem liệu nó có thể phân loại chính xác các
ví dụ mới hay không.
- Bước 3: Export
Xuất mô hình cho các dự án như: trang web, ứng dụng... hoặc có thể tải xuống mô hình hay
lưu trữ trực tuyến miễn phí.
3. Teachable Machine được xây dựng như nào?
Teachable Machine được dựa trên một kỹ thuật học sâu phổ biến được gọi là học chuyển
giao (transfer learning). Transfer learning là việc ứng dụng kỹ năng, tri thức mình học được từ
vấn đề này với ứng dụng này sang vấn đề khác với ứng dụng khác có liên quan.

Nhóm 16 - 211IS42A05
9

4. Về số lớp mạng ẩn (Hidden layer)

Hình 3: Mô hình Deep Learning

Nhìn vào hình 3, ta có thể thấy lớp ẩn chính là vùng Hidden Layers được bôi vàng. Các nodes
hình tròn màu xanh nước biển chính là các nơ-ron chứa các giá trị tính toán từ lớp trước. Khi bắt
đầu huấn luyện model, các nơ-ron (hoặc gọi là node) của lớp trước và lớp sau được nối bởi các
mũi tên màu đen, mỗi mũi tên mang 1 giá trị gọi là weights mà sẽ được đưa vào phép tính với
các nodes của lớp trước để ra nodes của lớp sau. Ban đầu giá trị này được gán ngẫu nhiên, trong
quá trình huấn luyện model, chúng sẽ được tinh chỉnh để cho ra kết quả đúng ở lớp đầu ra cuối
cùng (Output Layer) khi thực hiện tính toán tích chập ở các lớp ẩn (Hidden layer).
4.1. Teachable machine có bao nhiêu lớp ẩn?
Như tên gọi của nó, lớp ẩn là thứ đã bị ẩn đi trong quá trình chúng ta train model, chỉ có
những người thực sự viết ra model đó mới có thể biết được có bao nhiêu lớp ẩn. Giao diện
Teachable Machine mà chúng ta sử dụng chỉ là front-end của Google làm ra, không bao hàm bất
kỳ thông tin hay mã nguồn nào về Backend hay AI chạy đằng sau chúng. Bài công bố nghiên
cứu về Teachable machine có tiêu đề là “Teachable Machine: Approachable Web-Based Tool
for Exploring Machine Learning Classification” được công bố vào ngày 25/8/2020 bởi Michelle
Carney và các cộng sự tại Google tại CHI EA '20: Extended Abstracts of the 2020 CHI
Conference on Human Factors in Computing Systems. Tuy nhiên bản proceeding này không
được công khai nên chúng ta không thể tìm được thông tin cụ thể về lớp mạng ẩn này.

Nhóm 16 - 211IS42A05
10

4.2. Cách Teachable Machine phân loại hình ảnh

Để dạy thuật toán nhận diện đối tượng trong hình ảnh, Teachable Machine sử dụng Mạng
nơ-ron tích chập (CNN). CNN là một trong những mô hình Deep Learning tiên tiến giúp cho
chúng ta xây dựng được những hệ thống thông minh với độ chính xác cao.
Trước tiên CNN sẽ tìm đặc trưng của mỗi ảnh: CNN so sánh hình ảnh theo từng mảnh, mỗi mảnh
đó được gọi là feature (đặc trưng). Mỗi feature được coi như một hình ảnh mini, tức là chúng
cũng là những mảng hai chiều nhỏ. Các feature sẽ được khớp với các khía cạnh chung của bức
ảnh nghĩa là feature này sẽ tương ứng với khía cạnh nào đó của bức ảnh và chúng sẽ được khớp
lại với nhau.
Khi xem một hình ảnh mới, CNN sẽ không biết nó ở vị trí nào và các feature khớp với nhau ở
đâu, vì vậy nó thử chúng ở tất cả các vị trí khác nhau.
Trong quá trình đó chúng tạo thành một bộ lọc, gọi là filter. Và để thực hiện điều này, chúng ta
sử dụng phép toán tích chập. Phép tích chập là phép nhân giữa mỗi điểm ảnh trong feature với
giá trị của điểm ảnh tương ứng trong hình ảnh đó.

III. Xây dựng mô hình

Trong chủ đề “Ứng dụng computer vision trong nhận diện khuôn mặt đeo khẩu trang, không
đeo khẩu trang và đeo khẩu trang sai cách trong trung tâm thương mại” mà nhóm đã đưa ra, công
cụ sẽ được “học” thông qua sử dụng dữ liệu hình ảnh. Nhóm đào tạo mô hình bằng cách đưa ra
các file hình ảnh bao gồm: hình ảnh người đeo khẩu trang, hình ảnh người không đeo khẩu trang
và hình ảnh người đeo khẩu trang sai cách đã được thu thập.

1. Chuẩn bị dữ liệu
Hình ảnh được thu thập trên mạng Internet, các nền tảng mạng xã hội để làm dữ liệu Train
và các camera an ninh giám sát chụp ảnh những người đeo khẩu trang, không đeo khẩu trang và
đeo khẩu trang sai cách trong trung tâm thương mại để làm dữ liệu Test.

Bộ dữ liệu: https://bit.ly/datanhom16

2. Triển khai huấn luyện mô hình

• Bước 1: Tải dữ liệu hình ảnh lên Google Driver để chuẩn bị huấn luyện

Nhóm 16 - 211IS42A05
11

Tiến hành tải dữ liệu ảnh tìm kiếm được thành 1 thư mục lớn trong máy tính, trong đó phân
loại thành 2 thư mục chính là Train và Test, mỗi thư mục chính gồm 3 thư mục nhỏ gồm: “Đeo
khẩu trang”, “Không đeo khẩu trang” và “Đeo khẩu trang sai cách”. Mỗi thư mục nhỏ trong thư
mục Train bao gồm từ 500 ảnh. Bên cạnh đó, chuẩn bị thêm 100 ảnh (trong thư mục Test) không
nằm trong bộ dữ liệu huấn luyện để kiểm tra độ chính xác của mô hình.

• Bước 2: Truy cập vào trang web: https://teachablemachine.withgoogle.com/

• Bước 3: Bắt đầu xây dựng mô hình với Teachable Machine
- Đây là giao diện khi bắt đầu. Chọn “Get Started”:

- Có 3 dự án có thể lựa chọn: Image (Hình ảnh), Audio (Âm thanh), Pose (Cử chỉ). Như đã
đề cập ở trên, nhóm sẽ chọn dự án cho máy học sử dụng đầu vào là hình ảnh. Chọn “Image
Project”.

Nhóm 16 - 211IS42A05
12

- Chọn “Upload” để tải tất cả ảnh lần lượt từ 3 thư mục nhỏ đã chuẩn bị trong Google
Drive lần lượt vào 3 Class. Sau đó đổi tên các Class thành “Đeo khẩu trang”, “Không đeo
khẩu trang” và “Đeo khẩu trang sai cách”.
- Phần mục ‘Không đeo khẩu trang’ nhóm đã xuất 500 ảnh, phần mục “Đeo khẩu trang sai
cách” xuất 500 ảnh và “Không đeo khẩu trang” xuất 500 ảnh đã được upload trên Google
Drive.

Nhóm 16 - 211IS42A05
13

- Tiếp theo, chọn “Train Embedded Model” để máy tiến hành học. Sau khi học xong, tại
phần “Preview” chúng ta có thể kiểm tra được độ chính xác của mô hình bằng cách đưa
vào một ảnh hoàn toàn mới để xem máy có phân loại ra đúng Class đã được học không.
Tải ảnh từ thư mục Test đã chuẩn bị hoặc có thể dùng chính Webcam để kiểm tra.

Nhóm 16 - 211IS42A05
14

3. Sử dụng mô hình
Sau khi đã xây dựng và test mô hình trên Teachable Machine, mô hình có thể được xuất ở
một số định dạng sẵn sàng để triển khai trong trình duyệt web (JavaScript), trong TensorFlow
gốc để sử dụng trong các ứng dụng Python hoặc Java và nó thậm chí có thể lượng tử hóa mô
hình để chạy trên điện thoại di động.
Chọn “Export Model”. Tại đây Teachable Machine đã xây dựng một cái model tức là những
dữ liệu đã được huấn luyện sẵn, muốn sử dụng thì sẽ dùng model này. Có thể chọn “Download
my model” để tải xuống đoạn code để sử dụng tuy nhiên sau này để tiện chia sẻ thì chúng ta sẽ
chọn “Copy” sau đó truy cập https://glitch.com/ (Một trang web hỗ trợ hosting, domain,.. giúp
bạn xây dựng web, chia sẻ với mọi người để cùng học hỏi cũng như tham khảo lẫn nhau) đăng
nhập rồi tạo dự án mới.
Dán đoạn code đã copy vào phần body, rồi chọn “Show” tiếp tục chọn “In a new window”
sẽ xuất hiện giao diện test.

Nhóm 16 - 211IS42A05
15

4. Kết quả mô hình

Nhóm đã thực hiện test khoảng 100 hình ảnh thì kết quả dự đoán số ảnh đúng là 75 ảnh còn
lại là ảnh sai dự đoán. Như vậy phần trăm tỉ lệ dự đoán đúng của trang web này là khoảng 75%.

IV. Đánh giá mô hình

1. Ưu điểm
- Tốc độ xử lý hình ảnh nhanh chóng do máy học dữ liệu đã đươc cập nhật trong dataset,
bên cạnh đó có thể thường xuyên bổ sung data để phù hợp với nhu cầu, hoàn cảnh sử
dụng, hoặc có thể tái sử dụng cho những mục đích khác sau này của trung tâm thương
mại.
- Chính vì sử dụng data dễ dàng tìm được và đã thu thập từ trước nên phương pháp này xử
lý khá nhanh chóng và chính xác.
- Ngoài các vật tư phải chuẩn bị như camera với chi phí khá tốn kém nhưng có thể sử dụng
lâu dài thì phương pháp dùng Computer vision cho nhận diện khuôn mặt giúp nhà quản
lý là các trung tâm thương mại tiết kiệm được một khoản chi phí đáng kể.
- Mô hình không chỉ được áp dụng trên máy tính mà còn có thể sử dụng trên điện thoại.

Nhóm 16 - 211IS42A05
16

- Việc thực hiện các thao tác với mô hình khá đơn giản, dễ dàng, đồng thời đây còn là trang
web miễn phí, có thể dùng khi kết nối mạng nên thuận tiện trong việc dạy, triển khai cũng
như giám sát trong quá trình sử dụng.
- Mô hình test trong thời gian ngắn nên có thể nhanh chóng phát hiện các trường hợp đeo
khẩu trang, không đeo khẩu trang hoặc đeo khẩu trang sai cách, từ đó kịp thời phát loa và
nhờ bảo vệ nhắc nhở, đảm bảo giữ an toàn, tuân thủ theo quy định của Nhà nước về phòng
chống dịch trong quá trình mua sắm, vui chơi tại trung tâm thương mại.

2. Hạn chế
- Mô hình có thể sử dụng trên điện thoại nhưng chỉ tương thích trên hệ điều hành Android.
- Thường xuyên xảy ra sai sót trong quá trình thực hiện với một số lý do như:
+ Góc camera bị lệch, khuất hay đặt quá xa;
+ Chất lượng ánh sáng không tốt (quá sáng hoặc quá tối);
+ Các quầy thanh toán quá đông người, đặc biệt vào các dịp lễ, tết khiến mô hình không
bắt được kịp thời để đưa ra kết quả chính xác;
+ Người mua hàng, vui chơi trong trung tâm thương mại mang thêm nhiều phụ kiện khiến
mô hình không nắm bắt được rõ hình ảnh để đưa ra kết luận.
+ Khi dữ liệu Test có nhiều đối tượng mà mỗi đối tượng thuộc một Class khác nhau thì
mô hình hoạt động không hiệu quả.

V. Kết luận
Sau quá trình nghiên cứu và triển khai thực hiện đề tài trên mô hình Teachable Machine,
nhóm rút ra được kết luận như sau: Mô hình chỉ mang tính chất tham khảo, là bước đầu để làm
quen với chủ đề nhận diện khuôn mặt khi đeo khẩu trang, không đeo khẩu trang và đeo khẩu
trang sai cách với Computer Vision. Trong quá trình Train, mô hình đã đạt được độ chính xác
nhất định tuy nhiên chưa đạt được yêu cầu như nhóm mong muốn. Bên cạnh đó, sau khi cập nhật
thêm dữ liệu và Train lại mô hình thì kết quả đưa ra đã có sự thay đổi.

Nhóm 16 - 211IS42A05
17

TÀI LIỆU THAM KHẢO

1. Slide bài giảng chương 6 - Ứng dụng của thị giác máy tính.
2. Nhóm 02 (2021) - Ứng dụng nhận diện khuôn mặt đeo khẩu trang hay không đeo khẩu
trang tại bệnh viện – Báo cáo học phần Trí tuệ nhân tạo trong kinh doanh – Khoa Hệ
thống thông tin quản lý – Học viện Ngân Hàng.
3. Google, "Teachable Machine," [Online]. Available:
https://teachablemachine.withgoogle.com.
4. J. MSV, "Teachable Machine From Google Makes It Easy To Train And Deploy ML
Models," 29 12 2020. [Online]. Available:
https://www.forbes.com/sites/janakirammsv/2020/11/29/teachable-machine-from-
google-makes-it-easy-to-train-and-deploy-ml-models/?sh=4355e7ce64f2.
5. RAX Automation Suite, "Introducing Transfer Learning as Your Next Engine to Drive
Future Innovations," 27 02 2020. [Online]. Available:
https://medium.datadriveninvestor.com/introducing-transfer-learning-as-your-next-
engine-to-drive-future-innovations-5e81a15bb567.
6. Deepomatic, "Introduction to deep learning – AI for dummies," [Online]. Available:
https://deepomatic.com/en/introduction-to-deep-learning-ai-for-dummies-2-4.
7. C. Michelle, W. Barron, A. Irene, P. Kyle and H. Noura, "Teachable Machine:
Approachable Web-Based Tool for Exploring Machine Learning Classification," in CHI
'20: CHI Conference on Human Factors in Computing Systems, Honolulu HI USA,
2020.
8. Google, "Glitch," [Online]. Available: https://glitch.com/
9. https://www.techopedia.com/definition/33264/hidden-layer-neural-networks
10. https://machinelearningmastery.com/transfer-learning-for-deep-learning/
11. https://thigiacmaytinh.com/teachablemachine-cong-cu-huan-luyen-phan-loai-anh/
12. https://www.youtube.com/watch?v=T1pneI_VKIw&ab_channel=Ph%E1%BA%A1mH
uyHo%C3%A0ng
13. https://thigiacmaytinh.com/teachablemachine-cong-cu-huan-luyen-phan-loai-anh/

Nhóm 16 - 211IS42A05
18

14. https://ichi.pro/vi/xay-dung-mo-hinh-hoc-sau-san-sang-de-trien-khai-voi-mot-vai-cu-
nhap-chuot-268723612653587
15. https://tinhte.vn/thread/tu-lam-ra-con-ai-nhan-dien-hinh-anh-khong-can-code-dong-nao-
co-the-tich-hop-vao-app-web-cua-ban.3036532/
16. https://ichi.pro/vi/thiet-ke-va-dao-tao-mo-hinh-hoc-may-cua-ban-voi-may-co-the-day-
huong-dan-co-the-242147795501730
17. https://www.youtube.com/watch?v=sa4qGxQAlqs&fbclid=IwAR2bT4McO8TmKU9Z
dor2gIikxkvyIy9NxFHVIjtK8Qa-m6dMolHB3K-evjg
18. https://dangcongsan.vn/phong-chong-dich-covid-19/hieu-qua-cua-cong-nghe-tri-tue-
nhan-tao-al-trong-canh-bao-khong-deo-khau-trang-tren-xe-khach-584334.html

Nhóm 16 - 211IS42A05