Professional Documents
Culture Documents
Nhóm 16 Bài Báo Cáo TTNTTKD Is42a05
Nhóm 16 Bài Báo Cáo TTNTTKD Is42a05
1
2
MỤC LỤC
Giáo viên hướng dẫn: Vũ Trọng Sinh ..........................................Error! Bookmark not defined.
Nhóm 16 - 211IS42A05
3
Nhóm 16 - 211IS42A05
4
NỘI DUNG
Nhóm 16 - 211IS42A05
5
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
Nhóm 16 - 211IS42A05
7
Nhóm 16 - 211IS42A05
8
- 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
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
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
• 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.
- 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
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
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