bài tập lớn đề tài nhận diện khuôn mặt đeo khẩu trang bằng bộ dữ liệu covid face mask detection dataset

Tuy nhiên, việc đeo khẩu trang đã tạo ra một thách thức mới đối vớiviệc nhận diện khuôn mặt, một công nghệ quan trọng trong lĩnh vực học máy và trítuệ nhân tạo."Nhận diện khuôn mặt đeo k

BỘ GIÁO DỤC VÀ ĐÀO TẠOTRƯỜNG ĐẠI HỌC ĐẠI NAM

BÀI TẬP LỚNTÊN HỌC PHẦN: HỌC MÁY

ĐỀ TÀI: NHẬN DIỆN KHUÔN MẶT ĐEO KHẨU TRANG BẰNG BỘ DỮ LIỆU COVID FACE MASK DETECTION

Hà Nội, năm 2023

PHIẾU ĐÁNH GIÁ KẾT QUẢ BÀI TẬP LỚN

LỜI NÓI ĐẦU

Trong thời kỳ đầy thách thức của đại dịch toàn cầu, việc đeo khẩu trang đã trởthành một biện pháp hữu hiệu để bảo vệ sức khỏe của chúng ta và ngăn chặn sự lâylan của virus Tuy nhiên, việc đeo khẩu trang đã tạo ra một thách thức mới đối vớiviệc nhận diện khuôn mặt, một công nghệ quan trọng trong lĩnh vực học máy và trítuệ nhân tạo.

"Nhận diện khuôn mặt đeo khẩu trang" - một lĩnh vực nghiên cứu đang thu hútsự quan tâm rộng rãi của các nhà khoa học, các nhà phát triển công nghệ và cả cộngđồng người dùng Tôi sẽ khám phá những thách thức đặt ra bởi việc đeo khẩu trang vànhững tiến bộ mới nhất trong công nghệ nhận diện khuôn mặt để vượt qua nhữngthách thức này.

Trên thực tế, việc nhận diện khuôn mặt đeo khẩu trang không chỉ đơn thuầngiới hạn trong việc nhận biết và phân loại các đặc điểm cơ bản trên khuôn mặt, màcòn đòi hỏi sự hiểu biết về cấu trúc và hình dạng của khẩu trang, cùng với những biếnthể và vị trí khác nhau của nó trên khuôn mặt Điều này đã đẩy mạnh sự phát triển vàứng dụng của các thuật toán và mô hình học máy tiên tiến để nhận diện khuôn mặtđeo khẩu trang một cách chính xác và hiệu quả.

Trong báo cáo này, tôi sẽ trình bày về các phương pháp và thuật toán được sửdụng để nhận diện khuôn mặt đeo khẩu trang, từ các phương pháp truyền thống chođến những tiến bộ mới nhất trong lĩnh vực này Chúng tôi cũng sẽ thảo luận về cácứng dụng thực tế và tiềm năng trong tương lai khi áp dụng công nghệ này, từ việckiểm soát an ninh đến ứng dụng trong y tế và công nghiệp giải trí.

LỜI CẢM ƠN

Lời đầu tiên chúng em gửi lời cảm ơn đến cô Phạm Thị Tố Nga trường Đại HọcĐại Nam đã giúp chúng em thu thập được nhiều kiến thức về học phần “Học máy”.Từ đó chúng em có được hành trang cơ bản để triển khai dự án “Nhận diện khuôn mặtđeo khẩu trang” một cách tốt hơn Trong quá trình triển khai cô đã hỗ trợ thêm nhữngkiến thức mới và bên ngoài một cách ân cần, để chúng em dần hoàn thiện hơn trongdự án Đây là sản phẩm đầu tay tuy có điểm điểm tốt và bên cạnh đó là nhiều điểmchưa tốt, nhưng chúng em đã cố gắng hết sức để tạo ra một sản phẩm tốt cùng sự giúpđỡ của cô Hy vọng sau này cố sẽ đồng hành và giúp đỡ bọn em trong tương lai xahơn nữa.

MỤC LỤC

CHƯƠNG 1: KHÁI QUÁT ĐỀ TÀI 11

1.1 Lý do chọn đề tài 11

1.2 Mục tiêu nghiên cứu 11

1.3 Đối tượng và phạm vi nghiên cứu 12

CHƯƠNG 2: TỔNG QUAN VỀ HỌC MÁY 14

2.1 Học máy là gì? 14

2.2 Lịch sử hình thành Machine Learning 14

2.3 Vì sao Machine learning lại quan trọng 16

2.4 Một số giải pháp của Machine learning 17

2.4.1.Machine learning có giám sát 17

2.4.2.Machine learning không được giám sát 17

2.4.3.Machine learning bán giám sát 17

2.4.4.Machine learning tăng cường 18

CHƯƠNG 3: KHAI PHÁ DỮ LIỆU 19

3.1 Lựa chọn dữ liệu 19

3.2 Bộ dữ liệu COVID Face Mask Detection Dataset 20

3.3 Quá trình thu thập dữ liệu 23

3.4 Ứng dụng của bộ dữ liệu COVID FACE MASK DETECTION DATASET 23

3.4.1 Phát triển các công cụ kiểm tra đeo khẩu trang tự động 23

3.4.2 Hỗ trợ trong việc tuân thủ các biện pháp phòng chống dịch bệnh 24

3.4.3 Nghiên cứu và dự đoán xu hướng đeo khẩu trang 24

3.5 Các thách thức và giải pháp trong việc sử dụng bộ dữ liệu COVID FACE

MASK DETECTION DATASET 25

4.1.1.Giới thiệu vê thuật toán CNN 27

4.1.2 Kiến trúc của thuật toán CNN 31

4.1.3 Quy trình của thuật toán CNN 32

4.1.4 Ưu điểm và nhược điểm của thuật toán CNN 34

MỤC LỤC HÌNH ẢNH

Hình 1 Ví dụ về ảnh đeo khẩu trang 22

Hình 2 Ví dụ về ảnh không đeo khẩu trang 22

Hình 3 Convolutional layer 29

Hình 4 Pooling Layer 30

Hình 5 Kết quả camera không đeo khẩu trang 44

Hình 6 Kết quả camera đeo khẩu trang 44

MỤC LỤC BẢNG

Bảng 1 số lượng hình ảnh trong bộ dữ liệu 21

CHƯƠNG 1: KHÁI QUÁT ĐỀ TÀI1.1 Lý do chọn đề tài

Chọn đề tài "Nhận diện khuôn mặt đeo khẩu trang dựa trên bộ dữ liệu

Face Mask Detection sử dụng CNN " là một quyết định có nhiều lý do quan trọng.

Dù đã qua đại dịch COVID-19, nhưng việc nhận diện khuôn mặt đeo khẩu trang vẫnđóng vai trò quan trọng trong kiểm tra an ninh, kiểm soát truy cập và xác minh danhtính.

Điều quan trọng là ứng dụng của công nghệ này không chỉ giới hạn trong lĩnhvực an ninh Nó có thể được mở rộng và áp dụng trong y tế để kiểm tra sự tuân thủđeo khẩu trang của nhân viên y tế và bệnh nhân Trong giao thông, nó có thể giúp cảithiện an toàn lái xe bằng cách kiểm tra việc sử dụng khẩu trang của tài xế Bên cạnhđó, các tình huống sử dụng khác như kiểm tra đeo khẩu trang trong các sự kiện lớnhay trong lĩnh vực du lịch cũng có thể tận dụng công nghệ nhận diện khuôn mặt này.

CNN(Convolutional Neural Networks), một phương pháp tiên tiến trong nhậndiện hình ảnh, mang lại cơ hội nghiên cứu để phát triển và cải tiến thuật toán Ứngdụng của nó không chỉ giới hạn trong lĩnh vực an ninh mà còn lan rộng sang y tế,giao thông và nhiều lĩnh vực khác Điều này đóng góp vào sự phát triển của trí tuệnhân tạo và giải quyết nhiều vấn đề xã hội.

Nhìn chung, việc chọn đề tài này không chỉ đóng góp cho phát triển trí tuệnhân tạo mà còn giải quyết nhiều vấn đề xã hội quan trọng Công nghệ nhận diệnkhuôn mặt đeo khẩu trang sẽ tiếp tục có ảnh hưởng sâu rộng trong cuộc sống hàngngày và là một ví dụ tiêu biểu về sự kết hợp giữa công nghệ và giải quyết các tháchthức của thế giới hiện đại.

1.2 Mục tiêu nghiên cứu

Mục tiêu chính của nghiên cứu về đề tài "Nhận diện khuôn mặt đeo khẩu trangsử dụng CNN" bao gồm nhiều khía cạnh quan trọng Đầu tiên, nghiên cứu tập trungvào việc phát triển và tối ưu hóa thuật toán nhận diện, sử dụng mạng nơ-ron tích chập(CNN), nhằm đảm bảo khả năng phát hiện khuôn mặt và khẩu trang với tính chínhxác cao.

Mục tiêu tiếp theo là nâng cao tính chính xác của hệ thống nhận diện trong cáctình huống thực tế Điều này bao gồm việc đối mặt với các biến thể về ánh sáng, gócchụp, và môi trường Nghiên cứu sẽ tập trung vào việc đảm bảo rằng hệ thống có thểnhận biết khuôn mặt đeo khẩu trang trong mọi tình huống.

Tiếp theo, mục tiêu là áp dụng công nghệ này vào các tình huống thực tế, nhưhệ thống kiểm soát truy cập tại cơ sở hạ tầng quan trọng và các hệ thống an ninh sânbay Đây là cách để đảm bảo an toàn và quản lý sự kiện lớn trong tương lai.

Mục tiêu khác của nghiên cứu là cải thiện hiệu suất hệ thống để hoạt độngtrong thời gian thực, đáp ứng nhu cầu của các ứng dụng yêu cầu xử lý hình ảnh nhanhchóng và hiệu quả Công việc này đòi hỏi cải tiến cả về phần cứng và phần mềm.Cùng với đó, bảo mật và quyền riêng tư cũng là một khía cạnh quan trọng Nghiêncứu phải đảm bảo rằng thông tin cá nhân được bảo vệ và tuân thủ các quy định vềquyền riêng tư của người dùng Ngoài ra, nghiên cứu cũng hướng đến việc mở rộngáp dụng công nghệ nhận diện khuôn mặt đeo khẩu trang sang nhiều lĩnh vực khácnhau như giao thông, y tế, quản lý sự kiện lớn và trong các tình huống khẩn cấp.

Cuối cùng, mục tiêu là đánh giá hiệu quả của hệ thống nhận diện, đảm bảorằng nó hoạt động chính xác và đáng tin cậy thông qua các thử nghiệm và so sánh vớicác phương pháp khác Tổng cộng, nghiên cứu này hứa hẹn đóng góp vào việc cảithiện an ninh, quản lý truy cập và giải quyết nhiều vấn đề xã hội quan trọng trongtương lai.

1.3 Đối tượng và phạm vi nghiên cứu

Việc đeo khẩu trang cũng gây ra một thách thức cho các ứng dụng nhận diệnkhuôn mặt, khi mà phần lớn các đặc trưng của khuôn mặt bị che khuất Do đó, nghiêncứu về nhận diện khuôn mặt đeo khẩu trang là một vấn đề hấp dẫn và có ý nghĩa thựctiễn.

Phạm vi nghiên cứu bao gồm việc xây dựng và huấn luyện các mô hình họcsâu, cụ thể là các mạng nơ-ron tích chập (CNN), để phân loại khuôn mặt có đeo khẩutrang hay không dựa trên bộ dữ liệu Face Mask Detection Bộ dữ liệu này gồm 853hình ảnh khuôn mặt được chia thành ba lớp: có đeo khẩu trang, không đeo khẩu trangvà đeo khẩu trang không đúng cách.

Mục tiêu nghiên cứu là tìm ra mô hình CNN tốt nhất để giải quyết bài toánnhận diện khuôn mặt đeo khẩu trang, với tiêu chí là độ chính xác cao nhất và thời gianhuấn luyện thấp nhất Kết quả nghiên cứu có thể ứng dụng trong các lĩnh vực liênquan đến an ninh, y tế và giáo dục, nhằm kiểm soát việc tuân thủ quy định đeo khẩutrang của người dân trong thời kỳ đại dịch.

CHƯƠNG 2: TỔNG QUAN VỀ HỌC MÁY2.1 Học máy là gì?

Học máy (Machine Learning - ML) đóng vai trò quan trọng trong cuộc cáchmạng công nghiệp 4.0, nơi dữ liệu trở thành tài nguyên quan trọng như dầu mỏ vàvàng Mục tiêu chính của học máy là tạo ra các mô hình và thuật toán cho phép máytính học hỏi từ dữ liệu, tìm ra các mẫu và quy luật ẩn sau đó, và sử dụng những hiểubiết này để thực hiện các nhiệm vụ một cách tự động mà không cần phải được lậptrình một cách cụ thể.

Các ứng dụng của học máy là vô cùng đa dạng và lan rộng đến mọi lĩnh vựccủa cuộc sống Trong lĩnh vực y tế, học máy có thể phân loại dữ liệu chẩn đoán và đềxuất phương pháp điều trị hiệu quả Trong ngành công nghiệp, nó giúp tối ưu hóa quytrình sản xuất, dự đoán thị trường, và quản lý chuỗi cung ứng Trong lĩnh vực tàichính, học máy được áp dụng để dự đoán xu hướng thị trường, quản lý rủi ro, và xácđịnh các cơ hội đầu tư.

Việc sử dụng học máy mang lại nhiều lợi ích cho doanh nghiệp Bằng cáchphân tích và hiểu sâu vào dữ liệu, doanh nghiệp có thể ra quyết định chiến lược, tốiưu hóa sản phẩm và dịch vụ, cải thiện trải nghiệm khách hàng, và tăng tính hiệu quảcủa quy trình kinh doanh Điều này dẫn đến tăng trưởng doanh thu, cải thiện lợinhuận, và gia tăng cạnh tranh trên thị trường.

Tóm lại, học máy không chỉ đơn thuần là một công nghệ mới mà còn là một cơhội lớn để cải thiện hiệu suất và định hình tương lai của nhiều lĩnh vực xã hội và kinhtế.

2.2 Lịch sử hình thành Machine Learning

Lịch sử hình thành Machine Learning (ML) trải dài suốt nhiều thập kỷ và bắtđầu từ những ý tưởng ban đầu về trí tuệ nhân tạo Dưới đây là một tóm tắt về lịch sửphát triển của Machine Learning:

- Thập kỷ 1950-1960: Đầu nguồn và lý thuyết đầu tiên

Trong giai đoạn này, nhà khoa học đã đưa ra các ý tưởng đầu tiên về máy tínhcó khả năng "học" từ dữ liệu Alan Turing đã đóng góp với ý tưởng về "máy Turing"và ý tưởng về "học máy" đã được đề xuất.

- Thập kỷ 1960-1970: Học máy và thống kê

Frank Rosenblatt phát triển một mô hình gọi là Perceptron, một mô hình họcmáy đầu tiên được áp dụng rộng rãi Tuy nhiên, Perceptron chỉ có thể giải quyết cácvấn đề tuyến tính.

Ý tưởng về học máy được nối lại với thống kê và dần dần trở thành một phầncủa lĩnh vực thống kê.

- Thập kỷ 1980-1990: Sự phổ biến của mạng nơ-ron và tiến bộ công nghệ

Mạng nơ-ron nhiều lớp (Multilayer Neural Networks) đã trở nên phổ biến vàđược nghiên cứu sâu hơn Tuy nhiên, vào cuối thập kỷ 1980, mạng nơ-ron đã gặp khókhăn trong việc huấn luyện vì vấn đề biến mất đạo hàm (vanishing gradients).

Quy trình lan truyền ngược (Backpropagation) đã được phát triển và giúp giảiquyết vấn đề huấn luyện mạng nơ-ron.

- Thập kỷ 1990-2000: Sự lên ngôi của Machine Learning

Machine Learning trở thành một lĩnh vực riêng biệt với nhiều thuật toán và kỹthuật mới Các thuật toán như Support Vector Machines (SVMs) và Decision Treesđã trở nên phổ biến.

Các ứng dụng thực tế trong xử lý ngôn ngữ tự nhiên và thị giác máy tính bắtđầu nổi lên.

- Từ năm 2000 đến nay: Thịnh hành của Deep Learning và Big Data

Deep Learning, một dạng đặc biệt của Machine Learning, đã đạt được sự phổbiến lớn Với sự gia tăng đáng kể về dữ liệu và sức mạnh tính toán, các mô hình sâuđã mang lại hiệu suất đột phá trong nhiều lĩnh vực như nhận diện hình ảnh, xử lýngôn ngữ tự nhiên và tự động lái xe.

Big Data đã tạo ra một nền tảng quan trọng cho Machine Learning, vì khốilượng lớn dữ liệu mới tạo ra cơ hội để huấn luyện và cải thiện các mô hình học máy.

Từ lịch sử phát triển này, học máy đã trở thành một lĩnh vực quan trọng và tiếnbộ, mang lại nhiều cơ hội và thách thức đối với xã hội và công nghiệp hiện đại.

2.3 Vì sao Machine learning lại quan trọng

Học máy là một lĩnh vực quan trọng trong khoa học dữ liệu Nó tập trung vàoviệc xử lý dữ liệu và thuật toán để bắt chước cách mà con người học Thông qua việcsử dụng các phương pháp thống kê và thuật toán, học máy được huấn luyện để đưa racác phân loại, dự đoán và khám phá những tri thức mới trong các dự án khai phá dữliệu Những tri thức này sẽ tác động đến những quyết định trong các ứng dụng và cácdoanh nghiệp Học máy mang lại cái nhìn trực quan về hành vi của khách hàng vàcác mô hình hoạt động kinh doanh Chúng giúp doanh nghiệp xác định những xuhướng trong tương lai và đưa ra quyết định nhanh chóng hơn Ngoài ra, học máy cònhỗ trợ sự phát triển của các sản phẩm mới

Tầm quan trọng của học máy ngày càng được chú ý và tăng lên bởi vì nó giúpgia tăng dung lượng lưu trữ các loại dữ liệu sẵn, việc xử lý tính toán có chi phí thấp vàhiệu quả hơn rất nhiều Các insights lấy từ nguồn dữ liệu giúp tổ chức hay vận hànhhoạt động một cách hiệu quả hơn, thậm chí tạo ra một số lợi thế cạnh tranh tốt hơn sovới đối thủ

2.4 Một số giải pháp của Machine learning

Machine learning là giải pháp được ứng dụng thông qua các loại thuật toán đểphân tích và dự đoán Dựa trên những thuật toán này, Machine learning được chia làmbốn loại: Machine learning được giám sát, Machine learning không được giám sát,Machine learning bán giám sát và Machine learning tăng cường.

2.4.1.Machine learning có giám sát

Mô hình học có giám sát là mô hình học trên dữ liệu có dãn nhãn, tức là mụctiêu của bài toán machine learning cần học đã được gán nhãn sẵn trong dữ liệu huấnluyện Dữ liệu đầu vào của quá trình học bao gồm cả vector đầu vào chứa các thuộctính của dữ liệu lẫn giá trị đầu ra mục tiêu (gọi là nhãn của dữ liệu) Nói cách khácSupervised learning cho phép dự đoán đầu ra (outcome) của một dữ liệu mới dựa trêncác cặp (đầu vào, đầu ra) đã biết từ trước thu được từ bộ dữ liệu huấn luyện.

2.4.2.Machine learning không được giám sát

Học không giám sát là một lớp mô hình học sử dụng một thuật toán để mô tảhoặc trích xuất ra các mối quan hệ tiềm ẩn trong dữ liệu Khác với học có giám sát,học không giám sát chỉ thực thi trên dữ liệu đầu vào không cần các thuộc tính nhãn,hoặc mục tiêu của việc học Tức là không hề được cung cấp trước một kiến thức nàotrước trừ dữ liệu Các dữ liệu không được "hướng dẫn" trước như trong trường hợphọc có giám sát Các thuật toán cần học được từ dữ liệu mà không hề có bất cứ sựhướng dẫn nào.

2.4.3.Machine learning bán giám sát

Machine learning bán giám sát là phương pháp học tập kết hợp giữa học cógiám sát và học không giám sát Học có giám sát là khi máy tính được huấn luyện vớicác dữ liệu có nhãn, tức là có câu trả lời chính xác cho mỗi ví dụ Học không giám sátlà khi máy tính được huấn luyện với các dữ liệu không có nhãn, tức là không có câutrả lời chính xác cho bất kỳ ví dụ nào Machine learning bán giám sát sử dụng mộtphần dữ liệu có nhãn và một phần dữ liệu không có nhãn để học hỏi các mẫu ẩn trong

dữ liệu Phương pháp này được sử dụng khi việc gán nhãn cho toàn bộ dữ liệu là quátốn kém hoặc khó khăn.

2.4.4.Machine learning tăng cường

Machine learning tăng cường là phương pháp học tập dựa trên sự tương tác vớimôi trường Máy tính được gọi là tác nhân, thực hiện các hành động để đạt được mộtmục tiêu nhất định, ví dụ như lái xe hoặc chơi trò chơi với đối thủ Tác nhân khôngbiết trước kết quả của các hành động, mà phải học hỏi từ kinh nghiệm thông qua việcnhận được các phần thưởng hoặc trừng phạt từ môi trường Phương pháp này được sửdụng để đào tạo máy tính hoàn thành một quy trình gồm nhiều bước, mà không cần códữ liệu huấn luyện hay chỉ dẫn từ con người.

CHƯƠNG 3: KHAI PHÁ DỮ LIỆU

3.1 Lựa chọn dữ liệu

Nhận dạng khuôn mặt đeo khẩu trang là một chủ đề liên quan đến việc sử dụngtrí tuệ nhân tạo để phát hiện khuôn mặt của con người có đeo khẩu trang hay không.Đây là một ứng dụng có ý nghĩa trong bối cảnh đại dịch COVID-19 đã qua và cácdịch bệnh có thể xảy ra trong tương lai, khi mà việc đeo khẩu trang là một biện phápphòng ngừa quan trọng Có nhiều cách để thực hiện Nhận dạng khuôn mặt đeo khẩutrang, nhưng phổ biến nhất là sử dụng các mô hình học sâu (deep learning) để huấnluyện một bộ phân loại ảnh có thể nhận diện khuôn mặt và phân biệt các trường hợpcó đeo khẩu trang, không đeo khẩu trang hoặc đeo khẩu trang không đúng cách Mộtsố ví dụ về các dự án nhận dạng khuôn mặt đeo khẩu trang :

- COVID COVID Face Mask Detection Dataset Dataset| Kaggle: Một tập dữ liệugồm 1006 ảnh thuộc 2 lớp (có đeo khẩu trang, không đeo khẩu trang) Bộ dữliệu này được sử dụng để phát hiện việc đeo khẩu trang trong hình ảnh khuônmặt Bộ dữ liệu này có thể được sử dụng để huấn luyện các mô hình học máyđể phát hiện việc đeo khẩu trang trong hình ảnh khuôn mặt.

- COVID-19: Face Mask Detector with OpenCV, Keras/TensorFlow, and DeepLearning - PyImageSearch: Một bài viết hướng dẫn chi tiết cách xây dựng mộtứng dụng COVID Face Mask Detection Dataset với OpenCV,Keras/TensorFlow và Deep Learning Bài viết này giới thiệu cách tạo tập dữliệu từ các ảnh khuôn mặt đã có sẵn, huấn luyện một mô hình MobileNetV2 đểphân loại khuôn mặt có đeo khẩu trang hay không, và áp dụng mô hình này vàocác ảnh tĩnh và video trực tuyến.

- Covid-19 COVID Face Mask Detection Dataset Using TensorFlow, Keras andOpenCV: Một bài báo khoa học giới thiệu một phương pháp đơn giản để thực

hiện COVID Face Mask Detection Dataset bằng cách sử dụng các thư viện máyhọc phổ biến như TensorFlow, Keras, OpenCV và Scikit-Learn Phương phápnày sử dụng thuật toán Haar Cascade để phát hiện khuôn mặt từ ảnh, sau đó sửdụng một mạng nơ-ron tích chập (CNN) để phân loại khuôn mặt có đeo khẩutrang hay không.

- Real-time COVID Face Mask Detection Dataset with OpenCV - ProjectGurukul: Một bài viết giới thiệu cơ bản về khái niệm và cách thức của COVIDFace Mask Detection Dataset với OpenCV Bài viết này cũng cung cấp mãnguồn Python để thực hiện COVID Face Mask Detection Dataset trên videotrực tuyến bằng cách sử dụng mô hình MobileNetV2 đã được huấn luyện sẵn.- COVID Face Mask Detection Dataset COVID Face Mask Detection Dataset is

a project based: Một bài viết giới thiệu về dự án COVID Face Mask DetectionDataset của tác giả, bao gồm các bước để xây dựng và triển khai dự án Tác giảsử dụng Convolutional Neural Network (CNN) hoặc các mô hình đã được huấnluyện sẵn như VGG16, ResNet50, InceptionV3 để phát hiện khuôn mặt có đeokhẩu trang hay không Tác giả cũng chia sẻ kết quả và nhận xét của dự án.

- Bộ dữ liệu: COVID Face Mask Detection Dataset- Nguồn dữ liệu : Kaggle

- Kích thước : 1006 ảnh với 2 lớp (with mask, non mask), Bộ dữ liệu cung cấp mộtloạt các hình ảnh được chụp từ nhiều góc độ và điều kiện ánh sáng khác nhau Điềunày giúp tạo ra một tập dữ liệu đa dạng, phong phú và phản ánh thực tế về việc đeo vàkhông đeo khẩu trang Tỷ lệ người đeo khẩu trang và không đeo khẩu trang là tươngđối cân bằng, đảm bảo tính đa dạng của bộ dữ liệu, cho phép các mô hình và thuậttoán có thể học được từ nhiều trường hợp khác nhau và đưa ra kết quả chính xác.

- Kiểu dữ liệu: Bao gồm các file png, jpg và jpeg

Bảng 1 số lượng hình ảnh trong bộ dữ liệu

Có thể thấy rằng bộ dữ liệu này có sự cân bằng khá tốt giữa các lớp có đeokhẩu trang và không đeo khẩu trang, nhưng có ít hình ảnh về lớp đeo khẩu trang saicách Điều này có thể ảnh hưởng đến hiệu suất của các mô hình học sâu khi phát hiệnkhuôn mặt có đeo khẩu trang hay không.

Ví dụ về hình ảnh trong tập dữ liệu:

Hình 1 Ví dụ về ảnh đeo khẩu trang