Thiết Kế Mô Hình Mạng CNN Ứng Dụng Trong Nhận Dạng Độ Tuổi Và Giới Tính

Khám phá thiết kế mô hình mạng CNN ứng dụng trong nhận dạng độ tuổi và giới tính, mở ra tiềm năng trong công nghệ nhận diện hình ảnh.

• Tác giả: Nguyễn Thị Hồng Gấm
• Người hướng dẫn: PGS.TS Trương Ngọc Sơn
• Trường học: Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh
• Chuyên ngành: Công Nghệ Kỹ Thuật Điện Tử - Viễn Thông
• Đề tài: Thiết Kế Mô Hình Mạng CNN Ứng Dụng Trong Nhận Dạng Độ Tuổi Và Giới Tính
• Loại tài liệu: Đồ Án Tốt Nghiệp
• Năm xuất bản: 2022
• Địa điểm: Thành phố Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• LỜI CAM ĐOAN
• NHIỆM VỤ ĐỒ ÁN TỐT NGHIỆP
• PHIẾU NHẬN XÉT CỦA GIÁO VIÊN HƯỚNG DẪN
• PHIẾU NHẬN XÉT CỦA GIÁO VIÊN PHẢN BIỆN
• DANH MỤC BẢNG BIỂU
• DANH MỤC HÌNH ẢNH
• DANH MỤC TỪ VIẾT TẮT
• TÓM TẮT
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. MỤC TIÊU ĐỀ TÀI
• 1.2. GIỚI HẠN ĐỀ TÀI
• 1.3. PHƯƠNG PHÁP NGHIÊN CỨU
• 1.4. ĐỐI TƯỢNG VÀ PHẠM VI NGHIÊN CỨU
• 1.5. BỐ CỤC QUYỂN BÁO CÁO
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. GIỚI THIỆU MẠNG NƠ-RON TÍCH CHẬP
• 2.2. Tổng quan về mạng nơ-ron tích chập
• 2.3. Điểm đặc trưng của mạng nơ-ron tích chập
• 2.4. CẤU TRÚC MẠNG NƠ-RON TÍCH CHẬP
• 2.4.1. Lớp tích chập (Convolution layer)
• 2.4.2. Lớp kết nối đầy đủ (Fully Connected Layer)
• 2.5. KIẾN TRÚC MẠNG VGG
• 2.5.1. Tổng quan về mạng VGG
• 2.5.2. Kiến trúc của mạng VGG16
• 2.6. BỘ CƠ SỞ DỮ LIỆU (DATASET)
• 3. CHƯƠNG 3: THIẾT KẾ MÔ HÌNH PHÂN LOẠI ĐỘ TUỔI VÀ GIỚI TÍNH
• 3.1. XỬ LÝ BỘ CƠ SỞ DỮ LIỆU (DATASET)
• 3.1.1. Sắp xếp và phân chia tập dữ liệu
• 3.1.2. Phân tích tập dữ liệu
• 3.2. TỔNG QUAN QUY TRÌNH THỰC HIỆN
• 3.2.1. Sơ lược về quy trình thực hiện. Phương pháp thực hiện
• 3.3. PHÂN TÍCH KIẾN TRÚC MÔ HÌNH XỬ LÝ
• 3.3.1. Mô hình phát hiện khuôn mặt (Face detection). Kiến trúc mô hình xử lý dùng mạng VGG16
• 3.3.2. Phương pháp cho từng nhiệm vụ phân loại
• 3.3.2.1. Phân loại giới tính
• 3.3.2.2. Phân loại độ tuổi
• 3.3.3. Thuật toán được sử dụng trong mô hình
• 4. CHƯƠNG 4: KẾT QUẢ VÀ ĐÁNH GIÁ
• 4.1. KẾT QUẢ XÂY DỰNG MÔ HÌNH
• 4.1.1. KẾT QUẢ HUẤN LUYỆN MÔ HÌNH
• 4.1.1.1. Kết quả huấn luyện
• 4.1.1.2. Ma trận nhầm lẫn (confusion matrix)
• 4.1.2. KẾT QUẢ THỰC NGHIỆM
• 4.1.2.1. Kết quả nhận dạng khuôn mặt ở điều kiện bình thường
• 4.1.2.2. Kết quả nhận dạng khuôn mặt ở điều kiện không tốt
• 4.1.2.3. Kết quả tổng quan
• 5. CHƯƠNG 5: KẾT LUẬN VÀ PHƯƠNG HƯỚNG PHÁT TRIỂN
• 5.1. Đối với kết quả phân loại độ tuổi
• 5.2. Đối với kết quả phân loại giới tính
• 5.3. Kết quả nhận dạng trực tiếp độ tuổi và giới tính thông qua webcam
• 5.4. PHƯƠNG HƯỚNG PHÁT TRIỂN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về thiết kế mô hình CNN nhận dạng độ tuổi và giới tính

Mô hình mạng nơ-ron tích chập (CNN) đã trở thành một công cụ mạnh mẽ trong việc nhận dạng khuôn mặt, độ tuổi và giới tính. Việc áp dụng CNN trong lĩnh vực này không chỉ giúp cải thiện độ chính xác mà còn tiết kiệm thời gian xử lý. Nghiên cứu này sẽ đi sâu vào cách thức hoạt động của CNN và ứng dụng của nó trong nhận dạng độ tuổi và giới tính.

1.1. Mô hình CNN và vai trò trong nhận dạng khuôn mặt

Mô hình CNN được thiết kế để xử lý hình ảnh, giúp nhận diện các đặc trưng quan trọng trên khuôn mặt. Việc sử dụng CNN cho phép phân tích sâu hơn về các yếu tố như độ tuổi và giới tính từ hình ảnh đầu vào.

1.2. Lịch sử phát triển của CNN trong nhận dạng

Từ những năm 1990, CNN đã được nghiên cứu và phát triển để nhận diện khuôn mặt. Các nghiên cứu gần đây đã chứng minh rằng CNN có thể cải thiện đáng kể độ chính xác trong việc phân loại độ tuổi và giới tính.

II. Thách thức trong nhận dạng độ tuổi và giới tính bằng CNN

Mặc dù CNN đã đạt được nhiều thành công, nhưng vẫn còn nhiều thách thức trong việc nhận dạng độ tuổi và giới tính. Các yếu tố như ánh sáng, góc chụp và chất lượng hình ảnh có thể ảnh hưởng đến độ chính xác của mô hình.

2.1. Ảnh hưởng của điều kiện ánh sáng đến độ chính xác

Điều kiện ánh sáng không đồng đều có thể làm giảm khả năng nhận diện của mô hình. Việc cải thiện chất lượng hình ảnh đầu vào là rất quan trọng để nâng cao độ chính xác.

2.2. Khó khăn trong việc phân loại độ tuổi

Phân loại độ tuổi là một nhiệm vụ phức tạp do sự đa dạng trong hình dáng khuôn mặt. Các nhóm tuổi gần nhau có thể có đặc điểm tương tự, gây khó khăn cho mô hình trong việc phân loại chính xác.

III. Phương pháp thiết kế mô hình CNN cho nhận dạng độ tuổi và giới tính

Để thiết kế một mô hình CNN hiệu quả, cần phải lựa chọn kiến trúc phù hợp và tối ưu hóa các tham số. Việc sử dụng kiến trúc VGG16 là một trong những lựa chọn phổ biến trong nghiên cứu này.

3.1. Kiến trúc VGG16 và ứng dụng trong mô hình

Kiến trúc VGG16 với nhiều lớp tích chập giúp mô hình học được các đặc trưng phức tạp từ hình ảnh. Việc áp dụng VGG16 trong nhận dạng độ tuổi và giới tính đã cho thấy kết quả khả quan.

3.2. Tối ưu hóa mô hình để nâng cao độ chính xác

Các phương pháp tối ưu hóa như điều chỉnh số lớp và tham số học giúp cải thiện độ chính xác của mô hình. Việc thử nghiệm với các tham số khác nhau là cần thiết để đạt được kết quả tốt nhất.

IV. Ứng dụng thực tiễn của mô hình CNN trong nhận dạng độ tuổi và giới tính

Mô hình CNN không chỉ có giá trị trong nghiên cứu mà còn có nhiều ứng dụng thực tiễn. Việc nhận dạng độ tuổi và giới tính có thể được áp dụng trong nhiều lĩnh vực như thương mại điện tử và quảng cáo.

4.1. Ứng dụng trong thương mại điện tử

Việc nhận dạng độ tuổi và giới tính giúp các trang web thương mại điện tử gợi ý sản phẩm phù hợp với từng đối tượng khách hàng, từ đó nâng cao trải nghiệm mua sắm.

4.2. Ứng dụng trong quảng cáo

Các công ty có thể sử dụng mô hình CNN để phân tích đối tượng mục tiêu và tối ưu hóa chiến dịch quảng cáo dựa trên độ tuổi và giới tính của khách hàng.

V. Kết luận và tương lai của mô hình CNN trong nhận dạng

Mô hình CNN đã chứng minh được hiệu quả trong việc nhận dạng độ tuổi và giới tính. Tương lai của nghiên cứu này hứa hẹn sẽ mang lại nhiều cải tiến và ứng dụng mới trong lĩnh vực công nghệ.

5.1. Đánh giá hiệu suất mô hình

Đánh giá hiệu suất của mô hình là bước quan trọng để xác định khả năng nhận diện chính xác. Các chỉ số như độ chính xác, độ nhạy và độ đặc hiệu cần được xem xét.

5.2. Hướng phát triển trong tương lai

Nghiên cứu có thể mở rộng để cải thiện độ chính xác và khả năng nhận diện trong các điều kiện khác nhau. Việc tích hợp thêm dữ liệu và cải tiến thuật toán sẽ là những hướng đi tiềm năng.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Trong sự phát triển của cuộc Cách mạng công nghiệp 4.0, Trí tuệ nhân tạo (AI), Học máy (Machine Learning) và Học sâu (Deep Learning) đã trở thành các công cụ chủ đạo trong lĩnh vực Thị giác máy tính (Computer Vision). Việc phát hiện khuôn mặt và nhận diện các thuộc tính sinh trắc học như độ tuổi và giới tính đóng vai trò nền tảng trong nhiều ứng dụng thực tiễn, từ phân loại khách hàng tự động trong thương mại, truyền thông đến các hệ thống gợi ý sản phẩm cá nhân hóa trên các nền tảng thương mại điện tử.

Mặc dù bài toán nhận dạng giới tính và ước tính độ tuổi đã được nghiên cứu từ sớm (Cattrel & Matcalfe năm 1990 với mô hình Holo trên 160 ảnh; Kwon & Lobo năm 1994 phân loại 3 nhóm tuổi; Gil Levi & Tal Hassncer năm 2015 ứng dụng mạng nơ-ron tích chập CNN trên tập dữ liệu Adience), các nghiên cứu trước đây vẫn tồn tại một số hạn chế:

• Các bài toán nhận dạng độ tuổi và giới tính thường được thực hiện riêng biệt, thiếu sự tích hợp đồng thời trong một hệ thống thời gian thực.
• Các tập dữ liệu công khai hiện có phân chia các nhóm tuổi rời rạc, có khoảng cách gián đoạn giữa các nhóm (chẳng hạn như: 0–2, 4–6, 8–13, 15–20, 25–32, 38–43, 48–53, 60–100), khiến những độ tuổi nằm ngoài khoảng không thể nhận dạng.
• Dữ liệu khuôn mặt trong các bộ dữ liệu quốc tế chủ yếu tập trung vào người phương Tây, thiếu hụt khuôn mặt người châu Á, đồng thời tỷ lệ giới tính và độ tuổi thường bị mất cân bằng.

Đề tài "Thiết kế mô hình mạng CNN ứng dụng trong nhận dạng độ tuổi và giới tính" do sinh viên Nguyễn Thị Hồng Gấm và Lê Thị Quỳnh Nhi thực hiện (ngành Công nghệ Kỹ thuật Điện tử - Viễn thông, Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh, dưới sự hướng dẫn của PGS.TS Trương Ngọc Sơn, bảo vệ tháng 07/2022) nhằm giải quyết các bất cập trên.

Mục tiêu và nhiệm vụ nghiên cứu của đề tài gồm 5 nội dung:

1. Nghiên cứu, tìm hiểu kiến trúc mạng nơ-ron tích chập trong mô hình phân loại độ tuổi và giới tính.
2. Xây dựng một bộ dữ liệu mới gồm 18.000 hình ảnh có số lượng ảnh cân bằng giữa các độ tuổi và cân bằng tỷ lệ giới tính nam - nữ, đồng thời nâng cao tỷ lệ khuôn mặt người châu Á.
3. Triển khai mô hình đa nhiệm vụ nhận diện đồng thời giới tính (2 lớp: nam, nữ) và độ tuổi (8 nhóm tuổi liên tiếp: 1–9, 10–19, 20–29, 30–39, 40–49, 50–59, 60–69, 70+).
4. Thiết kế mô hình mạng CNN dựa trên kiến trúc VGG16 bằng kỹ thuật học chuyển tiếp (Transfer Learning / Fine-tuning), tùy chỉnh các lớp kết nối đầy đủ và tham số huấn luyện để tối ưu độ chính xác.
5. Triển khai nhận dạng thời gian thực từ luồng video webcam máy tính và hiển thị trực quan kết quả dự đoán trên giao diện web.

Đối tượng và phạm vi nghiên cứu:

• Đối tượng nghiên cứu: Mạng nơ-ron tích chập (CNN), kiến trúc VGG16, mô hình phát hiện khuôn mặt YuNet (yunet.onnx), các tập dữ liệu UTKFace, VN-celeb và dữ liệu thu thập từ Internet.
• Phạm vi nghiên cứu: Đề tài tập trung xử lý các khuôn mặt được chụp cận mặt, trực diện, trong điều kiện đủ ánh sáng ban ngày; huấn luyện mô hình phân loại nhị phân cho giới tính và phân loại đa lớp cho 8 khoảng tuổi.

---

Cơ sở lý thuyết và phương pháp

Khung lý thuyết và mô hình sử dụng

• Mạng nơ-ron tích chập (CNN): Sử dụng các lớp tích chập (Convolution layer) với các bộ lọc (filter/kernel) kích thước 3x3 để rút trích đặc trưng không gian (cạnh, góc, hình khối, mắt, mũi, miệng), lớp gộp Max Pooling kích thước 2x2 (bước trượt stride = 2) để giảm chiều dữ liệu và kiểm soát hiện tượng quá khớp (overfitting), cùng các lớp kết nối đầy đủ (Fully Connected - Dense) để phân lớp.
• Hàm kích hoạt: Áp dụng hàm phi tuyến ReLU ($f(x) = \max(0, x)$) tại các lớp tích chập và lớp ẩn; hàm Sigmoid tại tầng xuất cho bài toán nhị phân giới tính; hàm Softmax cho bài toán phân loại đa lớp độ tuổi nhằm tạo phân phối xác suất ngõ ra.
• Kiến trúc VGG16: Cấu trúc gồm 13 lớp tích chập phân bố trong 5 khối (Block 1 đến Block 5) và các lớp kết nối đầy đủ. Mạng nhận đầu vào kích thước $224 \times 224 \times 3$, tận dụng trọng số huấn luyện sẵn từ tập dữ liệu ImageNet (Pretrained weights).
• Mô hình phát hiện khuôn mặt YuNet: Mô hình trích xuất từ OpenCV Zoo (yunet.onnx), hoạt động dựa trên việc định vị 5 điểm mốc khuôn mặt (2 mắt, 1 mũi, 2 khóe miệng) để tạo khung bao (bounding box).

Phương pháp nghiên cứu

• Học chuyển tiếp (Transfer Learning & Fine-tuning): Giữ lại toàn bộ các khối tích chập trích xuất đặc trưng của VGG16 (đóng băng/kế thừa trọng số ImageNet) và thay thế phần phân loại (Fully Connected) bằng các lớp Dense tùy chỉnh (128 nơ-ron, kèm Dropout) để huấn luyện lại trên tập dữ liệu mới.
• Kỹ thuật gán nhãn và hàm mất mát:
  • Phân loại giới tính: Sử dụng hàm mất mát Binary Cross-Entropy kết hợp hàm kích hoạt Sigmoid: $$L_{giới_tính} = -\frac{1}{C}\sum_{i=1}^{C} y_i \log(1 - \hat{y}_i)$$ (với $C = 2$).
  • Phân loại độ tuổi: Áp dụng mã hóa One-hot encoding chuyển 8 nhóm tuổi thành vector 8 chiều, kết hợp hàm mất mát Categorical Cross-Entropy và hàm kích hoạt Softmax: $$L_{tuổi} = -\frac{1}{C}\sum_{i=1}^{C} y_i \log(\hat{y}_i)$$ (với $C = 8$).
• Thuật toán tối ưu hóa: Sử dụng thuật toán Adam với tốc độ học $\alpha = 0.0001$, số chu kỳ huấn luyện (epochs) là 100 và kích thước lô (batch size) là 8.
• Môi trường thực thi: Huấn luyện trên nền tảng đám mây Google Colaboratory (GPU Tesla K80 tốc độ 2.20 GHz, 13 GB RAM), lưu trọng số mô hình dưới định dạng .h5.

Nguồn và xử lý dữ liệu

Bộ dữ liệu gồm 18.000 ảnh khuôn mặt chuẩn hóa kích thước $224 \times 224$ pixel (định dạng JPG), đặt tên theo quy ước cấu trúc: [Tuổi]_[Giới tính]_[Chủng tộc]_[STT] (trong đó: Giới tính gồm 0: nam, 1: nữ; Chủng tộc gồm 1: châu Á/Đông Á/Đông Nam Á, 0: các châu lục khác).

Dữ liệu được tổng hợp từ ba nguồn chính:

1. Tập UTKFace: Chiếm khoảng 40% tổng dữ liệu (chứa ảnh đa dạng chủng tộc, được gán nhãn tuổi bằng thuật toán DEX kết hợp kiểm định thủ công).
2. Tập VN-celeb: Chiếm khoảng 30% tổng dữ liệu (ảnh khuôn mặt người nổi tiếng Việt Nam).
3. Nguồn trực tuyến (Google Image, Getty Images, Dreamstime): Chiếm khoảng 30% tổng dữ liệu.

Tất cả ảnh thu thập đều trải qua quá trình lọc bỏ nhiễu: loại bỏ ảnh mờ, ảnh góc nghiêng quá lớn, ảnh không rõ nét các bộ phận mắt, mũi, miệng hoặc ảnh không xác định rõ giới tính; cắt bỏ phần thân và hậu cảnh để tập trung vào khuôn mặt.

Chủng tộc	Số lượng ảnh	Tỷ lệ (%)
Châu Á	10.080	56%
Các châu lục khác	7.920	44%
Tổng cộng	18.000	100%

---

Nội dung chính theo từng chương

Chương 1: Tổng quan

Chương 1 thiết lập nền tảng và tính cấp thiết của đề tài. Tác giả tổng hợp các mốc nghiên cứu tiêu biểu về nhận dạng thuộc tính khuôn mặt, chỉ ra những khoảng trống nghiên cứu trong nước và quốc tế như việc phân chia khoảng tuổi bị ngắt quãng và sự mất cân bằng về nhân khẩu học trong các bộ dữ liệu mẫu. Chương này xác định rõ mục tiêu xây dựng hệ thống phân loại song song giới tính và 8 nhóm tuổi liên tiếp theo thời gian thực, giới hạn phạm vi trong điều kiện ảnh chụp trực diện, đủ sáng, đồng thời vạch ra phương pháp nghiên cứu và cấu trúc 5 chương của đồ án.

Chương 2: Cơ sở lý thuyết

Chương 2 trình bày chi tiết cơ sở toán học và cấu trúc của mạng nơ-ron tích chập (CNN). Tác giả phân tích chi tiết chức năng của từng thành phần: lớp tích chập (bộ lọc kernel, bước trượt stride, kỹ thuật chèn viền padding dạng valid và same, feature map), các hàm kích hoạt phi tuyến (Sigmoid, Tanh, ReLU), và các cơ chế pooling (Max Pooling, Average Pooling). Tiếp theo, cấu trúc kinh điển của VGG16 được phân tích với 13 lớp Conv (kernel 3x3) cùng hơn 138 triệu tham số gốc. Phần cuối chương phân tích đặc tính của các bộ dữ liệu UTKFace, VN-celeb và các nguồn ảnh trực tuyến, làm rõ quy trình sàng lọc và tiền xử lý dữ liệu.

Chương 3: Thiết kế mô hình phân loại độ tuổi và giới tính

Chương 3 mô tả toàn bộ quy trình kỹ thuật xây dựng hệ thống. Tác giả trình bày phương pháp tổ chức và phân chia tập dữ liệu 18.000 ảnh:

• Dữ liệu độ tuổi: Chia thành 8 nhóm tuổi liên tiếp: (1–9) gồm 2.160 ảnh; các nhóm (10–19), (20–29), (30–39), (40–49), (50–59), (60–69) mỗi nhóm 2.400 ảnh (mỗi độ tuổi đơn lẻ có 240 ảnh); nhóm (70+) gồm 1.440 ảnh.
• Dữ liệu giới tính: 9.000 ảnh nam và 9.000 ảnh nữ (tỷ lệ 1:1).
• Phân chia huấn luyện: 80% cho tập huấn luyện (Training set: 14.400 ảnh) và 20% cho tập kiểm thử (Validation set: 3.600 ảnh).

Chương này đi sâu vào kiến trúc xử lý: sử dụng YuNet thông qua cv2.create() với score_threshold = 0.9 để phát hiện khuôn mặt; thiết kế kiến trúc Fine-tuning trên VGG16; thiết lập hàm mất mát Binary Cross-Entropy (cho giới tính) và Categorical Cross-Entropy (cho độ tuổi); xây dựng thuật toán cập nhật trọng số Adam.

Chương 4: Kết quả và đánh giá

Chương 4 công bố kết quả thực nghiệm mô hình sau 100 epochs trên Google Colab. Tác giả phân tích bảng tham số mạng, các đồ thị biến thiên độ chính xác (accuracy) và độ mất mát (loss), cùng ma trận nhầm lẫn (Confusion Matrix) trên 3.600 mẫu kiểm thử. Chương này cũng trình bày các đánh giá định tính qua các trường hợp nhận dạng thực tế từ camera ở các nhóm tuổi và giới tính khác nhau trong các điều kiện bình thường và môi trường ánh sáng không tối ưu.

Chương 5: Kết luận và phương hướng phát triển

Chương 5 tổng kết mức độ hoàn thành nhiệm vụ nghiên cứu: mô hình đã nhận dạng ổn định giới tính và độ tuổi trên luồng webcam và web Streamlit. Tác giả nêu rõ các hạn chế còn tồn đọng và đề xuất các hướng nâng cấp mô hình trong tương lai.

---

Thiết kế và triển khai hệ thống

Hệ thống nhận dạng được thiết kế theo quy trình xử lý luồng liên tục qua 4 khối chức năng chính:

[Dữ liệu ngõ vào: Webcam] 
  --> [Khối phát hiện khuôn mặt: OpenCV YuNet (yunet.onnx)] 
  --> [Khối tiền xử lý: Chuẩn hóa 224x224x3] 
  --> [Khối trích xuất & Phân loại: VGG16 tùy biến] 
  --> [Giao diện hiển thị: Streamlit Web UI]

1. Kiến trúc mô hình chi tiết

Mô hình giữ nguyên 5 khối tích chập của mạng VGG16 để trích xuất đặc trưng không gian, sau đó kết nối với lớp làm phẳng (Flatten) và cấu trúc phân loại tùy biến. Bảng thông số chi tiết của hai mô hình được tổng hợp như sau:

Tên lớp (Layer)	Kiểu lớp (Type)	Kích thước ngõ ra (Output Shape)	Số lượng tham số (Parameters)
input_1	InputLayer	(None, 224, 224, 3)	0
block1_conv1 & conv2	Conv2D (64 filters, 3x3)	(None, 224, 224, 64)	1.792 + 36.928
block1_pool	MaxPooling2D (2x2, s=2)	(None, 112, 112, 64)	0
block2_conv1 & conv2	Conv2D (128 filters, 3x3)	(None, 112, 112, 128)	73.856 + 147.584
block2_pool	MaxPooling2D (2x2, s=2)	(None, 56, 56, 128)	0
block3_conv1, 2, 3	Conv2D (256 filters, 3x3)	(None, 56, 56, 256)	295.168 + 590.080 + 590.080
block3_pool	MaxPooling2D (2x2, s=2)	(None, 28, 28, 256)	0
block4_conv1, 2, 3	Conv2D (512 filters, 3x3)	(None, 28, 28, 512)	1.180.160 + 2.359.808 + 2.359.808
block4_pool	MaxPooling2D (2x2, s=2)	(None, 14, 14, 512)	0
block5_conv1, 2, 3	Conv2D (512 filters, 3x3)	(None, 14, 14, 512)	2.359.808 + 2.359.808 + 2.359.808
block5_pool	MaxPooling2D (2x2, s=2)	(None, 7, 7, 512)	0
flatten	Flatten	(None, 25088)	0
dense	Dense (ReLU)	(None, 128)	3.211.392
dropout	Dropout	(None, 128)	0
dense_1 (Giới tính)	Dense (Sigmoid)	(None, 1)	129
dense_1 (Độ tuổi)	Dense (Softmax)	(None, 8)	1.032

• Mô hình phân loại giới tính:
  • Tổng số tham số: 17.926.209
  • Tham số có thể huấn luyện (Trainable params): 3.211.521
  • Tham số không huấn luyện (Non-trainable params): 14.714.688
• Mô hình phân loại độ tuổi:
  • Tổng số tham số: 17.927.112
  • Tham số có thể huấn luyện (Trainable params): 3.212.424
  • Tham số không huấn luyện (Non-trainable params): 14.714.688

2. Triển khai ứng dụng và phát hiện thời gian thực

• Khối phát hiện khuôn mặt tải trọng số yunet.onnx thông qua hàm cv2.create(), áp dụng ngưỡng score_threshold = 0.9 và ngưỡng lọc chồng lặp NMS từ 0.3 đến 0.4 nhằm định vị chính xác vùng mặt dựa trên 5 điểm mốc giải phẫu.
• Vùng ảnh khuôn mặt được trích xuất, định dạng lại về chuẩn $224 \times 224 \times 3$, sau đó chuyển vào 2 mô hình VGG16 đã huấn luyện sẵn.
• Ứng dụng web được xây dựng bằng framework Streamlit, thực hiện kết nối webcam thời gian thực, vẽ khung chữ nhật bao quanh khuôn mặt và hiển thị đồng thời nhãn dự đoán giới tính cùng nhóm tuổi trên màn hình.

---

Kết quả và đóng góp

Kết quả định lượng

Mô hình phân loại giới tính đạt độ chính xác trên tập huấn luyện xấp xỉ 98% (loss dưới 10%, xấp xỉ 5%) và trên tập kiểm thử (validation set) đạt xấp xỉ 94% (loss nhỏ nhất đạt 20%).

Đánh giá chi tiết trên tập kiểm thử gồm 3.600 mẫu (tỷ lệ 20% trích xuất từ 18.000 ảnh) thông qua ma trận nhầm lẫn:

Nhãn thực tế \ Nhãn dự đoán	Nam (Predicted Male)	Nữ (Predicted Female)	Tổng thực tế
Nam (Actual Male)	1.676 (True Male - TM)	121 (False Female - FF)	1.797
Nữ (Actual Female)	107 (False Male - FM)	1.696 (True Female - TF)	1.803
Tổng dự đoán	1.783	1.817	3.600

Độ chính xác tổng thể (Accuracy) của mô hình phân loại giới tính trên tập kiểm thử được tính toán theo công thức: $$\text{Accuracy} = \frac{TM + TF}{TM + FM + TF + FF} = \frac{1.676 + 1.696}{3.600} = \frac{3.372}{3.600} \approx 93{,}67% \ (\approx 94%)$$

Đóng góp của đề tài

1. Xây dựng bộ dữ liệu cân bằng: Thu thập và chuẩn hóa thành công tập dữ liệu 18.000 ảnh khuôn mặt với tỷ lệ giới tính cân bằng (50% nam, 50% nữ), tỷ lệ số lượng ảnh ở từng độ tuổi đồng đều và nâng tỷ lệ khuôn mặt người châu Á lên 56% (10.080 ảnh), khắc phục độ lệch nhân khẩu học của các bộ dữ liệu quốc tế.
2. Khắc phục tính gián đoạn khoảng tuổi: Đề xuất phân chia 8 nhóm tuổi liên tục từ 1 đến trên 70 tuổi (thay vì các khoảng cách quãng), cho phép mô hình nhận dạng được khuôn mặt ở mọi lứa tuổi.
3. Hiện thực hóa hệ thống ứng dụng: Tích hợp thành công mô hình phát hiện khuôn mặt nhẹ YuNet cùng mô hình Fine-tuning VGG16 vào một ứng dụng web hoàn chỉnh bằng Streamlit, có khả năng phân loại đồng thời tuổi và giới tính theo thời gian thực từ webcam.

---

Hạn chế và hướng nghiên cứu tiếp

Hạn chế được ghi nhận

• Điều kiện dữ liệu đầu vào: Mô hình chỉ đạt hiệu quả cao với ảnh chụp cận cảnh, góc chụp trực diện và đủ ánh sáng ban ngày. Khi góc mặt nghiêng lớn hoặc điều kiện ánh sáng yếu/phức tạp, độ chính xác bị suy giảm.
• Tập kiểm thử ngẫu nhiên: Quá trình trích xuất ngẫu nhiên 20% tập dữ liệu làm tập validation dẫn đến số lượng mẫu nam (1.797) và nữ (1.803) trong tập kiểm thử chưa hoàn toàn cân bằng tuyệt đối.
• Hạ tầng phần cứng: Việc huấn luyện phụ thuộc vào gói tài nguyên miễn phí của Google Colab (giới hạn thời gian phiên làm việc và cấu hình GPU K80).

Hướng nghiên cứu tiếp

• Mở rộng tập dữ liệu với các trường hợp khuôn mặt ở góc nghiêng, biểu cảm đa dạng và điều kiện ánh sáng phức tạp hoặc ban đêm.
• Nghiên cứu tối ưu hóa kiến trúc mạng để giảm số lượng tham số, tăng tốc độ xử lý khung hình trên giây (FPS) phục vụ triển khai trên các thiết bị nhúng và thiết bị biên.

---

Giá trị tham khảo

Báo cáo đồ án là tài liệu tham khảo hữu ích cho:

• Sinh viên và học viên ngành Kỹ thuật Điện tử - Viễn thông, Công nghệ Thông tin, Khoa học Dữ liệu: Tham khảo quy trình xây dựng bài toán nhận dạng thuộc tính khuôn mặt từ khâu thu thập, làm sạch, cân bằng dữ liệu đến thiết kế mạng CNN.
• Người nghiên cứu về Thị giác máy tính: Cung cấp giải pháp mẫu về việc kết hợp mô hình phát hiện khuôn mặt YuNet (yunet.onnx) và mô hình phân loại sâu VGG16 theo phương pháp Fine-tuning.
• Phát triển ứng dụng thực tế: Tham khảo phương thức đóng gói mô hình học máy thành ứng dụng web thời gian thực tương tác với camera thông qua framework Streamlit.

---

Câu hỏi thường gặp

1. Đề tài đã giải quyết vấn đề thiên lệch dữ liệu của các bộ dữ liệu khuôn mặt công khai như thế nào?

Nhóm tác giả đã tổng hợp một bộ dữ liệu mới gồm 18.000 ảnh từ UTKFace (40%), VN-celeb (30%) và các nguồn Internet (30%). Trong đó, số lượng ảnh người châu Á chiếm 56% (10.080 ảnh), số lượng ảnh giữa các độ tuổi được cân bằng (240 ảnh cho mỗi độ tuổi đơn lẻ) và tỷ lệ giới tính đạt 50% nam - 50% nữ (9.000 ảnh mỗi giới tính).

2. Cấu trúc mạng VGG16 nguyên bản đã được điều chỉnh như thế nào trong đồ án?

Nhóm tác giả giữ lại 5 khối tích chập trích xuất đặc trưng của VGG16 (kế thừa trọng số từ ImageNet), loại bỏ 3 lớp kết nối đầy đủ nguyên bản (4096-4096-1000) và thay thế bằng: lớp Flatten ngõ ra 25.088, lớp Dense 128 nơ-ron (hàm ReLU), lớp Dropout (128), và lớp Dense ngõ ra (1 nơ-ron với Sigmoid cho phân loại giới tính; 8 nơ-ron với Softmax cho phân loại độ tuổi).

3. Mô hình phát hiện khuôn mặt YuNet được cấu hình với các thông số nào?

Mô hình YuNet (yunet.onnx) được tích hợp qua OpenCV (cv2.create()), sử dụng 5 điểm mốc khuôn mặt (2 mắt, 1 mũi, 2 khóe miệng) để xác định vị trí mặt với ngưỡng tin cậy phát hiện score_threshold = 0.9 và ngưỡng loại bỏ khung bao chồng lặp NMS trong khoảng 0.3 đến 0.4.

4. Kết quả định lượng của mô hình phân loại giới tính trên tập kiểm thử đạt mức nào?

Trên tập kiểm thử gồm 3.600 ảnh, mô hình đạt độ chính xác xấp xỉ 94% (chính xác 93,67%), với 1.676 mẫu nam dự đoán đúng (True Male), 1.696 mẫu nữ dự đoán đúng (True Female), 121 mẫu nam bị nhầm thành nữ và 107 mẫu nữ bị nhầm thành nam.

5. Mô hình được huấn luyện với các siêu tham số và môi trường phần cứng nào?

Mô hình được huấn luyện trong 100 epochs với kích thước lô batch size là 8, sử dụng thuật toán tối ưu Adam với tốc độ học $\alpha = 0.0001$. Quá trình huấn luyện thực hiện trên Google Colaboratory sử dụng GPU Tesla K80 (2.20 GHz, 13 GB RAM).

---

Kết luận

Đồ án tốt nghiệp "Thiết kế mô hình mạng CNN ứng dụng trong nhận dạng độ tuổi và giới tính" đã hoàn thành các mục tiêu đề ra về việc xây dựng bộ dữ liệu chuẩn hóa 18.000 ảnh cân bằng nhân khẩu học và tối ưu hóa kiến trúc VGG16 cho bài toán phân loại đa nhiệm vụ. Hệ thống đạt độ chính xác thực nghiệm xấp xỉ 94% đối với phân loại giới tính và phân loại hiệu quả 8 nhóm tuổi liên tiếp. Công trình đã tích hợp thành công mô hình phát hiện khuôn mặt YuNet và mô hình phân loại nơ-ron sâu vào giao diện web Streamlit để nhận dạng thời gian thực qua webcam, tạo cơ sở ứng dụng thực tiễn trong các hệ thống tương tác và thương mại thông minh.

Trích đoạn nội dung tài liệu

Chương 1 GIỚI THIỆU: giới thiệu chung về đề tài, mục tiêu nghiên cứu, giới hạn đề tài, phương pháp nghiên cứu, đối tượng và phạm vi nghiên cứu. - Chương 2 CƠ SỞ LÝ THUYẾT: giới thiệu tổng quan về mạng nơ-ron tích chập, kiến trúc mạng nơ-ron tích chập. Lý thuyết về kiến trúc mạng VGG16 và quá trình thu thập ảnh để làm bộ cơ sở dữ liệu. - Chương 3 THIẾT KẾ MÔ HÌNH PHÂN LOẠI ĐỘ TUỔI VÀ GIỚI TÍNH: trình bày chi tiết cách sắp xếp, phân chia số lượng hình ảnh trong tập dữ liệu.

Đưa ra tổng quan quá trình xử lý của mô hình, các khối trong mô hình. Phân tích kiến trúc mạng được dùng để huấn luyện. - Chương 4 KẾT QUẢ: chương này trình bày kết quả sau khi huấn luyện mô hình và kết quả nhận dạng độ tuổi và giới tính dựa trên khuôn mặt trong điều kiện thực tế. - Chương 5 KẾT LUẬN VÀ PHƯƠNG HƯỚNG PHÁT TRIỂN: rút ra các kết luận về kết quả sau khi huấn luyện mô hình cũng như kết quả thực nghiệm.

Đề ra hướng phát triển cho đề tài. 3 CHƯƠNG 2: CƠ SỞ LÝ THUYẾT 2. GIỚI THIỆU MẠNG NƠ-RON TÍCH CHẬP 2. Tổng quan về mạng nơ-ron tích chập Thuật ngữ Học sâu (DL) hay cụ thể hơn là mạng nơ-ron sâu (DNN) dùng để chỉ mạng thần kinh nhân tạo (ANN) với nhiều lớp ẩn [6].

Những năm qua, Học sâu đã được biết đến là một trong những phương pháp phổ biến và mạnh mẽ nhất trong việc mô phỏng lại chức năng, cách thức hoạt động phức tạp của não bộ con người. Và mạng nơ-ron tích chập (CNN) là một trong những mạng nơ-ron sâu được biết đến rộng rãi nhất, hay nó có tên gọi khác là ConvNet. Năm 1998, mạng CNN được giới thiệu bởi nhóm Yann LeCun, Bottou, Bengio và Haffner [7] thông qua mô hình nhận dạng chữ số viết tay sử dụng kiến trúc mạng LeNet-5. CNN đã dần trở nên nổi tiếng hơn khi nó được áp dụng vào kiến trúc Alexnet và đạt giải nhất trong cuộc thi ImageNet (ILSVRC).

Tên của mô hình mạng này được đặt dựa trên một phép tính dùng trong mạng, phép tính này ảnh hưởng rất nhiều đến mô hình nhận dạng và tạo ra sự khác biệt to lớn đó là phép tính tích chập. CNN đã có những kết quả đột phá trong thập kỷ qua trong hầu hết các lĩnh vực liên quan đến nhận dạng mẫu, xử lý giọng nói… không chỉ dừng lại ở việc nhận dạng và phân loại hình ảnh mà độ chính xác của CNN còn cao hơn, thậm chí tốt hơn con người trong một số trường hợp [8]. Chẳng hạn như khi được sử dụng trong Thị giác máy tính, xử lý tập cơ sở dữ liệu hình ảnh lớn nhất (ImageNet) [6] kết quả đạt được rất đáng kinh ngạc. Mô hình mạng nơ-ron tích chập ngày càng phát triển và mở rộng, được ứng dụng vào các hệ thống xử lý hình ảnh lớn của Google, Amazon hay Facebook.

với nhiều mục đích sử dụng khác nhau. Ví dụ như chức năng tự động nhận dạng khuôn mặt khi ảnh được đăng tải lên Facebook, hay khi nhập một từ khóa bất kì lên Google thì trong mục Hình ảnh (Image) sẽ hiện lên rất nhiều ảnh liên quan đến từ khóa đó. Bên cạnh đó còn có nhiều ứng dụng khác như FaceID ở các điện thoại thông minh, công nghệ phát hiện ra đối tượng trong hình ảnh rồi làm sắc nét các đặc trưng của chúng sau khi phóng to của Lightroom… 2. Điểm đặc trưng của mạng nơ-ron tích chập CNN được tạo thành bởi các nơ-ron mang trọng số (weight) và sai số hay còn gọi là độ lệch (bias).

Mỗi nơ-ron được nhận một số dữ liệu ở đầu vào, sau đó thực hiện hàng loạt các phép tính nhân chập và chọn một hàm truyền phù hợp để đưa ra dự đoán. Ở mạng nơ-ron nhân tạo truyền thống, liên kết đầy đủ giữa tất cả các nơ-ron 4 với nhau gây ra sự dư thừa do các điểm ảnh về cơ bản chỉ chủ yếu bị ảnh hưởng với nhau hay với những điểm ảnh xung quanh nó mà không phụ thuộc nhiều đến các điểm ảnh nằm cách xa khác. Ngoài ra mạng nơ-ron truyền thống còn bị giới hạn bởi kích thước ảnh, khi ảnh có kích thước càng lớn thì số lượng liên kết càng cao dẫn đến sự bùng nổ về khối lượng tính toán [8]. Mạng nơ-ron tích chập ra đời với kiến trúc được thay đổi, nó chỉ xây dựng các liên kết đến những nơ-ron cần thiết trong một vùng nhỏ và sau khi trích xuất đặc trưng thì dữ liệu sẽ được làm phẳng thành véc-tơ của giá trị xác suất.

Khía cạnh có lợi nhất của nó là giảm số lượng tham số (parameters) trong ANN [6]. Ngoài ra, việc áp dụng kiến trúc mạng CNN cho phép chúng ta xây dựng những mô hình với độ chính xác cao bằng cách sử dụng nhiều lớp xử lý có cấu trúc phức tạp hoá. Từ đó thúc đẩy và phát triển những nghiên cứu tiếp cận tới các mô hình lớn để giải quyết được các nhiệm vụ phức tạp – điều mà ANN cổ điển không có khả năng thực hiện được. Điểm nổi bật của CNN so với các phương pháp khác trong Học máy truyền thống chính là độ lớn của tập dữ liệu dùng để huấn luyện.

Mặc dù, phương pháp truyền thống cũng có thể phân loại và gán nhãn, tuy nhiên vẫn còn giới hạn về kích thước tập dữ liệu. Nhưng CNN đã giải quyết được vấn đề này khi huấn luyện với số lượng dữ liệu rất lớn và còn có thể đạt được độ chính xác cao. Bên cạnh đó, điểm chung của các kiến trúc mạng nơ-ron tích chập là kích thước (chiều rộng, chiều cao) của các lớp giảm dần, song song đó thì độ sâu cũng sẽ tăng dần. Khi kích thước của ma trận giảm thì số lượng tham số cũng sẽ giảm đáng kể trong khi độ chính xác của mô hình không bị giảm nhiều.

Số bộ lọc tăng làm tăng độ sâu giúp mạng CNN học được đa dạng và có thể phân biệt được nhiều chi tiết đặc trưng hơn. CẤU TRÚC MẠNG NƠ-RON TÍCH CHẬP Trong mạng nơ-ron tích chập, dữ liệu ảnh đầu vào sẽ được chuyển thành ma trận pixel (với mỗi pixel có giá trị thay đổi từ 0 đến 255) ứng với kích thước [w x h x d], trong đó w là chiều rộng (width), h là chiều cao (height), d là độ sâu (dimension) hay đơn giản là số kênh màu của ảnh đầu vào. Nếu ảnh là màu xám thì chỉ có một kênh màu, còn đối với ảnh màu sẽ có 3 kênh màu là Red, Green và Blue (RGB). Ý tưởng chung của mô hình mạng CNN là nó thực hiện quá trình trích lọc hình ảnh đầu vào trước khi được đưa vào huấn luyện (training) [9].

Quá trình này bao gồm các lớp ẩn (hidden) dùng để rút trích các đặc trưng có trong ảnh, sau đó tiến hành tính toán thông qua các lớp tích chập (Conv) và lớp Pooling. Giả sử ảnh đầu vào là khuôn mặt của một người thì phần này sẽ nhận diện mắt, mũi, miệng… từ đó có thể phát hiện ra được khuôn mặt trên hình. Phần tiếp theo là phân lớp, ở đây ta dùng một số 5 lớp kết nối đầy đủ để kết nối tất cả nơ-ron lại với nhau và xử lý kết quả của phần tích chập.1 Cấu trúc mạng nơ-ron tích chập [9] Như thể hiện ở Hình 2.1 thì một mô hình CNN cơ bản bao gồm những lớp sau: lớp tích chập (convolution layer), lớp gộp (pooling layer), lớp kết nối đầy đủ (fully connected layer). Tuỳ vào số lượng và cách sắp xếp các lớp sẽ xây dựng được những mô hình khác nhau cũng như phù hợp với đặc điểm của từng bài toán.

Lớp tích chập (Convolution layer) Lớp tích chập hay còn gọi là lớp ẩn (hidden layer) được dùng với mục đích là làm giảm kích thước hình ảnh để dễ xử lý mà vẫn giữ được các đặc trưng của dữ liệu (ảnh) ngõ vào. Trong đó, đặc trưng ảnh chính là những chi tiết như cạnh (ngang, chéo…), hình khối, hình tròn, hay phức tạp hơn như mắt, mũi, miệng, hình dạng khuôn mặt, con vật, xe, đèn giao thông. Chúng ta sẽ dùng các bộ lọc để giữ lại những chi tiết quan trọng của bức ảnh, có nhiều bộ lọc được sử dụng phố biến như bộ lọc đường chéo, cạnh, góc, hình vuông, hình tròn… [9]. Ở các lớp (layers) đầu tiên, phép tích chập chỉ thực hiện công việc đơn giản là tìm biên ảnh, các lớp tiếp theo sẽ có nhiệm vụ trích xuất tiếp các đặc trưng khác có trong ảnh.

Trong số rất nhiều điểm trên ảnh đầu vào nó sẽ lấy ra những điểm nổi bật nhất và tập hợp lại để làm hiện lên đặc trưng của đối tượng trong hình. Lớp tích chập chính là lớp quan trọng nhất và cũng là điểm làm cho CNN trở nên khác biệt hơn so với các mô hình mạng khác. Một ví dụ cho lớp tích chập được biểu diễn ở Hình 2.2 bên dưới, ảnh ngõ vào với kích thước là 6x6x3 (6 hàng, 6 cột và 3 kênh màu) sử dụng bộ lọc 3x3x3 sau đó dùng phép tích chập để tính toán và cho ra một giá trị duy nhất. Ngõ ra của lớp tích chập sau khi được tính toán (ở ví dụ này đầu ra có kích thước 4x4) là một tập mang các giá trị đặc trưng của hình ảnh đầu vào hay còn gọi là features map.2 Ví dụ về phép tích chập với hình ảnh đầu vào (6x6x3) và bộ lọc (3x3x3) [10] Một số thuật ngữ được đề cập trong lớp tích chập bao gồm: Kernel, Filter hay Feature detector đều là tên gọi của các bộ lọc (ma trận lọc).

Đây là một ma trận hệ số có giá trị 0 và 1. Tại mỗi vị trí có filter sẽ thực hiện phép toán tính tổng các tích giữa mỗi phần tử trong filter và phần tử đầu vào tương ứng. Stride (bước trượt): chính là khoảng cách mà bộ lọc di chuyển mỗi lần dịch. Ví dụ chúng ta cho stride = 1 thì sau khi tính toán xong tại một vùng ảnh, bộ lọc sẽ được dịch sang phải 1 pixel, cho đến khi dịch hết một hàng sẽ tiếp tục dịch xuống dưới một đơn vị và lặp lại cho đến khi bộ lọc dịch hết ảnh như Hình 2.3 Ví dụ khi bước trượt (stride) bằng 1 Padding (đệm): là phương pháp thêm giá trị 0 ở ngoài viền của ảnh ngõ vào (thêm cột 0 và hàng 0 vào ma trận input).

Được chia thành 2 loại là: valid và same. Valid chính là không dùng padding, ta sẽ sử dụng bộ lọc trực tiếp lên ngõ vào. Same sẽ thêm padding, làm cho ngõ ra có cùng kích thước với ngõ vào. Để rõ hơn ta xét một ảnh vào có kích thước là 5x5, bộ lọc 3x3, stride = 1.