Vehicle Detection

1. Tổng quan dự án (Project Overview)

• Bài toán cốt lõi: Xác định vị trí (Bounding Box) và gán nhãn loại phương tiện từ dữ liệu video/hình ảnh trích xuất từ camera giám sát.

• Đối tượng nhận diện: Gồm 8 nhóm chính thường gặp: Xe máy, xe hơi, xe tải, xe buýt, xe cứu hỏa, xe van, xe đạp và xe container.

• Công nghệ sử dụng: Ngôn ngữ Python, thư viện OpenCV, PyTorch và Framework Ultralytics.

• Mô hình triển khai: Ứng dụng Web sử dụng Flask Framework chạy trên phần cứng Macbook Air M1.

2. Mục tiêu dự án (Project Objectives)

• Nghiên cứu và ứng dụng mô hình YOLOv8n: Đây là phiên bản Nano nhẹ nhất, tối ưu cho các thiết bị có tài nguyên hạn chế nhưng vẫn đảm bảo tốc độ xử lý thời gian thực.

• So sánh hiệu năng: Thực nghiệm đối chứng giữa phương pháp học sâu hiện đại (YOLOv8n) và phương pháp học máy truyền thống (HOG + SVM) để thấy rõ sự tiến hóa của công nghệ thị giác máy tính.

• Hướng tới giao thông thông minh: Cung cấp cơ sở lý thuyết và thực nghiệm cho việc đếm lưu lượng xe, hỗ trợ điều khiển đèn tín hiệu linh hoạt và giám sát các hành vi vi phạm (đi ngược chiều, đỗ sai quy định).

3. Đánh giá kết quả

Phân tích Learning Curves

• Giai đoạn đầu (Epoch 1-40): Đường Validation Loss (nét đứt) luôn duy trì ở mức thấp hơn so với Train Loss (nét liền). Đây là hiện tượng thường gặp trong các mô hình YOLO. Điều này có thể lý giải do kỹ thuật điều chuẩn (Regularization) được áp dụng trong quá trình huấn luyện, nhưng không áp dụng trong quá trình kiểm thử. Hoặc có thể do Training Loss được đo lường trong suốt mỗi epoch, trong khi Validation Loss được đo lường sau mỗi epoch. Điều này ngụ ý rằng các giá trị Training Loss được đo lường sớm hơn nửa epoch so với Validation Loss.

• Giai đoạn cuối (Epoch 41-50): Hai đường bắt đầu giao nhau. Train Loss tiếp tục giảm xuống mức 1.0, trong khi đó Validation Loss có xu hướng đi ngang ở ngưỡng xấp xỉ 1.01.

• Cả hai đường Loss đều giảm rất nhanh trong 5 epochs đầu tiên. Đặc biệt Train Loss giảm mạnh từ mức cao xấp xỉ 3.4 xuống xấp xỉ 1.2, cho thấy mô hình học các đặc trưng phân loại cơ bản rất nhanh.

• Sự ổn định trong các epoch từ 20 trở đi, cả hai đường đều đi vào trạng thái bão hòa (giảm rất chậm). Cuối quá trình huấn luyện tại epoch thứ 50, cả hai chỉ số đều hội tụ về mức thấp khoảng quanh ngưỡng 0.6-0.7.

• Khác với biểu đồ Box Loss, ở biểu đồ này Validation Loss (đường nét đứt) luôn duy trì ở mức thấp đáng kể so với Train Loss (đường nét liền) trong suốt 50 epoch.

Confusion Matrix (Ma trận nhầm lẫn).

• Mô hình thể hiện khả năng định danh đúng của mô hình với các phương tiện có kích thước lớn và hình dáng đặc thù. Cụ thể, lớp xe container đạt độ chính xác tuyệt đối (100%) và xe cứu hỏa là (98%).

• Đối với các nhóm phương tiện phổ thông duy trì độ ổn định tốt: Xe hơi (94%), xe máy (93%), xe tải (90%) và xe buýt (84%).

• Còn đối với xe đạp ghi nhận độ chính xác thấp nhất, chỉ đạt 0.59. Điều này chỉ ra rằng mô hình gặp khó khăn trong việc phân loại các đặc trưng của xe đạp so với nền hoặc các đối tượng khác.

• Có sự nhầm lần giữa lớp xe Van và xe hơi, với 17% mẫu xe van bị nhận nhầm thành xe hơi. Nguyên nhân chủ yếu do sự tương đồng cao về đặc điểm hình học và cấu trúc khung xe.

• Có sự nhầm lẫn giữa xe buýt với các xe khác, đặc biệt là xe buýt bị nhận nhầm thành xe hơi (10%) nhưng con số này cũng ở mức thấp, không ảnh hưởng tới hiệu suất chung.

• Hiện tượng bỏ sót đối tượng xảy ra ở lớp xe đạp, với 27% số lượng xe đạp thực tế bị mô hình gán nhãn là Background (nền).

• Nguyên nhân: Do xe đạp có tiết diện nhỏ khiến mô hình khó mà tách biên đối tượng khỏi nền ảnh phức tạp hoặc bị che khuất bởi một phần.

• Trong các vùng nền (background) cho thấy khi không có vật thể gì, mô hình lại ảo giác nhận diện ra vật thể.

• Trong các vùng nền bị trống, có tới 67% trường hợp mô hình nhận nhầm là xe máy và 25% là xe hơi. Điều này cho thấy mô hình khá là nhạy cảm với đặc điểm của xe máy, dẫn đến việc hệ thống nhận diện cả xe máy ở những nơi không có xe.

• High Recall (Độ nhạy cao): Mô hình thể hiện hiệu suất vượt trội trong việc nhận diện các phương tiện có kích thước lớn và đặc trưng hình học rõ ràng. Cụ thể, độ chính xác đạt mức gần như tuyệt đối đối với xe container (100%), xe cứu hỏa (98%) và rất cao so với xe hơi (94%).

• Thách thức với lớp nhỏ: Đối với các lớp có kích thước nhỏ như xe đạp, mô hình gặp khó khăn trong việc nhận diện đối tượng khi chỉ đạt 59%. Đây là điểm yếu cần khắc phục bằng việc bổ sung dữ liệu hoặc kỹ thuật lấy mẫu (sampling).

• Nhưng mặc dù khả năng nhận diện vật thể tốt, mô hình vẫn gặp các vấn đề như “Dương tính giả” (False Postive). Cụ thể các vùng nền trống không có xe, nhưng mô hình thường xuyên nhận nhầm thành xe máy (67%) và xe hơi (25%). Điều nay cho thấy mô hình đang quá nhạy cảm và cần cải thiện khả năng lọc nhiễu.

• Sự giảm liên tục của Box Loss qua các epoch phản ánh độ chính xác ngày càng

Các Chỉ Số Hiệu Năng (Performance Metrics).

• Hiệu năng tổng thể mạnh mẽ: Giá trị mAP@0.5 đạt 0.87 cho thấy mô hình YOLOv8n có độ tin cây tốt trong bài toán phát hiện phương tiện giao thông, đặc biệt với các lớp phương tiện có kích thước lớn và đặc trưng hình dạng rõ ràng như xe container và xe cứu hỏa.

• Điểm nổi bật của mô hình hiện tại là chỉ số Recall đạt 0.86, cao đáng kể so với Precision. Điều này cho thấy mô hình có xu hướng nhạy cảm với các đặc trưng ảnh, giúp giảm thiểu tối đa rủi ro bỏ sót đối tượng (False Negatives).

• Chỉ số Precision chỉ dừng lại ở mức 0.78 phản ánh một sự đánh đổi. Mô hình chấp nhận đưa ra nhiều dự đoán hơn để đảm bảo độ bao phủ, dẫn đến việc gia tăng tỷ lệ dương tính giả (False Postives).

• Chỉ số F1-Score đạt 0.82 xác nhận rằng dù có sự chênh lệch giữa Precision và Recall, mô hình vẫn duy trì ở mức hiệu suất tốt. Để cải thiện Precision mà không làm giảm Recall, các giải pháp như điều chỉnh ngưỡng Confidence Threshold hoặc lọc dữ liệu nền.