Xây Dựng Hệ Thống Điều Khiển Thiết Bị Trong Nhà Bằng Nhận Diện Cử Chỉ Tay Sử Dụng Mô Hình YOLOv8

Đồ án nghiên cứu tốt nghiệp xây dựng hệ thống điều khiển thiết bị trong nhà bằng nhận diện cử chỉ tay sử dụng mô, áp dụng công nghệ tiên tiến, tối ưu giải pháp kỹ thuật cho bài

• Tác giả: Trần Minh Đô
• Người hướng dẫn: ThS. Trương Quang Phúc
• Trường học: Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh
• Chuyên ngành: Hệ Thống Nhúng Và IoT
• Đề tài: Xây Dựng Hệ Thống Điều Khiển Thiết Bị Trong Nhà Bằng Nhận Diện Cử Chỉ Tay Sử Dụng Mô Hình YOLOv8
• Loại tài liệu: Đồ Án Tốt Nghiệp
• Năm xuất bản: 2024
• Địa điểm: Tp. Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. MỤC TIÊU ĐỀ TÀI
• 1.2. TÌNH HÌNH NGHIÊN CỨU TRONG VÀ NGOÀI NƯỚC
• 1.2.1. Tình hình nghiên cứu ngoài nước
• 1.2.2. Tình hình nghiên cứu trong nước
• 1.3. PHƯƠNG PHÁP NGHIÊN CỨU
• 1.4. BỐ CỤC CỦA ĐỀ TÀI
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. NHẬN DIỆN ĐỐI TƯỢNG
• 2.2. TÌM HIỂU VỀ MÔ HÌNH YOLO
• 2.2.1. Dựa trên ô lưới (grid cell)
• 2.2.2. Non-max suppression
• 2.2.3. Các chỉ số đánh giá
• 2.3. TỔNG QUAN VỀ MÔ HÌNH YOLO V8
• 2.3.1. Kiến trúc mô hình YOLO v8
• 2.3.2. Tính năng của YOLO v8
• 2.4. PHẦN MỀM THIẾT KẾ GIAO DIỆN QT5
• 2.5. PHẦN MỀM ARDUINO IDE
• 3. CHƯƠNG 3: THIẾT KẾ VÀ THI CÔNG
• 3.1. YÊU CẦU HỆ THỐNG
• 3.2. ĐẶC TẢ HỆ THỐNG
• 3.2.1. Chức năng của hệ thống
• 3.2.2. Mô hình tổng quát của hệ thống
• 3.2.3. Sơ đồ khối và nguyên lí hoạt động
• 3.3. THIẾT KẾ PHẦN CỨNG
• 3.3.1. Mô-đun rơ-le
• 3.3.2. Sơ đồ nguyên lý kết nối Arduino R3 và mô-đun rơ-le 4 kênh
• 3.4. THIẾT KẾ PHẦN MỀM
• 3.4.1. Thiết kế mô hình nhận diện cử chỉ tay
• 3.4.2. Thiết kế giao diện điều khiển của hệ thống
• 4. CHƯƠNG 4: KẾT QUẢ VÀ ĐÁNH GIÁ HỆ THỐNG
• 4.1. KẾT QUẢ PHẦN CỨNG
• 4.2. KẾT QUẢ MÔ HÌNH
• 4.3. KẾT QUẢ GIAO DIỆN
• 4.4. ĐÁNH GIÁ HỆ THỐNG
• 4.4.1. Đánh giá phần cứng
• 4.4.2. Đánh giá phần mềm
• 4.4.3. Đánh giá tổng quan
• 5. CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 5.1. KẾT LUẬN
• 5.2. HƯỚNG PHÁT TRIỂN
• PHỤ LỤC MÃ NGUỒN CHƯƠNG TRÌNH
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về hệ thống điều khiển thiết bị thông minh bằng nhận diện cử chỉ tay

Hệ thống điều khiển thiết bị trong nhà bằng nhận diện cử chỉ tay đang trở thành xu hướng mới trong lĩnh vực công nghệ thông minh. Việc áp dụng công nghệ này không chỉ giúp người dùng tương tác dễ dàng hơn với các thiết bị mà còn nâng cao trải nghiệm sống. Mô hình YOLOv8, với khả năng nhận diện nhanh chóng và chính xác, là một trong những giải pháp tối ưu cho việc phát triển hệ thống này. Hệ thống không chỉ đơn thuần là điều khiển thiết bị mà còn mở ra nhiều khả năng mới cho nhà thông minh.

1.1. Khái niệm về nhận diện cử chỉ tay trong nhà thông minh

Nhận diện cử chỉ tay là công nghệ cho phép máy tính hiểu và phản hồi lại các động tác của bàn tay. Công nghệ này giúp người dùng điều khiển thiết bị mà không cần chạm vào, mang lại sự tiện lợi và thân thiện hơn trong việc sử dụng.

1.2. Lợi ích của hệ thống điều khiển thông minh

Hệ thống điều khiển thông minh giúp tiết kiệm thời gian, nâng cao hiệu suất làm việc và tạo ra trải nghiệm người dùng tốt hơn. Đặc biệt, nó rất hữu ích cho người cao tuổi và người khuyết tật, giúp họ dễ dàng tương tác với các thiết bị trong nhà.

II. Thách thức trong việc phát triển hệ thống điều khiển bằng nhận diện cử chỉ tay

Mặc dù công nghệ nhận diện cử chỉ tay mang lại nhiều lợi ích, nhưng vẫn tồn tại nhiều thách thức cần giải quyết. Độ chính xác trong việc nhận diện cử chỉ tay là một trong những vấn đề lớn nhất. Các yếu tố như ánh sáng, góc nhìn và nhiễu có thể ảnh hưởng đến hiệu suất của hệ thống. Ngoài ra, việc xây dựng một tập dữ liệu đủ lớn và đa dạng cũng là một thách thức quan trọng.

2.1. Độ chính xác và độ tin cậy của hệ thống

Để đảm bảo hệ thống hoạt động hiệu quả, độ chính xác trong việc nhận diện cử chỉ tay cần được cải thiện. Việc phát triển các thuật toán mạnh mẽ và tối ưu hóa mô hình là rất cần thiết.

2.2. Tập dữ liệu và môi trường thử nghiệm

Xây dựng một tập dữ liệu phong phú và đa dạng là điều kiện tiên quyết để huấn luyện mô hình. Các điều kiện môi trường như ánh sáng và không gian cũng cần được xem xét để đảm bảo tính khả thi của hệ thống trong thực tế.

III. Phương pháp phát triển hệ thống điều khiển thiết bị bằng YOLOv8

Mô hình YOLOv8 là một trong những công nghệ tiên tiến nhất trong lĩnh vực nhận diện đối tượng. Việc áp dụng YOLOv8 vào hệ thống điều khiển thiết bị trong nhà giúp cải thiện đáng kể độ chính xác và tốc độ xử lý. Các bước phát triển bao gồm thu thập dữ liệu, huấn luyện mô hình và triển khai hệ thống.

3.1. Thu thập và xử lý dữ liệu cử chỉ tay

Quá trình thu thập dữ liệu bao gồm việc ghi lại các cử chỉ tay trong nhiều điều kiện khác nhau. Dữ liệu này sẽ được sử dụng để huấn luyện mô hình YOLOv8, giúp cải thiện khả năng nhận diện.

3.2. Huấn luyện mô hình YOLOv8

Mô hình YOLOv8 sẽ được huấn luyện với tập dữ liệu đã thu thập. Quá trình này bao gồm việc điều chỉnh các tham số để đạt được độ chính xác cao nhất trong việc nhận diện cử chỉ tay.

IV. Ứng dụng thực tiễn của hệ thống điều khiển thiết bị thông minh

Hệ thống điều khiển thiết bị trong nhà bằng nhận diện cử chỉ tay có nhiều ứng dụng thực tiễn. Từ việc điều khiển đèn, quạt, đến các thiết bị gia dụng khác, công nghệ này mang lại sự tiện lợi và hiện đại cho cuộc sống hàng ngày. Đặc biệt, nó có thể hỗ trợ người có hạn chế về khả năng vận động.

4.1. Điều khiển thiết bị gia dụng

Người dùng có thể dễ dàng điều khiển các thiết bị gia dụng như đèn, quạt, và điều hòa chỉ bằng các cử chỉ tay đơn giản. Điều này không chỉ tiết kiệm thời gian mà còn tạo ra trải nghiệm sử dụng thú vị.

4.2. Tích hợp với hệ thống nhà thông minh

Hệ thống điều khiển bằng nhận diện cử chỉ tay có thể tích hợp với các thiết bị thông minh khác trong nhà, tạo ra một hệ sinh thái thông minh và tiện lợi cho người dùng.

V. Kết luận và tương lai của hệ thống điều khiển thiết bị thông minh

Hệ thống điều khiển thiết bị trong nhà bằng nhận diện cử chỉ tay sử dụng YOLOv8 đang mở ra nhiều cơ hội mới trong lĩnh vực công nghệ thông minh. Với sự phát triển không ngừng của công nghệ, tương lai của hệ thống này hứa hẹn sẽ mang lại nhiều tiện ích và cải tiến cho cuộc sống hàng ngày.

5.1. Tiềm năng phát triển trong tương lai

Với sự tiến bộ của công nghệ, hệ thống điều khiển thiết bị thông minh sẽ ngày càng hoàn thiện hơn, đáp ứng nhu cầu ngày càng cao của người dùng.

5.2. Hướng nghiên cứu tiếp theo

Các nghiên cứu tiếp theo có thể tập trung vào việc cải thiện độ chính xác và khả năng nhận diện trong các điều kiện thực tế khác nhau, cũng như mở rộng ứng dụng của công nghệ này trong nhiều lĩnh vực khác.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Trong bối cảnh công nghệ thông tin và điện tử phát triển nhanh chóng, trí tuệ nhân tạo (AI) đã đạt được những bước tiến vượt bậc, thúc đẩy sự phát triển của lĩnh vực tương tác giữa người và máy tính (Human-Computer Interaction - HCI). Ứng dụng nổi bật của xu hướng này là mô hình nhà thông minh (smart home) – hệ thống tích hợp các thiết bị gia dụng kết nối qua mạng nhằm tối ưu hóa năng lượng, nâng cao tiện nghi và tự động hóa sinh hoạt.

Bên cạnh các phương thức điều khiển truyền thống như công tắc cơ học hay điều khiển từ xa, phương thức điều khiển bằng cử chỉ tay mang lại trải nghiệm tương tác tự nhiên, trực quan và không tiếp xúc vật lý. Giải pháp này có ý nghĩa thực tiễn đặc biệt đối với người cao tuổi và người bị hạn chế về khả năng vận động.

Tuy nhiên, việc triển khai hệ thống nhận diện cử chỉ tay trong thực tế đối mặt với nhiều rào cản kỹ thuật:

• Khả năng nhận diện chính xác và phân loại cử chỉ trong điều kiện môi trường phức tạp, ánh sáng thay đổi và góc nhìn đa dạng.
• Yêu cầu xử lý ảnh độ phân giải cao với tốc độ khung hình nhanh để đảm bảo độ trễ thấp và phản hồi thời gian thực (real-time).
• Sự cân bằng giữa độ chính xác của mô hình học sâu và tài nguyên tính toán khi triển khai trên các nền tảng phần cứng nhúng.

Để giải quyết các thách thức trên, đề tài "Xây dựng hệ thống điều khiển thiết bị trong nhà bằng nhận diện cử chỉ tay sử dụng mô hình YOLOv8" do sinh viên Trần Minh Đô thực hiện dưới sự hướng dẫn của ThS. Trương Quang Phúc (ngành Hệ thống nhúng và IoT, Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh) đã xác định 4 mục tiêu nghiên cứu cụ thể:

1. Thứ nhất: Thu thập và xử lý một tập dữ liệu chứa các hình ảnh và nhãn cử chỉ tay đầy đủ, đa dạng phục vụ quá trình huấn luyện mô hình.
2. Thứ hai: Huấn luyện mô hình nhận diện cử chỉ tay sử dụng tập dữ liệu tự tạo thông qua việc áp dụng thuật toán nhận diện đối tượng YOLOv8, tối ưu hóa để đạt hiệu suất và độ chính xác cao.
3. Thứ ba: Xây dựng giao diện người dùng trực quan, dễ sử dụng bằng thư viện PyQt5 để hiển thị hình ảnh webcam thời gian thực và trạng thái hoạt động của thiết bị.
4. Thứ tư: Đánh giá hiệu suất hệ thống nhận diện cử chỉ tay và tối ưu hóa các yếu tố liên quan gồm độ chính xác, tốc độ phản hồi và khả năng hoạt động trong các điều kiện môi trường khác nhau.

Đối tượng và phạm vi nghiên cứu:

• Đối tượng nghiên cứu: 10 cử chỉ bàn tay đặc trưng tương ứng với các lệnh điều khiển bật/tắt thiết bị; mô hình học sâu YOLOv8n; bo mạch vi điều khiển Arduino UNO R3 và mô-đun rơ-le 4 kênh.
• Phạm vi nghiên cứu: Hệ thống điều khiển 4 thiết bị điện gia dụng trong nhà; xử lý luồng video đầu vào từ webcam máy tính; giao tiếp máy tính - vi điều khiển qua cổng Serial/USB; thực nghiệm kiểm thử trong không gian phòng ở các cự ly khoảng cách 0.5m và 1.0m.

---

Cơ sở lý thuyết và phương pháp

Khung lý thuyết và mô hình ứng dụng

Nghiên cứu dựa trên nền tảng kỹ thuật thị giác máy tính và học sâu (Deep Learning). Tác giả phân tích hai nhóm thuật toán nhận diện đối tượng chính:

• Nhóm RCNN (Region-Based Convolutional Neural Networks): Sử dụng mạng nơ-ron tích chập trích xuất vùng đề xuất, có độ chính xác cao nhưng tốc độ xử lý chậm, khó đáp ứng thời gian thực.
• Nhóm YOLO (You Only Look Once): Mô hình mạng nơ-ron tích chập (CNN) gộp bước dự đoán vị trí và phân loại đối tượng thành một bài toán hồi quy duy nhất.

Mô hình được lựa chọn là YOLOv8 (phiên bản phát hành năm 2023 bởi Ultralytics). Cấu trúc hoạt động của YOLO dựa trên việc chia ảnh đầu vào thành lưới $S \times S$ ô vuông. Mỗi ô lưới chịu trách nhiệm dự đoán các hộp bao (bounding box), điểm tin cậy (confidence score) và xác suất của các lớp đối tượng nếu tâm đối tượng nằm trong ô đó.

Thuật toán sử dụng kỹ thuật triệt tiêu phi cực đại (Non-Max Suppression - NMS) nhằm loại bỏ các hộp bao trùng lặp có chỉ số giao trên hợp (IoU - Intersection over Union) vượt ngưỡng, giữ lại hộp bao có độ tin cậy cao nhất.

Hàm mất mát (Loss Function) tổng quát trong mô hình YOLO tối ưu hóa đồng thời 3 thành phần:

1. Classification Loss (Hàm lỗi phân loại): Đánh giá độ chính xác khi dự đoán nhãn lớp của đối tượng trong các ô lưới có chứa vật thể: $$\text{Loss}{cls} = \sum{i=0}^{S^2} \mathbf{1}i^{obj} \sum{c \in classes} \left( p_i(c) - \hat{p}_i(c) \right)^2$$ (Trong đó $\mathbf{1}_i^{obj} = 1$ khi ô lưới $i$ chứa vật thể, $p_i(c)$ và $\hat{p}_i(c)$ lần lượt là xác suất thực tế và xác suất dự đoán).

2. Localization Loss (Hàm lỗi vị trí): Đánh giá sai số tọa độ tâm và kích thước hộp bao so với ground-truth: $$\text{Loss}{loc} = \lambda{coord} \sum_{i=0}^{S^2} \sum_{j=0}^{B} \mathbf{1}_{ij}^{obj} \left[ (x_i - \hat{x}_i)^2 + (y_i - \hat{y}_i)^2 + (\sqrt{w_i} - \sqrt{\hat{w}_i})^2 + (\sqrt{h_i} - \sqrt{\hat{h}i})^2 \right]$$ *(Trong đó $\lambda{coord}$ là hệ số điều chỉnh trọng số tọa độ; $x, y, w, h$ là tọa độ tâm, chiều rộng và chiều cao).*

3. Confidence Loss (Hàm lỗi độ tin cậy): Đánh giá mức độ tự tin có đối tượng hay không trong bounding box: $$\text{Loss}{conf} = \sum{i=0}^{S^2} \sum_{j=0}^{B} \mathbf{1}{ij}^{obj} (C_i - \hat{C}i)^2 + \lambda{noobj} \sum{i=0}^{S^2} \sum_{j=0}^{B} \mathbf{1}_{ij}^{noobj} (C_i - \hat{C}i)^2$$ *(Trong đó $\lambda{noobj}$ kiểm soát trọng số đối với các ô không chứa đối tượng).*

Các chỉ số đánh giá hiệu năng mô hình bao gồm: Precision (Độ chính xác), Recall (Độ thu hồi), Average Precision (AP), Mean Average Precision (mAP), IoU và đường cong PR-Curve.

Phương pháp nghiên cứu

• Phương pháp thu thập số liệu: Sử dụng phương pháp quan sát trực tiếp cử chỉ tay trong các điều kiện ánh sáng và góc chụp khác nhau; phỏng vấn người dùng/chuyên gia để xác định các cử chỉ trực quan nhất.
• Phương pháp thực nghiệm: Thiết kế và chế tạo phần cứng (mạch vi điều khiển Arduino UNO R3, khối rơ-le cách ly quang); lập trình giao tiếp nối tiếp Serial; huấn luyện mạng học sâu YOLOv8n trên nền tảng đám mây; kiểm thử thực tế khả năng nhận diện ở các cự ly khác nhau.
• Phương pháp phân tích tổng kết kinh nghiệm: Đo lường các thông số kỹ thuật, đánh giá tỷ lệ nhận diện đúng/sai qua bảng thống kê thực nghiệm, phân tích nguyên nhân gây nhiễu và đề xuất giải pháp tối ưu.

Nguồn dữ liệu và công cụ triển khai

• Dữ liệu hình ảnh: Tác giả tự thu thập thông qua webcam, bao gồm 10 lớp cử chỉ tay trong các điều kiện môi trường đa dạng.
• Công cụ gán nhãn: Nền tảng trực tuyến MakeSense (makesense.ai) để tạo các bounding box $(x_{min}, y_{min}, x_{max}, y_{max})$.
• Công cụ tiền xử lý & tăng cường dữ liệu: Nền tảng Roboflow.
• Môi trường huấn luyện: Nền tảng Kaggle sử dụng phần cứng 2 GPU NVIDIA T4.
• Công cụ phát triển phần mềm: Python 3, thư viện ultralytics, thư viện thiết kế giao diện PyQt5, Arduino IDE.

---

Thiết kế và triển khai

Hệ thống được thiết kế theo cấu trúc tích hợp giữa thị giác máy tính trên máy tính chủ và khối chấp hành phần cứng thông qua giao thức Serial.

Thiết kế phần cứng

Khối điều khiển phần cứng gồm các linh kiện tiêu chuẩn được kết nối theo sơ đồ nguyên lý:

1. Khối xử lý trung tâm (Máy tính & Vi điều khiển):
   • Máy tính tiếp nhận luồng video thời gian thực từ webcam, chạy mô hình YOLOv8n để phân loại cử chỉ tay và gửi mã lệnh điều khiển qua cổng USB/Serial.
   • Bo mạch vi điều khiển Arduino UNO R3 tiếp nhận chuỗi ký tự điều khiển và xuất tín hiệu mức logic ra các chân Digital I/O tương ứng.

Thông số kỹ thuật	Bo mạch Arduino UNO R3
Chip vi điều khiển	ATmega328P (8-bit)
Điện áp hoạt động	5V DC
Điện áp đầu vào (khuyên dùng / giới hạn)	7 - 12V DC / 6 - 20V DC
Số chân Digital I/O	14 chân (trong đó 6 chân hỗ trợ PWM)
Số chân Analog Input	6 chân
Dòng điện DC trên mỗi chân I/O	20 mA
Dòng điện DC trên chân 3.3V	50 mA
Bộ nhớ Flash	32 KB (0.5 KB dùng cho bootloader)
SRAM / EEPROM	2 KB / 1 KB

2. Khối điều khiển công suất (Mô-đun Rơ-le 4 kênh):

   • Sử dụng mô-đun rơ-le 4 kênh độc lập, có tích hợp opto-coupler và transistor cách ly quang nhằm bảo vệ vi điều khiển khỏi xung điện áp ngược từ tải.
   • Điện áp điều khiển: 5V DC.
   • Thông số tiếp điểm đóng ngắt: AC 250V - 10A hoặc DC 30V - 10A.
   • Tích hợp LED chỉ thị trạng thái đóng/ngắt trên từng kênh.

3. Ánh xạ chân điều khiển (Pinout Mapping):

   • Chân Digital 7 (Arduino) $\rightarrow$ Điều khiển Kênh Rơ-le 1 (Thiết bị 1).
   • Chân Digital 8 (Arduino) $\rightarrow$ Điều khiển Kênh Rơ-le 2 (Thiết bị 2).
   • Chân Digital 12 (Arduino) $\rightarrow$ Điều khiển Kênh Rơ-le 3 (Thiết bị 3).
   • Chân Digital 13 (Arduino) $\rightarrow$ Điều khiển Kênh Rơ-le 4 (Thiết bị 4).

Thiết kế phần mềm và mô hình nhận diện

Quy trình xây dựng phần mềm bao gồm các công đoạn:

1. Thu thập và gán nhãn dữ liệu:

   • Định nghĩa 10 lớp cử chỉ tay tương ứng với 10 trạng thái điều khiển: on1, off1, on2, off2, on3, off3, on4, off4, on_all, off_all.
   • Sử dụng MakeSense để xác định tọa độ khung bao cử chỉ tay trên từng ảnh.

2. Tăng cường dữ liệu (Data Augmentation) trên Roboflow:

   • Xoay ảnh ngẫu nhiên trong khoảng: $-10^\circ$ đến $+10^\circ$.
   • Điều chỉnh độ sáng: $-25%$ đến $+25%$.
   • Tạo độ mờ (Blur): xấp xỉ 2 pixel.
   • Thêm nhiễu hạt (Noise): xấp xỉ 0.1% pixel.
   • Chuẩn hóa kích thước (Resize): Toàn bộ ảnh được đưa về độ phân giải chuẩn $640 \times 640$ pixel.

3. Phân chia tập dữ liệu và huấn luyện:

   • Tập dữ liệu được phân chia theo tỷ lệ: 70% tập huấn luyện (Train) và 30% tập kiểm thử (Valid).
   • Cấu hình file data.yaml chỉ định đường dẫn và danh mục 10 lớp nhãn.
   • Lựa chọn kiến trúc YOLOv8n (Nano) – phiên bản có số lượng tham số nhỏ nhất trong dòng YOLOv8 nhằm tối ưu hóa tốc độ suy luận thời gian thực.
   • Quá trình huấn luyện thực hiện trong 10 Epochs trên Kaggle (GPU 2x T4), xuất ra tệp trọng số tối ưu best.pt.

4. Xây dựng giao diện người dùng (PyQt5):

   • Khởi tạo giao diện hiển thị thông tin học thuật (Trường, Khoa, Bộ môn, Tên đề tài).
   • Tích hợp luồng phát webcam trực tiếp, hiển thị bounding box, tên nhãn cử chỉ và độ tin cậy (confidence score) khi nhận diện thành công.
   • Cập nhật đồ họa mô phỏng trạng thái Bật/Tắt của 4 thiết bị theo thời gian thực tương ứng với tín hiệu phản hồi.

---

Nội dung chính theo từng chương

Chương 1: Tổng quan

Trình bày tính cấp thiết của đề tài trong xu thế phát triển nhà thông minh và công nghệ tương tác không tiếp xúc. Khái quát tình hình nghiên cứu trong và ngoài nước:

• Nghiên cứu ngoài nước: Okan Kopuklu et al. (2019) ứng dụng mạng CNN phân loại cử chỉ tay thời gian thực; Raj Patel et al. (2018) kết hợp CNN với Attention Model nhằm nâng cao độ chính xác.
• Nghiên cứu trong nước: Đề tài năm 2022 của nhóm tác giả Nguyễn Thắng Phong và Nguyễn Hải Hưng tại Trường Đại học Sư phạm Kỹ thuật TP.HCM (“Thiết kế hệ thống điều khiển thiết bị điện bằng nhận diện cử chỉ”) – phân tích các ưu điểm và chỉ ra hạn chế về độ phong phú của tập dữ liệu cũng như tính cá nhân hóa của cử chỉ. Chương 1 cũng thiết lập 4 mục tiêu nghiên cứu cụ thể, phương pháp luận và cấu trúc 5 chương của đồ án.

Chương 2: Cơ sở lý thuyết

Hệ thống hóa toàn bộ kiến thức chuyên ngành liên quan đến thị giác máy tính và nhận diện đối tượng. Trình bày chi tiết nguyên lý hoạt động của mạng nơ-ron tích chập (CNN), dòng thuật toán YOLO, cơ chế chia ô lưới ($S \times S$), kỹ thuật Non-Max Suppression và các công thức toán học tính toán hàm mất mát (Classification, Localization, Confidence Loss). Giới thiệu các đặc tính của kiến trúc YOLOv8 từ Ultralytics (tốc độ suy luận, tăng cường dữ liệu MixUp/CutMix, khả năng tùy chỉnh). Trình bày cơ sở kỹ thuật của bộ công cụ lập trình giao diện PyQt5 trên nền Python và môi trường phát triển Arduino IDE cho vi điều khiển.

Chương 3: Thiết kế và thi công

Xây dựng tài liệu đặc tả yêu cầu hệ thống, sơ đồ khối chức năng và lưu đồ thuật toán tổng thể. Trình bày chi tiết thiết kế phần cứng: thông số kỹ thuật bo mạch Arduino UNO R3, sơ đồ nguyên lý kết nối mô-đun rơ-le 4 kênh điều khiển tải AC/DC. Trình bày quy trình thiết kế phần mềm: các bước thu thập 10 lớp cử chỉ tay, quy trình gán nhãn trên MakeSense, 4 phiên bản tăng cường ảnh trên Roboflow, quy chuẩn kích thước ảnh $640 \times 640$, phân chia tập dữ liệu 70/30, lưu đồ huấn luyện mô hình YOLOv8n trên Kaggle (10 epochs) và lưu đồ thuật toán giao tiếp điều khiển thiết bị qua các chân 7, 8, 12, 13 của Arduino.

Chương 4: Kết quả và đánh giá hệ thống

Công bố các kết quả thực nghiệm đạt được trên phần cứng và phần mềm:

• Hình ảnh mô hình hoàn thiện, kết nối thực tế giữa máy tính và mạch điều khiển.
• Đồ thị đánh giá quá trình huấn luyện gồm đồ thị PR-Curve, kết quả hàm mất mát và độ chính xác phân loại.
• Giao diện PyQt5 khi nhận dạng cử chỉ và cập nhật trạng thái thiết bị thời gian thực.
• Bảng số liệu thực nghiệm đánh giá hiệu suất nhận diện của 10 lớp cử chỉ ở hai khoảng cách kiểm thử: 0.5m và 1.0m.
• Phân tích chi tiết các trường hợp nhận diện chính xác, các trường hợp nhận diện nhầm lẫn giữa các cử chỉ tương đồng hoặc không nhận diện được do điều kiện ánh sáng và góc chụp.

Chương 5: Kết luận và hướng phát triển

Đánh giá tổng kết mức độ hoàn thành so với các mục tiêu đề ra ban đầu, nêu bật các mặt làm được về mô hình AI và phần cứng điều khiển. Chỉ ra các hạn chế kỹ thuật còn tồn đọng và đề xuất các hướng mở rộng nghiên cứu trong tương lai.

---

Kết quả và đóng góp

Kết quả kỹ thuật chính

• Xây dựng tập dữ liệu cử chỉ tay: Thu thập, gán nhãn thành công 10 lớp cử chỉ điều khiển đặc trưng, áp dụng kỹ thuật tăng cường dữ liệu tạo tập dữ liệu đa dạng về độ sáng, độ xoay và độ nhiễu.
• Huấn luyện mô hình YOLOv8n: Huấn luyện hoàn chỉnh mô hình trên nền tảng Kaggle với kích thước ảnh đầu vào $640 \times 640$, xuất file trọng số best.pt có khả năng phát hiện cử chỉ tay thời gian thực với độ trễ thấp.
• Thi công phần cứng và giao diện: Hoàn thiện mô hình điều khiển đóng/ngắt 4 kênh rơ-le thông qua Arduino UNO R3 và giao diện giám sát đồ họa trực quan viết bằng PyQt5.

Nhãn cử chỉ	Mã lệnh điều khiển	Chân vi điều khiển Arduino	Hành vi phần cứng tương ứng
on1	Bật thiết bị 1	Chân Digital 7	Đóng rơ-le 1
off1	Tắt thiết bị 1	Chân Digital 7	Ngắt rơ-le 1
on2	Bật thiết bị 2	Chân Digital 8	Đóng rơ-le 2
off2	Tắt thiết bị 2	Chân Digital 8	Ngắt rơ-le 2
on3	Bật thiết bị 3	Chân Digital 12	Đóng rơ-le 3
off3	Tắt thiết bị 3	Chân Digital 12	Ngắt rơ-le 3
on4	Bật thiết bị 4	Chân Digital 13	Đóng rơ-le 4
off4	Tắt thiết bị 4	Chân Digital 13	Ngắt rơ-le 4
on_all	Bật tất cả	Chân 7, 8, 12, 13	Đóng toàn bộ 4 rơ-le
off_all	Tắt tất cả	Chân 7, 8, 12, 13	Ngắt toàn bộ 4 rơ-le

• Kết quả thực nghiệm theo khoảng cách: Hệ thống duy trì độ chính xác cao ở cự ly gần (0.5m), tuy nhiên khi tăng khoảng cách lên 1.0m, một số cử chỉ có độ tương đồng hình học xuất hiện hiện tượng nhận diện nhầm nhãn hoặc giảm độ tin cậy.

Đóng góp của đề tài

• Khắc phục các hạn chế của những nghiên cứu trong nước trước đó (như đề tài của Nguyễn Thắng Phong & Nguyễn Hải Hưng năm 2022) bằng việc cá nhân hóa tập dữ liệu 10 lớp cử chỉ rõ ràng và áp dụng kiến trúc mạng YOLOv8 tiên tiến.
• Đề xuất quy trình khép kín từ thu thập, tiền xử lý, gán nhãn, tăng cường dữ liệu đến huấn luyện trên nền tảng đám mây và triển khai thực tế trên máy tính nhúng/vi điều khiển.
• Cung cấp giải pháp giao tiếp phần cứng an toàn (cách ly quang) kết hợp giao diện phần mềm trực quan, có tính khả thi trong việc hỗ trợ người hạn chế vận động điều khiển thiết bị điện sinh hoạt.

---

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của hệ thống

• Dữ liệu huấn luyện: Kích thước tập dữ liệu tự tạo và số lượng epoch huấn luyện (10 epochs) còn ở mức cơ bản, chưa bao phủ toàn diện mọi biến thể ánh sáng môi trường phức tạp hoặc bối cảnh nền có nhiều vật cản chuyển động.
• Hiện tượng nhầm lẫn cử chỉ: Ở khoảng cách xa (từ 1.0m trở lên) hoặc các góc nghiêng bàn tay lớn, một số cử chỉ có cấu trúc ngón tay tương tự nhau vẫn xảy ra sai số hoặc nhận diện nhầm lớp.
• Phụ thuộc phần cứng máy tính: Hệ thống vẫn cần một máy tính chủ chạy Python để xử lý thuật toán YOLOv8 và giao tiếp với Arduino qua dây cáp USB/Serial, chưa được đóng gói hoàn toàn thành một thiết bị biên (Edge AI) độc lập.

Hướng phát triển

• Thu thập bổ sung tập dữ liệu cử chỉ tay với số lượng mẫu lớn hơn, đa dạng hóa người thực hiện, góc nghiêng và cường độ sáng để nâng cao tính tổng quát của mô hình.
• Nghiên cứu tối ưu hóa trọng số mô hình (sử dụng các kỹ thuật lượng tử hóa hoặc định dạng TensorRT/ONNX) để triển khai trực tiếp trên các máy tính đơn bo nhúng công suất thấp như Raspberry Pi hay NVIDIA Jetson.
• Bổ sung kết nối không dây (Wi-Fi, Bluetooth, Zigbee) giữa bộ xử lý trung tâm và các cụm rơ-le điều khiển phân tán trong nhà.
• Mở rộng tập cử chỉ điều khiển cho nhiều thiết bị khác và tích hợp thêm các phương thức tương tác bổ trợ (nhận diện giọng nói, cử chỉ khuôn mặt).

---

Giá trị tham khảo

Đồ án tốt nghiệp này mang lại giá trị tham khảo kỹ thuật và học thuật cho các nhóm đối tượng sau:

• Sinh viên và học viên chuyên ngành Hệ thống nhúng & IoT, Kỹ thuật Máy tính, Điện tử - Viễn thông, Công nghệ Thông tin: Nguồn tài liệu tham khảo trực quan về việc tích hợp thuật toán thị giác máy tính hiện đại với phần cứng vi điều khiển.
• Người nghiên cứu các đề tài tương tự:
  • Tham khảo chi tiết quy trình xử lý dữ liệu ảnh bằng MakeSense và Roboflow (các thông số xoay, sáng, nhiễu, chuẩn hóa $640 \times 640$).
  • Tham khảo phương pháp cấu hình và huấn luyện mô hình YOLOv8n trên nền tảng Kaggle GPU.
  • Tham khảo mã nguồn và lưu đồ thiết kế giao diện đồ họa PyQt5 kết hợp đọc luồng video thời gian thực từ OpenCV.
  • Tham khảo sơ đồ nguyên lý kết nối vi điều khiển ATmega328P với mô-đun rơ-le cách ly quang điều khiển thiết bị điện AC/DC an toàn.

---

Câu hỏi thường gặp

1. Tại sao tác giả lại chọn phiên bản YOLOv8n thay vì các phiên bản lớn hơn như YOLOv8s, YOLOv8m hay YOLOv8x?
Trả lời: Tác giả chọn YOLOv8n (Nano) vì đây là phiên bản có số lượng tham số và trọng số nhỏ nhất trong họ YOLOv8. Đặc tính này giúp tối ưu hóa tốc độ xử lý khung hình, giảm tài nguyên tính toán và bộ nhớ, đáp ứng yêu cầu suy luận và phản hồi theo thời gian thực khi tích hợp vào hệ thống điều khiển thiết bị.

2. Hệ thống định nghĩa bao nhiêu cử chỉ tay và nguyên lý điều khiển 4 thiết bị được thiết lập như thế nào?
Trả lời: Hệ thống định nghĩa 10 lớp cử chỉ tay đặc trưng. Trong đó gồm 8 cử chỉ bật/tắt riêng biệt cho từng thiết bị (on1/off1 điều khiển chân Digital 7, on2/off2 điều khiển chân Digital 8, on3/off3 điều khiển chân Digital 12, on4/off4 điều khiển chân Digital 13) và 2 cử chỉ điều khiển đồng thời (on_all bật toàn bộ 4 kênh, off_all tắt toàn bộ 4 kênh).

3. Quá trình tăng cường dữ liệu (Data Augmentation) trên Roboflow đã áp dụng những thông số cụ thể nào?
Trả lời: Quá trình tăng cường dữ liệu thiết lập 4 thông số: độ xoay ảnh ngẫu nhiên từ $-10^\circ$ đến $+10^\circ$; độ sáng biến thiên từ $-25%$ đến $+25%$; độ mờ khoảng 2 pixel; độ nhiễu hạt khoảng 0.1% pixel. Toàn bộ ảnh sau đó được đồng bộ về kích thước $640 \times 640$ pixel.

4. Mô hình được phân chia tập dữ liệu và huấn luyện trong bao nhiêu epoch trên nền tảng nào?
Trả lời: Tập dữ liệu được phân chia theo tỷ lệ 70% dành cho huấn luyện (Train) và 30% dành cho kiểm tra (Valid). Quá trình huấn luyện mô hình YOLOv8n được thực hiện trên nền tảng Kaggle sử dụng 2 GPU NVIDIA T4 với số lượng epoch được thiết lập là 10.

5. Giao diện người dùng (GUI) được lập trình bằng công cụ nào và có nhiệm vụ gì trong hệ thống?
Trả lời: Giao diện được xây dựng bằng ngôn ngữ Python sử dụng thư viện PyQt5. Giao diện có nhiệm vụ hiển thị thông tin học thuật của đề tài, trình chiếu video trực tiếp từ webcam kèm bounding box/độ tin cậy của cử chỉ được nhận diện, đồng thời cập nhật đồ họa trực quan trạng thái Bật/Tắt của 4 thiết bị điện theo thời gian thực.

---

Kết luận

Đồ án tốt nghiệp "Xây dựng hệ thống điều khiển thiết bị trong nhà bằng nhận diện cử chỉ tay sử dụng mô hình YOLOv8" của sinh viên Trần Minh Đô đã hoàn thành toàn diện các mục tiêu nghiên cứu từ xây dựng tập dữ liệu 10 lớp cử chỉ, huấn luyện mô hình YOLOv8n trên Kaggle đến thiết kế mạch vi điều khiển Arduino UNO R3 và giao diện giám sát PyQt5. Hệ thống chứng minh khả năng nhận diện cử chỉ tay và điều khiển đóng/ngắt 4 kênh thiết bị điện trong điều kiện thực tế với độ trễ thấp và phản hồi trực quan. Kết quả nghiên cứu khẳng định tính khả thi của việc ứng dụng thị giác máy tính vào mô hình nhà thông minh, đặc biệt mở ra giải pháp hỗ trợ sinh hoạt thiết thực cho người cao tuổi và người bị hạn chế về khả năng vận động.

Trích đoạn nội dung tài liệu

Chương 1 Tổng quan Giới thiệu khái quát và tổng quan về tình hình nghiên cứu cũng như các phương pháp nghiên cứu của đề tài. Chương 2: Cơ sở lý thuyết: Giới thiệu mô tả về tổng quan lý thuyết. nguyên lý hoạt động của các mô-đun được sử dụng, các giao thức truyền nhận, các thuật toán về xử lý ảnh và các framework. Chương 3: Thiết kế và thi công: Trình bày các sơ đồ khối hệ thống, nguyên lý hoạt động của các khối thành phần hệ thống.

Chương 4: Kết quả, đánh giá hệ thống: Đánh giá các chức năng, trình bày kết quả cuối cùng đạt được từ phần cứng và phần mềm. Chương 5: Kết luận và hướng phát triển: Kết luận đề tài đối với những kết quả đạt được, nêu mặt còn hạn chế từ đó đề xuất hướng phát triển của hệ thống. 6 CHƯƠNG 2 CƠ SỞ LÝ THUYẾT 2.1 NHẬN DIỆN ĐỐI TƯỢNG Nhận diện đối tượng là một kỹ thuật tiên tiến trong lĩnh vực thị giác máy tính. Nó đóng vai trò như đôi mắt thông minh cho máy tính, giúp chúng có khả năng phát hiện và phân loại các vật thể trong hình ảnh hoặc video.1 Nhận diện đối tượng Các thuật toán nhận diện đối tượng chủ yếu được chia thành 2 nhóm chính: - Các mô hình RCNN (Region-Based Convolutional Neural Networks): Đây là các mô hình sử dụng mạng nơ-ron tích chập (Convolutional Neural Networks) để giải quyết các bài toán về định vị và nhận diện vật thể.

- Các mô hình YOLO (You Only Look Once): Đây là các mô hình được thiết kế để có thể nhận dạng các đối tượng theo thời gian thực (real-time). YOLO kết hợp các lớp tích chập (convolutional layers) để trích xuất các đặc trưng của ảnh và các lớp kết nối đầy đủ (full-connected layers) để dự đoán xác suất và tọa độ của các đối tượng.2 TÌM HIỂU VỀ MÔ HÌNH YOLO YOLO (You Only Look Once) là một trong các mô hình mạng nơ-ron tích chập (CNN) được thiết kế để nhận diện đối tượng trong thời gian thực. So với các phương pháp nhận hiện đối tượng trước đây, YOLO nổi bật bởi tốc độ xử lý nhanh chóng và độ chính xác cao, biến nó thành lựa chọn lý tưởng cho nhiều ứng dụng trong thực tế. Phần cốt lõi của YOLO là base network, bao gồm chủ yếu các lớp tích chập 7 (convolutional layers) và các lớp kết nối đầy đủ (fully connected layers).

Nhiệm vụ của base network là trích xuất các đặc trưng (feature) từ ảnh đầu vào. Sau phần base network là các Extra Layers, được áp dụng lên feature map để thực hiện việc phát hiện và định vị các đối tượng trong ảnh [4].2 Sơ đồ kiến trúc mạng YOLO 2.1 Dựa trên ô lưới (grid cell) Cách tiếp cận độc đáo của YOLO bắt đầu bằng việc chia ảnh đầu vào thành một lưới S×S, với S là một siêu tham số được chọn trước. Mỗi ô trong lưới này 'sở hữu' một tập hợp các bounding box tiềm năng và dự đoán xác suất các lớp đối tượng cho từng bounding box. Nguyên lý hoạt động cụ thể như sau: Mỗi ô lưới chỉ dự đoán một đối tượng.

Nếu tâm của một đối tượng nằm trong ô lưới, thì ô đó sẽ chịu trách nhiệm dự đoán đối tượng đó. Quá trình này được lặp lại trên toàn bộ lưới để phát hiện và định vị các đối tượng trong ảnh.3 Nguyên lí hoạt động nhận diện của YOLO 8 2.2 Non-max suppression Thuật toán YOLO (You Only Look Once) có xu hướng dự báo ra nhiều bounding box trên một bức ảnh. Do đó đối với những vùng trong ảnh có các cell (ô vuông) nằm gần nhau, khả năng các bounding box bị chồng chéo (overlap) là rất cao. Để giải quyết vấn đề này, YOLO sử dụng kỹ thuật non-max suppression.

Phương pháp này giúp giảm đáng kể số lượng bounding box được sinh ra. Cụ thể, non-max suppression sẽ loại bỏ các bounding box dự báo có độ chồng chéo cao, chỉ giữ lại những bounding box quan trọng nhất [4]. Quá trình non-max suppression bao gồm các bước như: sắp xếp các bounding box theo điểm số từ cao đến thấp, sau đó loại bỏ các bounding box có độ chồng chéo vượt quá một ngưỡng cho trước so với bounding box đang xét. Việc áp dụng non-max suppression giúp YOLO tập trung vào những vùng quan trọng nhất trong ảnh, từ đó cải thiện hiệu suất và độ chính xác của việc phát hiện đối tượng.3 Các chỉ số đánh giá Có một số chỉ số thường được sử dụng để đánh giá hiệu suất của các mô hình phát hiện đối tượng: Mean Average Precision (mAP): Độ chính xác của một mô hình được định nghĩa là số lượng true positives chia cho tổng số true positives và false positives.

Chỉ số mAP tính đến cả độ chính xác và độ thu hồi của mô hình, được tính bằng giá trị trung bình của average precision cho mỗi class. Một giá trị mAP cao hơn chỉ ra hiệu suất tốt hơn của mô hình. Average Precision (AP): Đây là một đo lường độ chính xác của mô hình ở các mức độ thu hồi khác nhau. Độ chính xác được định nghĩa là số lượng true positives chia cho tổng số true positives và false positives.

Độ thu hồi được định nghĩa là số lượng true positives chia cho tổng số true positives và false negatives. AP được tính bằng diện tích dưới đường cong precision-recall. Một giá trị AP cao hơn chỉ ra hiệu suất tốt hơn của mô hình. Intersection over Union (IoU): IoU là một đo lường sự chồng chéo giữa vùng bounding box dự đoán và vùng bounding box ground-truth.

Nó được tính bằng cách 9 lấy diện tích giao của hai vùng và chia cho diện tích của vùng kết hợp. Một giá trị IoU cao hơn chỉ ra sự tương ứng tốt hơn giữa vùng bounding box dự đoán và ground- truth. Ngoài ra còn có một số chỉ số khác đánh giá độ chính xác, như True Positive Rate (TPR), False Positive Rate (FPR), F1-score, và Log Average Miss Rate (MR). Ngoài những chỉ số này, các mô hình phát hiện đối tượng cũng có thể được đánh giá dựa trên hiệu quả tính toán của chúng [5].4 Hàm mất mát Trong YOLO, hàm mất mát (loss function) đóng vai trò rất quan trọng trong quá trình huấn luyện mô hình.

Mục tiêu của hàm lỗi là tối ưu hóa khả năng dự đoán chính xác vị trí, kích thước và lớp của các đối tượng trong hình ảnh bằng cách tối ưu hóa đồng thời ba yếu tố chính: dự đoán chính xác lớp đối tượng (classification), dự đoán chính xác tọa độ của bounding box (localization), và dự đoán chính xác độ tin cậy của bounding box (confidence) [5]. 1) Classification loss là một hàm lỗi được sử dụng để đánh giá độ chính xác của việc dự đoán loại nhãn (class) của một đối tượng. Nó chỉ tính toán trên những ô vuông (bounding box) có chứa đối tượng, mà không tính trên những ô vuông không chứa đối tượng [5]. 1) 𝑖=0 𝑐=0 Trong đó: 𝑜𝑏𝑗 1𝑖 : Hàm indicator có giá trị 0,1 nhằm xác định xem cell i có chứa vật thể hay không.

Bằng 1 nếu chứa vật thể và 0 nếu không chứa. 𝑝𝑖 (𝑐): Xác suất thực tế của lớp c trong grid cell i. 𝑝̂ 𝑖 (𝑐): Xác suất dự đoán của lớp c trong grid cell i. Localization loss là một hàm lỗi dùng để đánh giá độ chính xác của việc dự đoán vị trí (tọa độ, kích thước) của boundary box (hộp giới hạn) của đối tượng, so với vị trí thực tế (ground truth) từ dữ liệu huấn luyện [5].2) 𝑆2 𝐵 2 2 + 𝑐𝑜𝑜𝑟𝑑 ∑ ∑ 1𝑖𝑗 (√𝑤𝑖 − √𝑤 𝑜𝑏𝑗 ̂𝑖 ) + (√ℎ𝑖 − √ℎ̂𝑖 ) 𝑖=0 𝑗=0 Trong đó: 𝑐𝑜𝑜𝑟𝑑 : Hệ số điều chỉnh, thường được đặt giá trị cao hơn để nhấn mạnh tầm quan trọng của localization loss.

𝑜𝑏𝑗 1𝑖,𝑗 : Cho biết bounding box thứ j của cell i có chứa đối tượng 𝑥𝑖 𝑦𝑖 , 𝑤𝑖 , ℎ,: Tọa độ trung tâm và kích thước thực tế của bounding box. ̂𝑖 , ℎ̂𝑖 : Tọa độ trung tâm và kích thước dự đoán của bounding box. 𝑥̂𝑖 , 𝑦̂𝑖 , 𝑤 Confidence loss là một hàm lỗi dùng để đánh giá độ chính xác của việc dự đoán xem liệu một boundary box (hộp giới hạn) có chứa đối tượng hay không, so với nhãn thực tế (ground truth) tại ô vuông đó [5]. 3) 𝑖=0 𝑗=0 𝑖=0 𝑗=0 11 Trong đó: 𝑛𝑜𝑜𝑏𝑗 : Hệ số điều chỉnh quan trọng được sử dụng để kiểm soát trọng số của phần lỗi liên quan đến các bounding box không chứa đối tượng (no-object).

𝑛𝑜𝑜𝑏𝑗 1𝑖,𝑗 : Cho biết bounding box thứ j của cell i không chứa đối tượng 𝐶𝑖 : Độ tin cậy thực tế (1 nếu có đối tượng, 0 nếu không có). 𝐶̂𝑖 : Độ tin cậy dự đoán.3 TỔNG QUAN VỀ MÔ HÌNH YOLO V8 YOLO v8 là phiên bản mới nhất của thuật toán YOLO, được phát triển bởi Ultralytics, một công ty do Joseph Redmon, người sáng lập ra YOLO, thành lập. YOLO v8 được ra mắt vào năm 2023 và mang lại một số cải tiến so với các phiên bản YOLO trước đó.5 Hiệu suất của YOLO v8 so với phiên bản trước 2.1 Kiến trúc mô hình YOLO v8 12 Hình 2.6 Kiến trúc mô hình YOLO v8 YOLOv8 có nhiều phiên bản đa dạng với trọng số và tốc độ tính toán xử lí khác nhau được đánh giá trên tập dữ liệu COCO cho thấy tùy thuộc vào bài toán đặt ra có thể lựa chọn mô hình phù hợp để huấn luyện. 7 Các phiên bản của YOLOv8 được đánh giá theo COCO 2.2 Tính năng của YOLO v8 YOLOv8 có nhiều tính năng đáng chú ý.

Dưới đây là một số tính năng chính của YOLOv8: Tăng tốc độ: YOLOv8 đạt tốc độ suy luận nhanh hơn so với các mô hình phát hiện đối tượng khác trong khi vẫn duy trì độ chính xác cao. Nhiều cơ sở: YOLOv8 hỗ trợ các cơ sở khác nhau, chẳng hạn như EfficientNet, ResNet và CSPDarknet, cho phép người dùng lựa chọn mô hình tốt nhất cho trường hợp cụ thể của họ. Đào tạo thích ứng: YOLOv8 sử dụng đào tạo thích ứng để tối ưu hóa tốc độ học và cân bằng hàm mất mát trong quá trình đào tạo, dẫn đến hiệu suất mô hình tốt hơn. Tăng cường dữ liệu nâng cao: YOLOv8 sử dụng các kỹ thuật tăng cường dữ liệu nâng cao như MixUp và CutMix để cải thiện tính bền vững và khái quát hóa của mô hình.

Kiến trúc có thể tùy chỉnh: Kiến trúc của YOLOv8 rất có thể tùy chỉnh, cho phép người dùng dễ dàng sửa đổi cấu trúc và thông số của mô hình để phù hợp với nhu cầu của họ. Mô hình được xây dựng trước: YOLOv8 cung cấp các mô hình được xây dựng trước để sử dụng dễ dàng và chuyển giao học tập trên các tập dữ liệu khác nhau.