Bối cảnh và vấn đề nghiên cứu

Trong đời sống hiện đại, nhu cầu nâng cao chất lượng cuộc sống và chăm sóc sức khỏe thể chất ngày càng được chú trọng. Việc duy trì lối sống vận động kết hợp với chế độ ăn uống khoa học đóng vai trò thiết yếu nhằm ngăn ngừa các bệnh lý mãn tính như béo phì, tim mạch và tiểu đường. Tuy nhiên, việc thiếu định hướng rõ ràng trong luyện tập và mất cân bằng dinh dưỡng vẫn là thực trạng phổ biến. Trong đó, dinh dưỡng là yếu tố quyết định khoảng 70% đến 80% hiệu quả cải thiện thể trạng và vóc dáng.

Khảo sát thực tế các giải pháp công nghệ hiện có trên các nền tảng CH Play và App Store cho thấy sự phân mảnh rõ rệt giữa hai nhóm ứng dụng:

  • Nhóm quản lý dinh dưỡng (tiêu biểu như MyFitnessPal): Tập trung vào việc theo dõi chỉ số calo và nhật ký dinh dưỡng chi tiết nhưng thiếu sự trực quan về hình ảnh món ăn, đòi hỏi người dùng phải nhập liệu thủ công nhiều và chức năng hỗ trợ bài tập thể chất còn hạn chế.
  • Nhóm hỗ trợ luyện tập (tiêu biểu như Home Workout – No Equipment của Leap Fitness Group): Cung cấp hệ thống bài tập phân theo nhóm cơ kèm hướng dẫn chi tiết nhưng hoàn toàn không hỗ trợ việc tính toán, giám sát chế độ dinh dưỡng tương ứng.

Sự tách biệt này buộc người dùng phải sử dụng song song nhiều ứng dụng độc lập, dẫn đến sự bất tiện trong việc đối chiếu dữ liệu tổng thể để đánh giá tiến trình cá nhân. Từ thực trạng đó, khóa luận tốt nghiệp "Nền tảng ứng dụng về tập luyện và dinh dưỡng" (The platform for fitness and nutrition application) được thực hiện bởi sinh viên Lưu Lê Bá Chính và Nguyễn Ngọc Quang Huy, dưới sự hướng dẫn của TS. Nguyễn Thị Xuân Hương và ThS. Nguyễn Công Hoan tại Khoa Công nghệ Phần mềm, Trường Đại học Công nghệ Thông tin – ĐHQG TP.HCM (tháng 6/2024), nhằm phát triển một giải pháp phần mềm di động hợp nhất hai yếu tố vận động và dinh dưỡng trên cùng một nền tảng.

Mục tiêu và nhiệm vụ nghiên cứu

Khóa luận xác định 5 nhiệm vụ nghiên cứu cụ thể:

  1. Nghiên cứu và hiện thực hóa cơ sở hạ tầng backend theo kiến trúc Microservices nhằm đảm bảo khả năng chịu tải và mở rộng hệ thống trong tương lai.
  2. Thiết kế và tổ chức hệ thống bài tập thể chất tinh gọn, phù hợp với đa dạng nhóm người dùng.
  3. Nghiên cứu và tích hợp trí tuệ nhân tạo (AI) vào việc nhận diện món ăn từ hình ảnh (thông qua mô hình YOLOv8 và Gemini Pro Vision) cùng tính năng chatbot tư vấn cá nhân hóa (sử dụng mô hình Gemini).
  4. Xây dựng cơ chế theo dõi, lưu trữ và xử lý dữ liệu dựa trên thói quen, chỉ số cơ thể hàng ngày của người dùng.
  5. Phát triển các tính năng mạng xã hội cơ bản (kết nối bạn bè, theo dõi, chia sẻ tiến trình tập luyện) nhằm tạo động lực duy trì luyện tập.

Đối tượng và phạm vi nghiên cứu

  • Đối tượng nghiên cứu:
    • Đối tượng người dùng: Người đang tham gia tập luyện (gym, workout, aerobic...), người thực hiện chế độ ăn uống (ăn kiêng, detox...) hoặc người có nhu cầu cải thiện thể trạng.
    • Đối tượng chuyên gia: Huấn luyện viên cá nhân (PT), vận động viên, chuyên gia thể hình và dinh dưỡng nhằm cung cấp tri thức chuyên môn.
    • Đối tượng tham khảo: Các hệ thống ứng dụng di động trong cùng lĩnh vực trên thị trường quốc tế và trong nước.
  • Phạm vi nghiên cứu và nguồn dữ liệu:
    • Nhu cầu thực tế được thu thập trực tiếp từ người dùng cuối, dữ liệu tìm kiếm Google và các hội nhóm chuyên môn trên mạng xã hội.
    • Kiến thức chuyên ngành dinh dưỡng và tập luyện được tổng hợp từ các bài báo khoa học uy tín và các kênh huấn luyện viên chuyên nghiệp.
    • Dữ liệu hình ảnh món ăn được thu thập từ các nguồn cơ sở dữ liệu công cộng, ứng dụng ẩm thực và hình ảnh chụp trực tiếp, sau đó được gán nhãn và tiền xử lý phục vụ huấn luyện mô hình thị giác máy tính.

Cơ sở lý thuyết và phương pháp

Cơ sở lý thuyết tính toán dinh dưỡng và thể trạng

Hệ thống vận dụng các công thức tính toán khoa học chuẩn mực nhằm cá nhân hóa chế độ dinh dưỡng cho người dùng:

  • Chỉ số khối cơ thể (BMI): Đánh giá mức độ cân đối của cơ thể dựa trên tương quan chiều cao và cân nặng.
  • Tổng năng lượng tiêu thụ hàng ngày (TDEE - Total Daily Energy Expenditure): Xác định lượng calo cần thiết dựa trên tỷ lệ trao đổi chất cơ bản (BMR) và cường độ vận động thực tế.
  • Phân bổ đa lượng chất (Macronutrients): Tính toán tỷ lệ cân bằng giữa ba nhóm chất chính gồm đạm (Protein), tinh bột (Carbohydrate) và chất béo (Fat) tương ứng với từng mục tiêu thể trạng cụ thể (tăng cơ, giảm mỡ hoặc duy trì cân nặng).

Mô hình thị giác máy tính nhận diện thực phẩm

Để giải quyết bài toán nhận diện món ăn từ hình ảnh nhằm tự động hóa việc tính toán dinh dưỡng, đề tài triển khai hai công nghệ xử lý ảnh:

  • Kiến trúc YOLOv8 (You Only Look Once): Là mô hình mạng neural đơn phát hiện đối tượng thời gian thực. Mô hình chia ảnh thành lưới $N \times N$, mỗi ô dự đoán bounding box cùng xác suất lớp thông qua vector: $$Y = [p_c, b_x, b_y, b_h, b_w, c_1, c_2, \dots]$$ Trong đó: $p_c$ là độ tin cậy chứa đối tượng; $(b_x, b_y, b_h, b_w)$ là tọa độ tâm, chiều cao, chiều rộng bounding box; $c_i$ là xác suất lớp đối tượng. Thuật toán kết hợp các kỹ thuật: Residual blocks, Bounding box regression, Intersection Over Union (IoU) và Non-Maximum Suppression (NMS) để lọc bỏ các khung trùng lặp. Mô hình hỗ trợ nhiều backbone (như EfficientNet, ResNet, CSPDarknet) cùng các kỹ thuật tăng cường dữ liệu (MixUp, CutMix).
  • Mô hình Gemini Pro Vision: Được sử dụng bổ trợ nhằm phân tích các trường hợp thực phẩm phức tạp, bị che khuất, chồng lấp hoặc trong điều kiện ánh sáng đa dạng.

Mô hình ngôn ngữ lớn và trợ lý ảo

Hệ thống tích hợp mô hình Gemini của Google để xây dựng Chatbot tư vấn sức khỏe. Chatbot hoạt động dựa trên cơ chế xử lý ngôn ngữ tự nhiên kết hợp việc truyền nạp ngữ cảnh cá nhân hóa gồm: thông tin bữa ăn, chỉ số macro (protein, carb, fat), thông tin bài tập (loại bài tập, thời gian, cường độ), mục tiêu thể hình và biến thiên cân nặng hàng ngày.

Kiến trúc hệ thống Microservices

Khóa luận lựa chọn mô hình kiến trúc vi dịch vụ (Microservices) thay thế kiến trúc nguyên khối (Monolith) để phát triển hệ thống backend.

Tiêu chí so sánh Kiến trúc Monolith Kiến trúc Microservices
Cấu trúc mã nguồn Một khối ứng dụng duy nhất, mã nguồn tập trung, dễ chồng chéo dữ liệu Tách biệt thành các dịch vụ độc lập đảm nhận từng nghiệp vụ riêng biệt
Khả năng mở rộng Mở rộng toàn bộ khối ứng dụng, tiêu tốn tài nguyên Mở rộng độc lập từng service/instance theo nhu cầu tải thực tế
Khả năng chịu lỗi Lỗi tại một module có thể ảnh hưởng đến toàn bộ hệ thống Sự cố tại một service không làm gián đoạn các service còn lại
Triển khai & CI/CD Triển khai đơn lẻ nhưng rủi ro cao khi cập nhật Quy trình CI/CD linh hoạt, rút ngắn thời gian đưa tính năng ra thị trường
Độ phức tạp Thấp ở giai đoạn đầu, quản trị tập trung Cao, đòi hỏi quản lý giao tiếp phân tán, đồng bộ dữ liệu và cổng API

Thiết kế và triển khai hệ thống

Kiến trúc hạ tầng backend

Hệ thống backend được thiết kế phân tán với các thành phần công nghệ:

  • Client: Ứng dụng di động gửi yêu cầu qua giao thức HTTP.
  • API Gateway & Load Balancer: Đóng vai trò làm điểm tiếp nhận tập trung, định tuyến các yêu cầu từ Client và phân phối tải đến các service nội bộ.
  • Hàng đợi thông điệp (Message Queue - RabbitMQ): Đảm bảo giao tiếp bất đồng bộ và đồng bộ hóa dữ liệu giữa các dịch vụ.
  • Ảo hóa ứng dụng (Docker): Toàn bộ các dịch vụ được đóng gói độc lập trong các Docker container.
  • Hệ quản trị cơ sở dữ liệu: Sử dụng Microsoft SQL Server với các cơ sở dữ liệu tách rời cho từng service.
Client (Mobile App)
API Gateway / Load Balancer
[Authentication Service]   [Main Service]          [Social Service]       [Notification Service]
 (SQL Server DB)            (SQL Server DB)         (SQL Server DB)        (SQL Server DB)

Phân chia các Microservices chức năng

  1. Authentication Service: Đảm nhận việc đăng ký tài khoản, đăng nhập, xác thực phiên làm việc và xử lý quy trình quên mật khẩu.
  2. Main Service: Xử lý toàn bộ nghiệp vụ cốt lõi bao gồm tính toán chỉ số TDEE/BMI, quản lý hồ sơ thể trạng, giám sát nhật ký dinh dưỡng, thư viện bài tập, theo dõi thống kê calo tiêu thụ và tích hợp các module AI (YOLOv8, Gemini Pro Vision, Gemini Chatbot).
  3. Social Service: Quản lý các tính năng mạng xã hội gồm danh sách bạn bè, theo dõi người dùng và đăng tải bài viết chia sẻ hoạt động thể chất.
  4. Notification Service: Quản lý và phát thông báo nhắc nhở tập luyện, cảnh báo chế độ ăn và cập nhật tương tác người dùng.

Phân tích và đặc tả ca sử dụng (Use-Case)

Tài liệu xác định các Actor chính tương tác với hệ thống qua 20 Use-case nghiệp vụ:

  • Nhóm tài khoản & hồ sơ: Đăng ký, Đăng nhập, Quên mật khẩu, Cung cấp thể trạng và lựa chọn mục tiêu, Quản lý tài khoản cá nhân.
  • Nhóm dinh dưỡng: Giám sát dinh dưỡng, Hướng dẫn nấu ăn, Tra cứu thực phẩm, Quét nhận diện thực phẩm, Thêm thực phẩm vào nhật ký ngày, Phân tích bữa ăn.
  • Nhóm tập luyện: Hướng dẫn tập luyện, Thêm bài tập vào nhật ký hàng ngày, Tập luyện ngay.
  • Nhóm thống kê & trợ lý: Nhật ký hàng ngày, Xem biểu đồ thống kê, Feedback từ trợ lý ảo, Tư vấn chatbot.
  • Nhóm mạng xã hội: Xem theo dõi người dùng, Đăng tin, Kết bạn.

Nội dung chính theo từng chương

Chương 1: Giới thiệu đề tài

Chương mở đầu tập trung trình bày bối cảnh thực tiễn, tính cấp thiết của việc kết hợp hai yếu tố tập luyện và dinh dưỡng trong chăm sóc sức khỏe. Tác giả tiến hành khảo sát các ứng dụng tiêu biểu trên thị trường quốc tế (MyFitnessPal, Home Workout) và thực trạng các ứng dụng trong nước, chỉ rõ khoảng trống công nghệ khi chưa có ứng dụng nào tích hợp đồng bộ cả hai mảng với sự hỗ trợ của trí tuệ nhân tạo. Chương này cũng công bố rõ ràng đối tượng, phạm vi nghiên cứu, mục tiêu cùng các kết quả dự kiến của đề tài.

Chương 2: Cơ sở lý thuyết

Chương 2 cung cấp toàn bộ nền tảng lý thuyết và công nghệ được ứng dụng trong khóa luận:

  • Phân tích bài toán nhận diện thực phẩm và chi tiết kiến trúc thuật toán YOLOv8 (các lớp tích chập, hàm kích hoạt ReLU, cơ chế Residual blocks, hồi quy bounding box, chỉ số IoU và giải thuật NMS).
  • Trình bày quy trình thu thập, gán nhãn, tiền xử lý và chia tập dữ liệu huấn luyện (Train/Val); giải thích các tham số và chỉ số đánh giá mô hình thị giác máy tính (Epoch, Box loss, Class loss, DFL loss, Precision, Recall, mAP50, mAP50-95, Learning rate).
  • Giới thiệu mô hình Gemini cho bài toán Chatbot tư vấn ngữ cảnh.
  • Trình bày lý thuyết kiến trúc Microservices, phân tích ưu nhược điểm so với Monolith, thiết kế mô hình giao tiếp phân tán với API Gateway, Docker, RabbitMQ và SQL Server.
  • Trình bày các công thức tính toán chỉ số dinh dưỡng (BMI, TDEE, macro).

Chương 3: Phân tích và thiết kế hệ thống

Chương này mô tả chi tiết quy trình phân tích thiết kế phần mềm:

  • Lập bảng danh sách Actor và 20 Use-case hệ thống kèm bảng đặc tả chi tiết cho từng ca sử dụng.
  • Xây dựng các sơ đồ hoạt động (Activity Diagrams) mô tả luồng xử lý nghiệp vụ: luồng đăng ký/đăng nhập, khảo sát thể trạng, giám sát dinh dưỡng, tra cứu/quét thực phẩm, quản lý bài tập, ghi nhật ký, xem thống kê, phân tích bữa ăn và phản hồi từ trợ lý ảo.
  • Thiết kế sơ đồ quan hệ thực thể (ERD) và cấu trúc dữ liệu cho từng dịch vụ độc lập: Main Service DB, Authentication Service DB, Social Service DB và Notification Service DB.

Chương 4: Xây dựng ứng dụng

Chương 4 trình bày kết quả hiện thực hóa giao diện và chức năng của ứng dụng di động:

  • Cụm màn hình xác thực: Đăng nhập, đăng ký, quên/đổi mật khẩu.
  • Cụm màn hình khảo sát và tính toán chỉ số thể trạng: Thu thập thông tin chiều cao, cân nặng, cường độ vận động, tính toán TDEE tự động.
  • Cụm màn hình dinh dưỡng: Màn hình chính hiển thị năng lượng tiêu thụ, tìm kiếm thực phẩm, màn hình quét ảnh nhận diện thực phẩm qua camera/thư viện, hướng dẫn nấu ăn hàng ngày.
  • Cụm màn hình tập luyện: Danh sách bài tập phân theo nhóm cơ, giao diện tập luyện trực tiếp, thêm bài tập vào nhật ký.
  • Cụm màn hình nhật ký và thống kê: Nhật ký theo ngày, biểu đồ lượng calo tiêu thụ trung bình.
  • Cụm màn hình mạng xã hội & AI: Đăng bài viết, kết bạn, giao diện Chatbot tư vấn và màn hình phân tích dinh dưỡng bữa ăn.

Chương 5: Kết luận

Chương tổng kết đánh giá toàn diện quá trình thực hiện đề tài từ góc nhìn cá nhân của nhóm tác giả; phân tích những thuận lợi, khó khăn gặp phải trong quá trình nghiên cứu công nghệ mới; tổng kết các kết quả đạt được về mặt hệ thống lẫn mô hình AI; đồng thời vạch ra các định hướng phát triển và hoàn thiện ứng dụng trong tương lai.

Kết quả và đóng góp

Kết quả huấn luyện mô hình và tích hợp kỹ thuật

  • Huấn luyện mô hình nhận diện thực phẩm YOLOv8: Quá trình huấn luyện trên bộ dữ liệu thực phẩm với các độ đo đánh giá qua các epoch cho thấy:
    • Các hàm mất mát trên tập train và tập val (box_loss, cls_loss, dfl_loss) giảm đều đặn và hội tụ ổn định.
    • Các chỉ số chất lượng nhận diện gồm Precision, Recall, mAP50 và mAP50-95 tăng dần theo từng bước huấn luyện và đạt trạng thái ổn định, chứng minh mô hình có khả năng định vị chính xác bounding box và phân loại đúng các lớp món ăn.
    • Tích hợp thành công mô hình YOLOv8 cùng Gemini Pro Vision vào ứng dụng để tự động hóa việc quét ảnh và trích xuất dinh dưỡng.
  • Hiện thực hóa trợ lý ảo Gemini: Xây dựng thành công tính năng Chatbot AI tiếp nhận đầy đủ ngữ cảnh dữ liệu người dùng (lượng calo tiêu thụ, tỷ lệ protein/carb/fat, bài tập trong ngày, cân nặng, mục tiêu) để cung cấp phản hồi, lời khuyên dinh dưỡng và tập luyện tương tự một huấn luyện viên cá nhân (PT).
  • Hoàn thiện hệ thống backend Microservices: Triển khai vận hành độc lập 4 dịch vụ (Authentication, Main, Social, Notification) trên môi trường Docker, giao tiếp qua API Gateway và hàng đợi RabbitMQ, đảm bảo khả năng vận hành ổn định và tính mở rộng module.

Đóng góp của đề tài

  • Xây dựng một giải pháp phần mềm toàn diện, giải quyết triệt để sự phân mảnh giữa bài toán dinh dưỡng (chiếm 70-80% kết quả) và bài toán vận động trên một nền tảng duy nhất.
  • Ứng dụng hiệu quả trí tuệ nhân tạo (Computer Vision và Generative AI) vào nghiệp vụ theo dõi sức khỏe cá nhân, giúp giảm thiểu tối đa thao tác nhập liệu thủ công cho người dùng và tiết kiệm chi phí thuê huấn luyện viên cá nhân.
  • Cung cấp tài liệu thiết kế và triển khai kiến trúc Microservices hoàn chỉnh cho một ứng dụng di động đa dịch vụ trong lĩnh vực HealthTech.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế được ghi nhận

  • Nguồn lực dữ liệu: Do giới hạn về tài nguyên và chi phí, khối lượng dữ liệu hình ảnh món ăn thu thập và gán nhãn cho mô hình YOLOv8 vẫn ở mức độ nhất định, cần tiếp tục mở rộng để bao phủ nhiều món ăn phức tạp hơn trong thực tế.
  • Tương tác người dùng: Ứng dụng vẫn đòi hỏi tính tự giác cao từ người dùng trong việc ghi chép nhật ký và cập nhật thể trạng định kỳ để AI có đủ dữ liệu ngữ cảnh phân tích.
  • Độ phức tạp hạ tầng: Kiến trúc Microservices đòi hỏi chi phí vận hành, quản lý hệ thống phân tán và đồng bộ dữ liệu phức tạp hơn so với mô hình nguyên khối.

Hướng phát triển trong tương lai

  • Thu thập và chuẩn hóa bộ dữ liệu hình ảnh món ăn phong phú hơn, đặc biệt là các món ăn truyền thống Việt Nam, nhằm tối ưu hóa độ chính xác của mô hình nhận diện.
  • Tinh chỉnh và tối ưu hóa các mô hình AI để giảm độ trễ xử lý khi phân tích hình ảnh và phản hồi chatbot.
  • Hoàn thiện và nâng cấp các tính năng cộng đồng mạng xã hội, thúc đẩy tương tác và tạo động lực rèn luyện bền vững cho người dùng.

Giá trị tham khảo

Báo cáo khóa luận là tài liệu tham khảo có giá trị chuyên môn cao đối với:

  • Sinh viên ngành Kỹ thuật Phần mềm và Công nghệ Thông tin: Tham khảo cách thức phân tích thiết kế hệ thống theo kiến trúc Microservices, cách phân chia cơ sở dữ liệu phân tán, sử dụng API Gateway, Docker và Message Queue (RabbitMQ).
  • Người nghiên cứu ứng dụng AI vào phần mềm: Tham khảo quy trình huấn luyện, đánh giá mô hình YOLOv8 qua các chỉ số ($mAP, Precision, Recall, Loss$), cũng như kỹ thuật tích hợp Large Language Model (Gemini) dựa trên ngữ cảnh cá nhân hóa vào ứng dụng di động.
  • Các nhóm phát triển sản phẩm công nghệ sức khỏe (HealthTech): Tham khảo quy trình nghiệp vụ kết hợp giữa tính toán chỉ số sinh học ($BMI, TDEE$), quản lý dinh dưỡng và xây dựng lộ trình tập luyện thể chất.

Câu hỏi thường gặp

1. Ứng dụng giải quyết bài toán kết hợp dinh dưỡng và tập luyện khác biệt như thế nào so với các ứng dụng hiện có?

Các ứng dụng hiện tại trên thị trường thường chỉ tập trung vào một khía cạnh đơn lẻ (MyFitnessPal chuyên quản lý calo nhưng bài tập thô sơ; Home Workout chuyên bài tập nhưng thiếu dinh dưỡng), khiến người dùng phải sử dụng nhiều ứng dụng riêng biệt. Đề tài kết hợp cả hai mảng trên một nền tảng thống nhất, tự động tính toán nhu cầu năng lượng ($TDEE, BMI$) và cân đối lượng tiêu thụ dựa trên hoạt động thể chất thực tế.

2. Thuật toán YOLOv8 và mô hình Gemini Pro Vision đóng vai trò gì trong hệ thống?

YOLOv8 được sử dụng làm mô hình mạng neural đơn để phát hiện và gán nhãn món ăn theo thời gian thực từ hình ảnh với bounding box chính xác. Bên cạnh đó, mô hình Gemini Pro Vision được sử dụng bổ trợ nhằm xử lý các trường hợp nhận diện phức tạp (hình ảnh bị che khuất, ánh sáng yếu hoặc nhiều món ăn chồng lấp) trước khi trích xuất thông tin dinh dưỡng.

3. Cấu trúc vector biểu diễn Bounding Box trong thuật toán YOLO được xác định như thế nào?

Trong thuật toán YOLO, mỗi bounding box được xác định thông qua vector $Y = [p_c, b_x, b_y, b_h, b_w, c_1, c_2]$, trong đó $p_c$ là điểm xác suất chứa đối tượng trong ô lưới, $(b_x, b_y)$ là tọa độ tâm của khung, $(b_h, b_w)$ là chiều cao và chiều rộng của khung so với ô lưới bao quanh, còn $c_1, c_2$ là xác suất thuộc về các lớp đối tượng tương ứng.

4. Chatbot AI cần những dữ liệu đầu vào nào để đưa ra tư vấn cá nhân hóa chính xác?

Để trợ lý ảo Gemini phản hồi đúng ngữ cảnh, người dùng cần cung cấp dữ liệu hàng ngày bao gồm: tên món ăn và lượng tiêu thụ, các chỉ số dinh dưỡng đa lượng (protein, carb, fat), thông tin bài tập (thời gian, cường độ, nhóm cơ), mục tiêu thể hình (tăng cơ, giảm mỡ, giữ cân) và số liệu cân nặng cập nhật.

5. Hệ thống backend của ứng dụng gồm những Microservices nào và giao tiếp bằng cách nào?

Hệ thống backend được chia thành 4 dịch vụ độc lập gồm: Authentication Service, Main Service, Social Service, và Notification Service. Các dịch vụ được đóng gói trong Docker, quản lý cơ sở dữ liệu SQL Server riêng biệt, tiếp nhận yêu cầu từ ứng dụng di động thông qua API Gateway/Load Balancer và giao tiếp nội bộ qua giao thức HTTP cùng hàng đợi thông điệp RabbitMQ.

Kết luận

Khóa luận tốt nghiệp của sinh viên Lưu Lê Bá Chính và Nguyễn Ngọc Quang Huy đã hoàn thành việc xây dựng nền tảng ứng dụng di động toàn diện kết hợp giữa tập luyện thể chất và quản lý dinh dưỡng. Đề tài giải quyết hiệu quả bài toán thực tiễn thông qua việc tích hợp các công nghệ hiện đại gồm kiến trúc backend Microservices phân tán, mô hình thị giác máy tính YOLOv8/Gemini Pro Vision nhận diện thực phẩm và trợ lý ảo Gemini tư vấn cá nhân hóa. Kết quả nghiên cứu đáp ứng đầy đủ các yêu cầu kỹ thuật phần mềm, mang lại giá trị ứng dụng thiết thực trong việc hỗ trợ người dùng theo dõi và nâng cao sức khỏe lâu dài.