Giới thiệu dự án

Ùn tắc giao thông tại các đô thị lớn đang là một trong những thách thức kinh tế - xã hội nghiêm trọng nhất hiện nay. Theo các báo cáo thống kê giao thông đô thị, thiệt hại kinh tế do ùn tắc, lãng phí nhiên liệu và phát thải môi trường lên đến hàng tỷ USD mỗi năm. Nguyên nhân cốt lõi xuất phát từ sự gia tăng nhanh chóng của mật độ phương tiện cá nhân, hạ tầng chưa đáp ứng kịp thời, công tác phân luồng còn mang tính phản ứng thủ công và đặc biệt là hệ thống chu kỳ đèn tín hiệu cố định tạo ra nhiều "thời gian chết" (dead time) tại các nút giao.

+-----------------------------------------------------------------------------------+
|                               THỰC TRẠNG GIAO THÔNG ĐÔ THỊ                        |
|  - Khảo sát đếm xe thủ công: Tốn 70% nhân lực, sai số chủ quan từ 15-25%          |
|  - Đèn tín hiệu chu kỳ cố định: Gây lãng phí thời gian chờ (Dwell-time)           |
|  - Hạ tầng phức tạp: Đa dạng 9 chủng loại xe hỗn hợp (xe máy, xe tải, xe buýt...) |
+-----------------------------------------------------------------------------------+

Phương pháp thu thập dữ liệu giao thông truyền thống dựa vào con người đếm thủ công qua băng ghi hình bộc lộ nhiều hạn chế: chi phí nhân công cao, tốc độ xử lý chậm và sai số lớn khi mật độ phương tiện tăng cao. Do đó, việc xây dựng một hệ thống thị giác máy tính tự động nhằm nhận diện, theo dõi và trích xuất tham số giao thông chính xác từ camera là yêu cầu cấp thiết.

Problem Statement

Đề tài giải quyết bài toán tự động hóa hoàn toàn quy trình phân tích giao thông từ dữ liệu video camera giám sát, giải quyết các "điểm nghẽn" (pain points) thực tế:

  • Nhận diện và phân loại chi tiết 9 phân lớp phương tiện có độ tương đồng hình thái cao trong điều kiện giao thông hỗn hợp tại Việt Nam (xe máy, xe đạp, ô tô con, taxi, xe khách, xe buýt, xe tải nhỏ LGV, xe tải nặng HGV, xe siêu tải VHGV).
  • Triệt tiêu hiện tượng đếm trùng, mất dấu (track loss) hoặc gán sai định danh (ID switch) khi các phương tiện di chuyển đan xen hoặc bị che khuất (occlusion).
  • Đo lường chính xác các chỉ số động học: lưu lượng theo từng hướng di chuyển tại mặt cắt/nút giao, thời gian chờ đèn đỏ (dwell-time) và độ dài hàng chờ (queue-length).

Project Objectives

  1. Thu thập và chuẩn hóa bộ dữ liệu: Xây dựng tập dữ liệu ảnh và video đa dạng góc quay, thời gian (sáng, chiều, tối), điều kiện thời tiết (nắng, mưa, sương mù) và gán nhãn chuẩn 9 lớp phương tiện.
  2. Huấn luyện mô hình Deep Learning: Fine-tune kiến trúc YOLOv8x đạt độ chính xác cao trong nhận diện vật thể (Object Detection).
  3. Tích hợp giải thuật Multi-Object Tracking: Triển khai ByteTrack để duy trì định danh (ID) và quỹ đạo chuyển động (trajectory) liên tục qua các khung hình.
  4. Phát triển thuật toán đo lường thông minh: Xây dựng thuật toán đếm xe đa tuyến (4-line counting kết hợp vector định hướng cho mặt cắt; 2-line matching cho nút giao) và thuật toán Ray Casting xác định dwell-time trong vùng đa giác (Zone).
  5. Đóng gói ứng dụng web: Xây dựng hệ thống Web Dashboard hoàn chỉnh bằng Python Flask, lưu trữ kết quả phân tích và tự động xuất báo cáo Excel theo các khối thời gian quy chuẩn (15 phút).

Solution Approach & Justification

Hệ thống sử dụng kiến trúc phân tách hai giai đoạn (Decoupled Two-Phase Architecture):

  • Phase 1 (AI Processing Pipeline): Chạy Object Detection & Tracking offline trên video đầu vào, trích xuất tọa độ tâm bounding box $(x_c, y_c)$ của từng ID theo từng frame và lưu trữ vào tệp cấu trúc JSON.
  • Phase 2 (Dynamic Measurement Engine): Đọc dữ liệu từ file JSON để thực hiện các phép toán hình học không gian (giao điểm vector, kiểm tra điểm trong đa giác) theo cấu hình người dùng thiết lập trên giao diện Web.

Cách tiếp cận này giúp tối ưu hóa tài nguyên tính toán: mô hình AI chỉ cần xử lý video nặng một lần duy nhất, trong khi người dùng có thể tùy chỉnh vẽ lại vạch đếm hoặc đổi vùng quan sát mà không cần chạy lại mô hình Deep Learning từ đầu.

+---------------+      +-------------------+      +-------------------+
|  Input Video  | ---> |  YOLOv8x +        | ---> |  JSON Repository  |
|  (RTSP/MP4)   |      |  ByteTrack Engine |      |  (ID, Class, BBox)|
+---------------+      +-------------------+      +-------------------+
                                                            |
                                                            v
+---------------+      +-------------------+      +-------------------+
| Excel Reports | <--- |  Web Dashboard    | <--- |  Geometry Engine  |
| (15-min block)|      |  (Flask + MySQL)  |      |  (Lines / Zones)  |
+---------------+      +-------------------+      +-------------------+

Expected Outcomes & Measurable Metrics

  • Sai số đếm theo từng loại xe: $\le 5%$ so với thực tế.
  • Sai số tổng lượng xe tích lũy: $\le 3%$ trên toàn bộ video thử nghiệm.
  • Sai số thời gian chờ (Dwell-time): $\le 10\text{ giây/xe}$.
  • Sai số độ dài hàng chờ (Queue-length): Sai số biên trong khoảng $\pm 14\text{m}$.
  • Hệ thống Web App: Hỗ trợ cấu hình trực quan, xuất dữ liệu Excel chuẩn hóa phục vụ trực tiếp cho các đơn vị quy hoạch và điều tiết giao thông.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Phương pháp Ưu điểm Nhược điểm Độ chính xác Chi phí triển khai
Đếm thủ công (Manual) Không cần hạ tầng công nghệ Tốn nhân lực, dễ sai sót khi xe đông, không liên tục 75% - 85% Rất cao theo thời gian
Vòng từ cảm ứng (Inductive Loops) Đo đếm trực tiếp tại mặt đường Phải cắt mặt đường lắp đặt, dễ hỏng, không phân loại chi tiết 85% - 90% Cao, bảo trì phức tạp
Faster R-CNN + DeepSORT Độ chính xác nhận diện cao Tốc độ chậm (<15 FPS), trễ khung hình, tốn GPU lớn 88% - 92% Trung bình - Cao
Đề xuất: YOLOv8x + ByteTrack Xử lý tracking chính xác, phân loại 9 lớp, đếm đa hướng, đo dwell-time Đòi hỏi GPU để trích xuất dữ liệu ban đầu 90% - 97% Tối ưu, tận dụng Camera sẵn có

Ma trận ưu tiên yêu cầu người dùng (MoSCoW)

  • Must have: Nhận diện chính xác 9 loại xe; Tracking ổn định qua bounding box; Đếm xe mặt cắt phân tách 2 chiều; Đếm xe nút giao phân luồng rẽ; Đo thời gian chờ trong Zone bằng Ray Casting; Xuất báo cáo Excel theo khung 15 phút.
  • Should have: Giao diện trực quan cho phép vẽ line đếm và vùng zone ngay trên khung hình; Phân biệt màu sắc trajectory theo từng loại xe.
  • Could have: Đánh giá độ dài hàng chờ (Queue length); Cảnh báo mật độ phương tiện vượt ngưỡng.
  • Won't have (giai đoạn này): Nhận diện biển số xe tự động (ALPR); Xử lý Edge AI nhúng trực tiếp trên camera độc lập không cần server.

Thiết kế hệ thống

+------------------------------------------------------------------------+
|                            HỆ THỐNG KIẾN TRÚC                          |
|                                                                        |
|  [PRESENTATION LAYER]                                                  |
|  +------------------------------------------------------------------+  |
|  | Web UI (HTML5, CSS3, JavaScript, Canvas API drawing lines/zones) |  |
|  +------------------------------------------------------------------+  |
|                                 | HTTP / REST API                      |
|                                 v                                      |
|  [APPLICATION & SERVICE LAYER]                                         |
|  +------------------------------------------------------------------+  |
|  | Flask Web Server (Routing, Session Management, Background Worker) |  |
|  | Measurement Engine:                                              |  |
|  |   * Line Intersection & Directional Vector Module                |  |
|  |   * Polygon Containment Module (Ray Casting Algorithm)           |  |
|  |   * Statistical Aggregator (15-minute time binning)              |  |
|  +------------------------------------------------------------------+  |
|                                 |                                      |
|                                 v                                      |
|  [CORE AI ENGINE]                                                      |
|  +------------------------------------------------------------------+  |
|  | YOLOv8x Detector (Ultralytics) + ByteTrack Tracker (Association)  |  |
|  +------------------------------------------------------------------+  |
|                                 |                                      |
|                                 v                                      |
|  [DATA STORAGE LAYER]                                                  |
|  +------------------------------------------------------------------+  |
|  | MySQL Database (Users, Tasks) | JSON Repository | Excel Generator|  |
|  +------------------------------------------------------------------+  |
+------------------------------------------------------------------------+

Technology Stack & Versioning

  • Ngôn ngữ lập trình: Python v3.10+
  • Framework AI/Vision: PyTorch v2.1.0, Ultralytics YOLOv8 v8.1.0, ByteTrack v1.0.5, OpenCV-Python v4.8.1.78
  • Web Backend & Database: Flask v2.3.3, MySQL v8.0, SQLAlchemy v2.0
  • Xử lý dữ liệu & Báo cáo: NumPy v1.24.3, Pandas v2.1.1, OpenPyXL v3.1.2
  • Công cụ gán nhãn: LabelImg v1.8.6

JSON Tracking Data Schema

Dữ liệu quỹ đạo xe được cấu trúc hóa để tối ưu dung lượng và tốc độ truy vấn:

{
  "video_metadata": {
    "fps": 30,
    "total_frames": 54000,
    "resolution": [1920, 1080],
    "start_time": "18:30:00"
  },
  "tracked_objects": [
    {
      "track_id": 51,
      "class_name": "car",
      "trajectories": [
        {"frame": 120, "x_center": 450.5, "y_center": 620.0, "bbox": [420, 580, 481, 660]},
        {"frame": 121, "x_center": 452.0, "y_center": 623.5, "bbox": [422, 583, 482, 664]}
      ]
    }
  ]
}

Methodology

Dự án áp dụng mô hình phát triển Agile/Scrum chia thành 4 sprint rõ ràng:

+-------------------+      +-------------------+      +-------------------+      +--------------------+
|     Sprint 1      |      |     Sprint 2      |      |     Sprint 3      |      |      Sprint 4      |
| Thu thập dữ liệu  | ---> | Huấn luyện YOLOv8 | ---> | Thuật toán đếm xe | ---> | Xây dựng Web Flask |
| Gán nhãn 9 lớp xe |      | & ByteTrack MOT   |      | & Ray-Casting     |      | & Kiểm thử hệ thống|
+-------------------+      +-------------------+      +-------------------+      +--------------------+

Đánh giá và giảm thiểu rủi ro kỹ thuật

  • Rủi ro che khuất (Occlusion): Phương tiện kích thước lớn (HGV, Bus) che khuất xe máy/xe con. Giải pháp: ByteTrack sử dụng cả các bounding box có điểm tin cậy thấp (low confidence) ở bước liên kết thứ 2 để duy trì ID, không để ngắt quãng quỹ đạo.
  • Rủi ro trùng hướng di chuyển: Xe đi ngược chiều bị tính sai vào lưu lượng luồng. Giải pháp: Lọc bằng tích vô hướng giữa vector chuyển động phương tiện và vector chỉ hướng chuẩn $\vec{u}_{AB}$.

Implementation và kết quả

Development Process & Key Algorithms

1. Thuật toán đếm mặt cắt (Cross-section Counting)

Tại mặt cắt, hệ thống sử dụng tổ hợp 4 vạch đếm song song ($Line_0, Line_1, Line_2, Line_3$) và 1 vector định hướng $Line_{AB}$.

  • Xét đoạn thẳng tạo bởi tọa độ tâm của xe giữa 2 frame liên tiếp: $P_1(x_1, y_1)$ và $P_2(x_2, y_2)$.
  • Kiểm tra điều kiện giao cắt giữa đoạn $P_1P_2$ và vạch đếm $CD$ thông qua hàm kiểm tra định hướng (CCW - Counter Clockwise):

$$\text{intersect}(P_1P_2, CD) = (\text{ccw}(P_1, C, D) \neq \text{ccw}(P_2, C, D)) \land (\text{ccw}(P_1, P_2, C) \neq \text{ccw}(P_1, P_2, D))$$

  • Bộ lọc hướng: Tính góc lệch $\theta$ giữa vector quỹ đạo $\vec{v} = \vec{P_{\text{first}} P_{\text{last}}}$ và vector định hướng $\vec{u}_{AB}$:

$$\cos \theta = \frac{\vec{v} \cdot \vec{u}{AB}}{|\vec{v}| |\vec{u}{AB}|}$$

Phương tiện chỉ được ghi nhận nếu $\cos \theta \ge 0$ (tức góc lệch nằm trong khoảng $[-90^\circ, +90^\circ]$).

          Line 0       Line 1       Line 2       Line 3
         +------------+------------+------------+
  -----> |   (x1,y1)  |            |            |
   Xe    |      \     |            |            |
  chạy   |       \    |            |            |
         |     (x2,y2)|            |            |
         +------------+------------+------------+
                 =======================>
                  Vector chỉ hướng Line AB

2. Thuật toán đếm nút giao (Intersection Turning Movement)

Tại ngã 3/ngã 4, phương tiện có thể rẽ trái, rẽ phải hoặc đi thẳng. Thuật toán sử dụng cặp vạch $(Line_{\text{entry}}, Line_{\text{exit}})$:

  • Phương tiện có quỹ đạo cắt qua cả $Line_1$ và $Line_2$.
  • Xác định thứ tự thời gian: $Frame(\text{cut } Line_1) < Frame(\text{cut } Line_2) \implies$ Phương tiện di chuyển theo luồng $Line_1 \to Line_2$.

3. Thuật toán đo Dwell-time bằng Ray Casting

Để tính thời gian chờ đèn tín hiệu, người dùng định nghĩa một vùng đa giác $\mathcal{P} = {V_1, V_2, \dots, V_k}$. Thuật toán Ray Casting xác định trạng thái nằm trong/ngoài vùng của tâm phương tiện tại frame $t$:

def is_point_in_polygon(point, polygon):
    """
    Thuat toan Ray Casting xac dinh diem P(x, y) nam trong da giac.
    point: tuple (x, y)
    polygon: list cac dinh [(x1, y1), (x2, y2), ..., (xk, yk)]
    """
    x, y = point
    n = len(polygon)
    inside = False
    
    p1x, p1y = polygon[0]
    for i in range(n + 1):
        p2x, p2y = polygon[i % n]
        if y > min(p1y, p2y):
            if y <= max(p1y, p2y):
                if x <= max(p1x, p2x):
                    if p1y != p2y:
                        xinters = (y - p1y) * (p2x - p1x) / (p2y - p1y) + p1x
                    if p1x == p2x or x <= xinters:
                        inside = not inside
        p1x, p1y = p2x, p2y
        
    return inside

def calculate_dwell_time(track_history, polygon, fps):
    in_zone_frames = 0
    for frame_id, center_coord in track_history:
        if is_point_in_polygon(center_coord, polygon):
            in_zone_frames += 1
    dwell_time_seconds = in_zone_frames / fps
    return dwell_time_seconds

Testing và validation

Mô hình được đánh giá trên tập video thực tế thu thập tại các nút giao thông trọng điểm Hà Nội. Kết quả so sánh giữa hệ thống AI và giám sát viên con người (Ground Truth):

Phân lớp phương tiện Số lượng thực tế (Người đếm) Số lượng AI đếm Chênh lệch (Xe) Tỷ lệ sai số (%) Đạt chuẩn ($\le 5%$)
Motor (Xe máy) 1,420 1,388 -32 2.25% Đạt
Bicycle (Xe đạp) 45 43 -2 4.44% Đạt
Car (Xe con) 512 520 +8 1.56% Đạt
Taxi 134 128 -6 4.47% Đạt
Coach (Xe khách) 68 66 -2 2.94% Đạt
Bus (Xe buýt) 55 56 +1 1.81% Đạt
LGV (Tải nhỏ) 88 85 -3 3.40% Đạt
HGV (Tải nặng) 42 41 -1 2.38% Đạt
VHGV (Siêu tải) 14 14 0 0.00% Đạt
TỔNG CỘNG 2,378 2,341 -37 1.55% Đạt ($\le 3%$) 
+---------------------------------------------------------------------------------+
|                              KẾT QUẢ ĐO DWELL-TIME                              |
|  - Phương tiện mẫu ID 51: Dừng lúc 17:37:05, Thoát lúc 17:37:48 => Dwell: 43s   |
|  - Đo đếm thủ công: 41s => Sai số: 2s (Đạt ngưỡng yêu cầu <= 10s)               |
+---------------------------------------------------------------------------------+

Đổi mới và đóng góp

  1. Phân loại chuyên sâu 9 nhóm phương tiện đặc thù: Khác với hầu hết các đề tài trước đây chỉ phân 3-4 nhóm cơ bản (Car, Bus, Truck, Motorbike), nghiên cứu này phân tách chi tiết taxi với xe con, phân tách xe tải theo tải trọng (LGV, HGV, VHGV). Điều này có ý nghĩa quyết định trong việc tính toán tải trọng trục đường (ESAL) phục vụ công trình giao thông.
  2. Kiến trúc Decoupling tối ưu hóa tài nguyên: Tách rời quá trình Inference AI và Dynamic Measurement giúp giảm 90% thời gian tương tác của người dùng. Một video 1 giờ chỉ cần xử lý trích xuất 1 lần, sau đó người dùng có thể đổi vị trí vạch đếm hoặc đổi kích thước Zone tức thì trên giao diện Web.
  3. Bộ lọc Vector định hướng $\vec{u}_{AB}$: Giải quyết triệt để bài toán đếm nhầm các phương tiện lấn làn, quay đầu hoặc đi ngược chiều trên tuyến đường không có dải phân cách cứng.
  4. Tích hợp giải thuật Ray Casting cho Dwell-time: Cung cấp giải pháp định lượng thời gian chờ tại các pha đèn đỏ với độ chính xác cao, tạo tiền đề cho các hệ thống đèn tín hiệu giao thông thích ứng thông minh (Adaptive Traffic Lights).

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế

  • Trung tâm điều hành giao thông thông minh (ITS): Cung cấp dữ liệu lưu lượng thời gian thực để tự động điều chỉnh chu kỳ đèn tín hiệu tại các nút giao nghẽn.
  • Viện nghiên cứu & Đơn vị tư vấn quy hoạch: Tự động hóa công tác khảo sát giao thông phục vụ lập dự án xây dựng cầu vượt, mở rộng làn đường hoặc mở tuyến xe buýt mới.
  • Quản lý bến bãi, cảng biển & Trạm thu phí: Kiểm soát số lượng và tỷ trọng các dòng xe siêu tải (VHGV, HGV) lưu thông qua trạm.
+----------------------------------------------------------------------+
|                     YÊU CẦU PHẦN CỨNG TRIỂN KHAI                     |
|  - Server Inference: Intel Xeon / Core i7, 32GB RAM, GPU RTX 3060/   |
|    RTX 4090 (Tối thiểu 12GB VRAM).                                   |
|  - Camera hạ tầng: IP Camera chuẩn RTSP/H.264/H.265, Full HD (1080p),|
|    tốc độ khung hình 25-30 FPS.                                      |
+----------------------------------------------------------------------+

Phân tích hiệu quả kinh tế (Cost-Benefit Analysis)

Một đợt khảo sát giao thông truyền thống tại 10 nút giao cần khoảng 30 nhân sự làm việc trong 3 ngày với chi phí ước tính 60-80 triệu VNĐ. Triển khai hệ thống tự động giúp cắt giảm tới 75% chi phí nhân công, thời gian xuất báo cáo rút ngắn từ hàng tuần xuống vài giờ, thời gian hoàn vốn đầu tư phần mềm (ROI) ước tính dưới 6 tháng.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Tốc độ xử lý mô hình lớn: YOLOv8x có số lượng tham số lớn, thời gian xử lý video dài hơn thời gian thực khoảng 1.5 lần trên GPU tầm trung.
  • Điều kiện thời tiết cực đoan: Khi mưa lớn hoặc sương mù dày đặc che khuất tầm nhìn camera, độ chính xác nhận diện các vật thể nhỏ (xe đạp) có thể suy giảm.

Hướng phát triển tương lai

  • Tối ưu hóa mô hình với TensorRT / ONNX Runtime: Lượng tử hóa (Quantization) mô hình sang chuẩn FP16 hoặc INT8 để đạt tốc độ xử lý Realtime trên các thiết bị Edge AI (như NVIDIA Jetson Orin).
  • Mở rộng bài toán phân tích hành vi: Tích hợp mô-đun phát hiện phương tiện lấn làn, đi ngược chiều, vượt đèn đỏ và nhận diện biển số tự động (ALPR).

Đối tượng hưởng lợi

+------------------+-------------------------------------------------------------+
| Đối tượng        | Giá trị mang lại                                            |
+------------------+-------------------------------------------------------------+
| Sinh viên /      | Nguồn tài liệu thực tế về quy trình gán nhãn, fine-tune     |
| Nghiên cứu sinh  | YOLOv8x, tích hợp ByteTrack và thuật toán Ray Casting.      |
+------------------+-------------------------------------------------------------+
| Lập trình viên   | Tham khảo kiến trúc Decoupled Web-AI xử lý video; mẫu mã    |
| (Developers)     | nguồn tính toán hình học không gian (Vector, Ray Casting).   |
+------------------+-------------------------------------------------------------+
| Đơn vị quản lý / | Tiết kiệm 75% chi phí khảo sát giao thông; có số liệu chuẩn |
| Doanh nghiệp     | hóa theo khung 15 phút để tối ưu hóa quy hoạch hạ tầng.     |
+------------------+-------------------------------------------------------------+

Câu hỏi thường gặp

1. Hệ thống có yêu cầu phần cứng đặc thù nào để vận hành không?

Hệ thống cần tối thiểu CPU 8 cores, 16GB RAM và GPU NVIDIA có VRAM từ 8GB trở lên (khuyến nghị RTX 3060 trở lên) để chạy mô hình nhận diện YOLOv8x. Giao diện Web Client có thể truy cập mượt mà trên mọi máy tính thông qua trình duyệt chuẩn.

2. Khi phương tiện bị che khuất tạm thời thì hệ thống có bị mất dấu không?

Không. Nhờ giải thuật ByteTrack, hệ thống sử dụng cả các bounding box có score thấp ở giai đoạn kết hợp thứ hai thông qua ma trận khoảng cách IoU và bộ lọc Kalman Filter, giúp duy trì ID ổn định ngay cả khi xe bị khuất bóng sau xe buýt hoặc cây cối trong một vài khung hình.

3. Làm thế nào để xuất dữ liệu báo cáo sang các phần mềm mô phỏng giao thông (như VISSIM, Aimsun)?

Hệ thống tích hợp sẵn mô-đun Pandas/OpenPyXL tự động tổng hợp và làm tròn số liệu theo các khối thời gian 15 phút chuẩn quốc tế. File Excel xuất ra có cấu trúc phân tách rõ ràng theo từng hướng và từng loại xe, sẵn sàng nhập trực tiếp vào các phần mềm mô phỏng.

4. Hệ thống có xử lý được luồng camera trực tiếp (Live RTSP Stream) không?

Kiến trúc hỗ trợ mở rộng kết nối trực tiếp với luồng RTSP từ IP Camera giao thông. Dữ liệu frame sẽ được đưa vào hàng đợi (Queue) để xử lý theo thời gian thực hoặc ghi theo chu kỳ.

5. Chi phí bảo trì và cập nhật mô hình như thế nào?

Mô hình được đóng gói độc lập. Khi cần bổ sung dữ liệu môi trường mới, kỹ sư chỉ cần nạp thêm dữ liệu huấn luyện và thay thế file trọng số (weights/best.pt) mà không cần thay đổi cấu trúc nền tảng Web và thuật toán đo đếm.

Kết luận

Đồ án tốt nghiệp "Xây dựng ứng dụng trí tuệ nhân tạo nhận diện và tracking phương tiện giao thông" của tác giả Vũ Tuấn Huy đã giải quyết xuất sắc bài toán tự động hóa đo đếm và phân tích giao thông đô thị. Bằng việc kết hợp sức mạnh nhận diện vượt trội của YOLOv8x, khả năng theo dõi đối tượng tối ưu của ByteTrack và các giải thuật hình học thông minh (Ray Casting, Directional Vector Filtering), hệ thống đạt độ chính xác đếm thực tế lên tới 98.45% (sai số tổng thể chỉ 1.55%), đáp ứng hoàn hảo các tiêu chuẩn khắt khe trong phân tích kỹ thuật giao thông.

Kiến trúc phân tách linh hoạt cùng giao diện quản trị trực quan mở ra khả năng ứng dụng thực tiễn to lớn, góp phần đẩy nhanh quá trình chuyển đổi số và xây dựng hệ thống Giao thông Thông minh (ITS) bền vững tại các đô thị hiện đại.