Page 89 - Tạp chí Giao thông Vận Tải - Số Tết Dương Lịch

KHOA HỌC CÔNG NGHỆ Tập 6 4
Tập 64
Số 12/2024 (748)
Bảng 3.2. Kết quả nhận dạng phương tiện giao thông Lời cảm ơn: Nghiên cứu này được tài trợ bởi Trường Đại
trong tập kiểm tra học Giao thông vận tải trong Đề tài mã số T2024-MT-002.
Mô hình P R mAP50 mAP50-95 Thời gian
YOLOv8 (ms) Tài liệu tham khảo
“nano” 0,956 0,918 0,953 0,829 5,5 [1]. R. Girshick (2015), Fast r-cnn, in Proceedings of
“small” 0,96 0,93 0,959 0,845 8,1 the IEEE international conference on computer vision,
pp.1440-1448.
[2]. S. Ren, K. He, R. Girshick and J. Sun (2015), Faster
r-cnn: Towards real-time object detection with region proposal
networks, Advances in neural information processing
systems, vol.28.
[3]. K. He, G. Gkioxari, P. Dollár and R. Girshick (2017),
Mask r-cnn, in Proceedings of the IEEE international
Hình 3.4: Minh họa YOLOv8-s nhận dạng phương tiện giao thông conference on computer vision, pp.2961-2969.
với dữ liệu tự xây dựng [4]. J. Redmon and A. Farhadi (2017), YOLO9000: better,
Bên cạnh đó, nhóm nghiên cứu cũng thực hiện làm thử faster, stronger, in Proceedings of the IEEE conference on
nghiệm khi nhận dạng trên tập kiểm tra với bộ dữ liệu gốc computer vision and pattern recognition, pp.7263-7271.
COCO cho mô hình YOLOv8-s cho kết quả nhận dạng ra số [5]. J. Redmon and A. Farhadi (2018), Yolov3: An
loại phương tiện chưa chính xác với 5 loại (con người, xe incremental improvement, arXiv preprint arXiv:1804.02767.
đạp, ô tô, xe máy và máy bay), như trên Hình 3.5. [6]. A. Bochkovskiy, C.-Y. Wang and H.-Y. M. Liao (2020),
Yolov4: Optimal speed and accuracy of object detection, arXiv
preprint arXiv:2004.10934.
[7]. Ultralytics, Yolov5, https://github.com/ultralytics/
yolov5 (accessed February, 2, 2022).
[8]. X. C. Vuong, X. V. Phan, R. F. Mou, T. T. Vu, V. D. Vu
and D. N. Nguyen (2021), Vehicle Detection and Counting
Hình 3.5: Minh họa YOLOv8-s nhận dạng phương tiện giao thông Under Mixed Traffic Conditions in Vietnam Using Yolov4,
với bộ dữ liệu COCO International Journal Advanced Research Engineering a
Các chỉ số chung cho tất cả các loại nhãn của COCO Technology, vol.12, no.2, pp.722-730.
như sau: P là 0,0734, R là 0,076 và mAP50 là 0,0447, mAP50- [9]. X. C. VUONG, R. F. MOU and T. T. VU (2022), Vehicle
95 là 0,0149. Kết quả này cho thấy, nếu sử dụng bộ nhận Tracking and Speed Estimation under Mixed Traffic Conditions
dạng gốc để nhận dạng phương tiện giao thông từ UAV sẽ using YOLOv4 and SORT: A Case Study of Hanoi, Transport
cho kết quả rất thấp và không đáng tin cậy, như minh họa Problems: An International Scientific Journal, vol.17, no.4,
trên Hình 3.5. Như vậy, điều này đã cho thấy rằng, mô hình pp.17-26.
được xây dựng từ bộ dữ liệu của nhóm nghiên cứu cho kết [10]. T. T. A. Cu, X. C. Vuong, C. T. Nguyen, T. T. Vu and T.A
quả tốt hơn. Với kết quả này, mô hình nhận dạng có thể Nguyen (2024), Detection of Vietnamese Traffic Danger and
được sử dụng cho các bài toán về đo đếm phương tiện giao Warning signs via Deep Learning, Journal of Engineering
thông, ước lượng tốc độ trung bình của dòng xe, ước lượng Science and Technology, vol.19, no.1, pp.133-145.
mật độ dòng xe, đánh giá chất lượng khai thác của đoạn [11]. T.-Y. Lin et al. (2014), Microsoft coco: Common
đường và nút giao thông. objects in context, in European conference on computer
vision, Springer, pp.740-755.
4. KẾT LUẬN [12]. Stanford CS. CS231n: Convolutional Neural
Với mục đích hỗ trợ xây dựng một hệ thống phát hiện Networks for Visual Recognition, https://cs231n.github.io/
và nhận dạng phương tiện giao thông trong dòng xe hỗn convolutional-networks/ (accessed Oct., 8, 2022).
hợp từ hình ảnh được thu thập từ máy bay không người [13]. Ultralytics, ultralytics/ultralytics, https://github.
lái, bài báo đã lựa chọn sử dụng mô hình YOLOv8 để triển com/ultralytics/ultralytics (accessed Oct., 1, 2024).
khai bài toán. Trong quá trình thực thi, phần lớn dữ liệu [14]. E. Puertas, G. De-Las-Heras, J. Fernández-Andrés
được chúng tôi thu thập bằng DJI Phantom IV từ bối cảnh and J. Sánchez-Soriano (2022), Dataset: Roundabout aerial
giao thông thực tế ở Việt Nam. Kết quả thử nghiệm trên images for vehicle detection, Data, vol.7, no.4, p.47.
tập kiểm tra dựa trên mô hình YOLOv8-n và YOLOv8-s với [15]. Tzutalin, tzutalin/labelImg, https://github.com/
độ chính xác mAP50 trên 0,95. Điều này chứng tỏ rằng các tzutalin/labelImg (accessed Dec., 25, 2021).
mô hình đảm bảo độ chính xác cho bài toán nhận dạng
phương tiện giao thông từ UAV. Trong tương lai, việc mở
rộng loại xe, tăng cường mẫu ảnh, nhận dạng phương tiện Ngày nhận bài: 28/10/2024
theo thời gian thực, đồng thời xây dựng hệ thống cảnh báo Ngày nhận bài sửa: 18/11/2024
giao thông tự động từ máy bay không người lái sẽ tiếp tục Ngày chấp nhận đăng: 25/11/2024
được nghiên cứu phát triển.

88