Triển Khai Demo AI Nhận Diện Đối Tượng (Python & OpenCV)

1. Bài toán khách hàng & Yêu cầu đề tài

Các đề tài nghiên cứu về Trí tuệ nhân tạo (AI) và Học máy (Machine Learning) thường bị giảng viên đánh giá là "thiếu tính thực tế" nếu chỉ dừng lại ở việc so sánh độ chính xác của các mô hình lý thuyết trên tệp Jupyter Notebook. Hội đồng luôn đòi hỏi sinh viên phải xây dựng được một ứng dụng **Demo thời gian thực** (Real-time application) có giao diện trực quan.

• Yêu cầu chức năng: Nhập dữ liệu hình ảnh trực tiếp từ tập tin hoặc luồng camera/webcam, nhận diện các đối tượng thuộc nhiều nhãn lớp khác nhau, vẽ bounding box đi kèm tỷ lệ phần trăm chính xác tự tin (Confidence score).
• Yêu cầu phi chức năng: Đảm bảo tốc độ xử lý khung hình mượt mà khi demo trực tiếp, tối ưu hóa mô hình nhẹ để chạy tốt trên laptop thông thường.

2. Giải pháp & Kiến trúc hệ thống

Chúng tôi tư vấn giải pháp sử dụng mô hình học sâu **MobileNet-SSD** hoặc **YOLOv8-nano** đã được huấn luyện sẵn (Pre-trained), sau đó tiến hành **Transfer Learning** (Huấn luyện chuyển giao) trên tập dữ liệu tùy chỉnh của sinh viên để tối ưu hóa thời gian thực hiện:

Sử dụng thuật toán **Non-Maximum Suppression (NMS)** để lọc bỏ các bounding box bị trùng lặp, giữ lại vùng dự đoán tối ưu nhất giúp hình ảnh hiển thị sạch đẹp và rõ ràng trước hội đồng phản biện.

3. Công nghệ sử dụng

4. Kết quả & Demo

Ứng dụng chạy đạt tốc độ xử lý ổn định và phản hồi mượt mà trên các cấu hình máy tính tiêu chuẩn, mô hình nhận diện chính xác các nhãn lớp yêu cầu với độ chính xác cao trong môi trường thử nghiệm:

• Độ trễ phản hồi cực thấp, xử lý trơn tru trên cả CPU và GPU tích hợp.
• Đính kèm mã nguồn tiền xử lý dữ liệu sạch sẽ, rõ ràng kèm ghi chú tiếng Việt dễ hiểu.
• Tài liệu đi kèm phân tích thuật toán chi tiết và các bước huấn luyện lại mô hình (Re-training).