Professional Documents
Culture Documents
Báo_Cáo_Thực_Tập_Kỹ_Thuật_new
Báo_Cáo_Thực_Tập_Kỹ_Thuật_new
Báo_Cáo_Thực_Tập_Kỹ_Thuật_new
-----□□□□-----
Đơn vị tiếp nhận: Công ty Cổ phần Công nghệ Công nghiệp Bưu
chính Viễn thông (VNPT Technology)
Hanoi, 8-2023
Project I
ET-LUH K65
Project I
bởi
1.1
1.2
1.3
ET-LUH K65
Project I
ET-LUH K65
Project I
Contents
Chương 1. Giới thiệu về Công ty................................................................................7
1.1 Giới thiệu chung................................................................................................7
1.2. Lĩnh vực hoạt động...........................................................................................7
1.3. Sứ mệnh............................................................................................................8
1.4. Giá trị cốt lõi.....................................................................................................8
1.5. Triết lý kinh doanh...........................................................................................9
1.6. Cơ cấu tổ chức..................................................................................................9
Chương 2. Nội dung thực tập....................................................................................12
2.1 Các vị trí công việc trong công ty...................................................................12
2.1.1 Vị trí Phát triển phần mềm hệ thống nhúng.............................................12
2.2.2 Backend Developer..................................................................................13
2.2.3 Fresher......................................................................................................13
Chương 3. Phân tích và triển khai dự án...................................................................15
3.1 Mục đích và đối tượng sản phẩm....................................................................15
3.1.1 Mục đích đề tài.........................................................................................15
3.1.2 Đối tượng sử dụng....................................................................................15
3.1.3 Yêu cầu chức năng và phi chức năng.......................................................15
3.1.4 Phạm vi đề tài...........................................................................................16
3.2 Yêu cầu bài toán..............................................................................................16
3.3 Tìm hiểu và lựa chọn mô hình.........................................................................17
3.3.1 So sánh Machine Learning và Deep Learning.........................................17
3.3.2 Tìm hiểu và so sánh một số model Deep Learning..................................18
3.3.3 Edge AI và Tiny Machine Learning.........................................................19
3.3.4 Giới thiệu thuật toán FOMO....................................................................20
3.3.5 Lựa chọn dataset...........................................................................................23
Chương 4. Thử nghiệm và kết quả............................................................................24
ET-LUH K65
Project I
4.1. Chọn lọc ảnh phù hợp trong dataset và triển khai model trên PC..................24
4.1.1 Chọn lọc ảnh trong dataset.......................................................................24
4.1.2 Kết quả.....................................................................................................24
Chương 5. Nhận xét, đề xuất.....................................................................................27
5.1 Ưu điểm...........................................................................................................27
5.2 Nhược điểm.....................................................................................................27
5.3 Đề xuất............................................................................................................27
ET-LUH K65
Project I
Nghiên cứu phát triển sản phẩm công nghệ & ODM: Là hoạt động cốt lõi
của Công ty nhằm tạo ra những giá trị từ tri thức, tạo ra tài sản trí tuệ và hàng
hóa dịch vụ với hàm lượng công nghệ cao. Nghiên cứu và phát triển các công
nghệ lõi trong 5 lĩnh vực: Băng rộng cố định, băng rộng không dây, IoT, công
nghệ 5G và Chuyển đổi số nhằm tạo ra những sản phẩm toàn diện từ Phần
ET-LUH K65
Project I
cứng/Thiết bị, nền tảng cho tới các ứng dụng người dùng. Mục tiêu 2025, trở
thành nhà nghiên cứu phát triển thiết kế gốc.
Sản xuất thiết bị công nghệ công nghiệp & EMS: Các sản phẩm tạo ra từ
quá trình nghiên cứu và phát triển, được sản xuất hàng loạt qua hoạt động sản
xuất công nghiệp điện tử đáp ứng nhu cầu thị trường trong và ngoài nước. Bên
cạnh đó dịch vụ sản xuất điện tử - EMS được mở rộng giúp Công ty tận dụng
được năng lực và hạ tầng sẵn có đồng thời tham gia sâu rộng hơn vào chuỗi
cung ứng toàn cầu.
Tích hợp hệ thống mạng viễn thông, Công nghệ thông tin: Với gần 30 năm
kinh nghiệm tích hợp các hệ thống lớn như mạng Viễn thông, Công ty xác
định trở thành đơn vị dẫn đầu trong lĩnh vực tích hợp hệ thống mạng Viễn
thông và Công nghệ thông tin. Hoạt động tích hợp hệ thống toàn diện từ Phân
tich, Xây dựng giải pháp tổng thể, Thiết kế, Triển khai và Đào tạo chuyển
giao.
Thương mại, dịch vụ kỹ thuật ICT trong nước và quốc tế: Hoạt động kinh
doanh phát triển thị trường nhằm cung cấp các sản phẩm phẩm công nghệ, các
giải pháp tích hợp, dịch vụ kỹ thuật ICT trong nước và quốc tế với các mảng
thị trường bao gồm: Kinh doanh phát triển thị trường truyền thống/các nhà
mạng; Kinh doanh phát triển thị trường Doanh nghiệp và khách hàng cá nhân;
và Kinh doanh phát triển thị trường quốc tế.
Chuyển đổi số doanh nghiệp SME: Đây là một lĩnh vực mới được xác định
tập trung nghiên cứu và phát triển trong giai đoạn 2020 – 2025, song hành
cùng chiến lược Quốc gia số tới năm 2030. Giúp các doanh nghiệp vừa và nhỏ
thay đổi các phương thức hoạt động nhằm tạo ra các sản phẩm mới, giá trị mới
thông qua việc ứng dụng các bộ giải pháp công nghệ và chuyển dịch vận hành
trên không gian số.
1.3. Sứ mệnh
Sứ mệnh của VNPT Technology là tạo ra các sản phẩm công nghệ chất lượng cao
mang thương hiệu Việt phục vụ mạng viễn thông CNTT cũng như đông đảo cộng
đồng.
ET-LUH K65
Project I
Nghiên cứu phát triển và cung ứng các sản phẩm công nghệ chất lượng cao
mang thương hiệu Việt trên thị trường, đưa sản phẩm công nghệ thương hiệu Việt
có khả năng cạnh tranh và bắt kịp với xu hướng phát triển công nghệ thông tin trên
thế giới.
Xây dựng văn hóa doanh nghiệp trên cơ sở nền tảng khuyến khích tinh thần làm
việc nhóm (teamworking và cross-teamworking), tích cực chia sẻ thông tin, hỗ trợ
nhau trong công việc, phát huy tinh thần và thế mạnh của VNPT Technology.
Phát triển môi trường làm việc có giá trị nhân văn, minh bạch là cơ sở tạo động lực,
tìm tòi sáng tạo, không ngừng học hỏi trong hoạt động nghiên cứu, phát triển công
nghệ.
Lấy con người làm nòng cốt, tập trung phát triển và đào tạo nhân lực, tạo điều
kiện phát triển đội ngũ CBNV nhiệt huyết, giỏi chuyên môn nghiệp vụ, có năng lực
sáng tạo, tác phong làm việc chuyên nghiệp, có tình thần trách nhiệm cao trong công
việc, xây dựng tập thể đoàn kết nhằm đưa VNPT Technology phát triển bền vững.
ET-LUH K65
Project I
ANSV
Công ty TNHH Thiết bị Viễn thông ANSV được thành lập từ tháng 7 năm 1993
trong quan hệ hợp tác liên doanh giữa Tập đoàn Alcatel (nay là Alcatel-Lucent) với
Tổng công ty Bưu chính Viễn thông Việt Nam (nay là Tập đoàn Bưu chính Viễn
thông Việt Nam).
ANSV tiếp tục phát triển trên các lĩnh vực hoạt động truyền thống từ hơn 18 năm
của mô hình liên doanh, đồng thời phát huy những kinh nghiệm cũng như nguồn lực
tích lũy từ hơn 18 năm qua, tiếp tục phát triển và mở rộng lĩnh vực hoạt động thúc
đẩy phát triển công nghệ, công nghiệp và dịch vụ viễn thông và công nghệ thông tin.
- Nghiên cứu phát triển, sản xuất và sửa chữa thiết bị điện, điện tử, viễn thông,
công nghệ thông tin và truyền thông, phát triển công nghiệp nội dung số.
- Kinh doanh dịch vụ viễn thông, công nghệ thông tin và truyền thông, kinh
doanh công nghiệp nội dung số.
- Kinh doanh sản phẩm điện, điện tử, viễn thông, công nghệ thông tin và
truyền thông;
- Khảo sát, tư vấn, thiết kế, xây dựng, lắp đặt, bảo dưỡng và hỗ trợ kỹ thuật các
công trình viễn thông, công nghệ thông tin và truyền thông.
- Tổng thầu các công trình viễn thông, công nghệ thông tin và truyền thông.
- Tư vấn, nghiên cứu, đào tạo, dạy nghề và ứng dụng tiến bộ khoa học, công
nghệ trong lĩnh vực điện, điện tử, viễn thông, công nghệ thông tin và truyền
thông.
- Kinh doanh xuất nhập khẩu, cung ứng vật tư thiết bị cho các công trình thuộc
lĩnh vực viễn thông, công nghệ thông tin và truyền thông.
- Sản xuất, lắp ráp và thực hiện các dịch vụ liên quan đến các hệ thống thiết bị
viễn thông của Alcatel-Lucent và các hệ thống thiết bị viễn thông và công
nghệ thông tin thế hệ mới khác.
ET-LUH K65 10
Project I
VIVAS
Công ty TNHH cung cấp giải pháp Dịch vụ Giá trị Gia tăng (VIVAS) được thành
lập tháng 7/2011, trực thuộc Công ty Cổ phần Công nghệ Công nghiệp Bưu chính
Viễn thông (VNPT Technology), đơn vị thành viên của Tập đoàn Bưu chính Viễn
thông Việt Nam (VNPT). VIVAS tự hào là công ty cung cấp các dịch vụ và giải
pháp giá trị gia tăng hàng đầu Việt Nam.
Với nguồn nhân lực vốn có và kinh nghiệm làm việc nhiều năm trong lĩnh vực viễn
thông và công nghệ thông tin, VIVAS tự hào giới thiệu ngành nghề kinh doanh
- Nghiên cứu phát triển giải pháp viễn thông, công nghệ thông tin và truyền
thông, phát triển công nghiệp nội dung số.
- Kinh doanh dịch vụ viễn thông, công nghệ thông tin và truyền thông, kinh
doanh công nghiệp nội dung số.
- Kinh doanh dịch vụ thanh toán online và thanh toán bằng thiết bị di động
- Dịch vụ tư vấn chiến lược, xây dựng kế hoạch triển khai các chiến dịch
Marketing, truyền thông, quảng cáo, nghiên cứu thị trường.
TELEQ
Công ty TNHH sản xuất thiết bị viễn thông (TELEQ) – một thành viên của VNPT
Technology trong lĩnh vực Công nghệ; Công nghiệp Điện tử viễn thông – Công
nghệ thông tin; truyền thông và công nghiệp nội dung số. TELEQ là đơn vị cung
cấp vật tư, thiết bị, tư vấn & triển khai các giải pháp viễn thông và công nghệ thông
tin.
ET-LUH K65 11
Project I
cho các ngành Nông Nghiệp, Y tế, Giao thông, Năng lượng,…
- Giải pháp giao thông, an ninh:
Tư vấn, triển khai, lắp đặt hệ thống giám sát tín hiệu giao thông, tốc độ để giám sát
và xử lý các phương tiện vi phạm, an ninh khu vực một cách tối ưu và hiệu quả.
ET-LUH K65 12
Project I
ET-LUH K65 13
Project I
- Có khả năng đọc hiểu tài liệu Tiếng Anh chuyên ngành
Kỹ năng mềm:
- Khả năng làm việc nhóm và độc lập
- Trung thực, có tinh thần trách nhiệm cao, khả năng chịu áp lực công việc tốt.
- Khả năng giao tiếp, trình bày vấn đề ;
- Cost of downtime as a percentage of revenue
- Statistics on the number Manufacturers are focused on predictive maintenance
Mô tả công việc
Kỹ sư phát triển phần mềm được tham gia phát triển những sản phẩm quy
mô lớn như nền tảng ứng dụng chuyển đổi số doanh nghiệp, sàn thương mại
điện tử B2B Marketplace.
Yêu cầu kinh nghiệm
- Tốt nghiệp ĐH chuyên ngành CNTT và ĐTVT hoặc tương đương.
- Chấp nhận đào tạo ứng viên vừa tốt nghiệp ra trường đại học chuyên
ngành CNTT và Điện tử viễn thông.
- Có khả năng lập trình một trong các ngôn ngữ Java, Python, PHP, C# ..
- Quen thuộc với các framework lập trình backend phổ biến ( như
Spring, .Net, Django, Laravel, NodeJs …)
- Từng làm việc với các Persistence Database (MySQL, PostgreSql …)
hoặc NoSQL
- Kỹ năng làm việc độc lập, tự quản lý thời gian và công việc
- Kỹ năng làm việc nhóm
- Kỹ năng tìm kiếm thông tin và tìm hiểu những kiến thức mới
- Tinh thần cầu tiến, đương đầu với những thách thức, dự án lớn
- Ưu tiên: Ít nhất 1 năm kinh nghiệm lập trình Java, Python, PHP, C# ..
Đãi ngộ
- Xét lương 2 lần/năm, 16 tháng lương/1 năm
- Tiếp cận CN mới nhất IoT, 5G, Cloud, Big Data
- Môi trường trẻ trung, chuyên nghiệp, ăn trưa free
2.2.3 Fresher
ET-LUH K65 14
Project I
Giới thiệu
Là chương trình tuyển dụng Fresher lớn nhất tại VNPT Technology được tổ chức
thường niên dành cho các bạn sinh viên khối ngành CNTT và ĐTVT trên toàn
Quốc. VNPT FRESHER 2023 mong muốn sẽ đem đến cho các bạn cơ hội “khám
phá” và “phát triển” trong môi trường năng động và đầy thử thách.
Quyền lợi
- Nhận lương lên đến 15tr/tháng tùy vị trí công việc ngay từ thời gian đào tạo.
- Tham gia miễn phí các khóa đào tạo chuyên môn & kỹ năng mềm.
- Tham gia hỗ trợ phát triển các sản phẩm với hàng chục triệu người dùng.
- Được tư vấn & định hướng nghề nghiệp từ các Mentors - những chuyên gia
hàng đầu trong lĩnh vực CNTT.
- Cơ hội được tuyển dụng chính thức tại VNPT Technology sau thời gian đào
tạo với mức thu nhập năm hấp dẫn.
Yêu cầu
- Không yêu cầu kinh nghiệm
- Là sinh viên đã/sắp tốt nghiệp chuyên ngàn Công nghê thông tin, Điện tử
viễn thông, Toán tin, Khoa học máy tính, Kỹ thuật phần mềm, Ứng dụng di
động,... hoặc các chuyên ngành có liên quan.
- Có thể tham gia đào tạo/làm việc Full-time từ thứ 2 - thứ 6.
- GPA tích lũy từ khá trở lên
- Đặc biệt ưu tiên và xem xét tuyển thẳng đối với các ứng viên có điểm trung
bình (GPA/CPA) đạt 3.0/4.0 trở lên hoặc tham gia và đạt giải trong các cuộc
thi học thuật về lập trình, toán học, công nghệ, Olympic Tin học, ACM/ICPC
hoặc tham gia đề tài nghiên cứu khoa học đạt giải từ cấp trường trở lên.
- Ham học hỏi, máu lửa, nhiệt huyết, sẵn sàng chinh chiến đối đầu với thử
thách khó khăn tại các dự án phần mềm lớn. Tuân thủ kỷ luật & có trách
nhiệm với công việc.
- Ưu tiên ứng viên có khả năng đọc hiểu tiếng Anh tốt.
ET-LUH K65 15
Project I
Đối tượng hướng tới: Gia đình, hộ kinh doanh, cửa hàng
ET-LUH K65 16
Project I
IP Camera hoạt động bằng cách truyền tải video trực tiếp, cung cấp khả năng
theo dõi thời gian thực. Hệ thống này được trang bị khả năng phát hiện xâm nhập, tự
động nhận biết sự di chuyển hoặc hoạt động không bình thường trong khung hình.
Khi phát hiện có kẻ xâm nhập, hệ thống sẽ kích hoạt chuông cảnh báo để cảnh báo
người dùng hoặc gửi thông báo tới ứng dụng trên thiết bị di động. Những đoạn
video đặc biệt, như khi xảy ra sự xâm nhập hoặc vật thể di chuyển, sẽ được lưu trữ
một cách an toàn vào thẻ nhớ SD Card hoặc đồng bộ lên dịch vụ đám mây. Qua ứng
dụng trên hệ điều hành Android hoặc iOS, người dùng có thể xem video trực tiếp từ
camera, nhận thông báo cảnh báo khi có kẻ xâm nhập, và thậm chí điều khiển các
chức năng như bật/tắt cảnh báo. Điều này mang lại khả năng theo dõi và quản lý an
ninh một cách tiện lợi và hiệu quả.
Tuy nhiên, vì thời gian của kỳ thực tập có hạn, chúng em đã tập trung vào phần
tìm hiểu, thử nghiệm và phát triển các model và thử nghiệm trên một máy tính
nhúng bất kỳ,
ET-LUH K65 17
Project I
Machine Learning và Deep Learning là hai lĩnh vực quan trọng trong lĩnh vực Trí
tuệ Nhân tạo. Machine Learning là phương pháp giúp máy tính học từ dữ liệu và cải
thiện hiệu suất theo thời gian. Deep Learning là một phân nhánh của Machine
Learning, tập trung vào việc xây dựng các mạng neuron nhân tạo sâu có khả năng
học thông qua việc tự điều chỉnh trọng số của chúng. [1]
Sự khác nhau chính giữa hai khái niệm này nằm ở mức độ phức tạp và khả năng tự
động hóa. Trong Machine Learning, các thuật toán có thể hoạt động tốt với dữ liệu
đối kháng nhưng cần nhiều sự can thiệp từ con người để chọn và tinh chỉnh các đặc
trưng quan trọng. Trong khi đó, Deep Learning có khả năng tự động hóa việc trích
ET-LUH K65 18
Project I
xuất đặc trưng, cho phép học từ dữ liệu phức tạp hơn và tạo ra các mô hình có hiệu
suất tốt hơn trong nhiều tình huống. Điểm mạnh của Machine Learning nằm ở tính
linh hoạt và khả năng áp dụng rộng rãi cho nhiều ngành công nghiệp. Nó có thể
được sử dụng để giải quyết các vấn đề từ dự đoán tín dụng đến nhận dạng ảnh. Tuy
nhiên, điểm yếu của Machine Learning là cần nhiều sự can thiệp và kinh nghiệm để
chọn và tinh chỉnh các thuật toán và đặc trưng một cách hiệu quả.
Dựa trên những sự so sánh trên, em nhận thấy việc sử dụng Deep Learning cho
dự án nhận diện người là một quyết định có lợi. Khả năng tự động hóa quá trình học
đặc trưng giúp mô hình tự tìm hiểu và ứng dụng kiến thức từ dữ liệu huấn luyện
phức tạp. Điều này dẫn đến việc tạo ra các mô hình nhận diện người chính xác và
đáng tin cậy, thậm chí trong những tình huống khó khăn như ánh sáng yếu, góc nhìn
khác nhau, hoặc biến đổi về vẻ ngoại hình.
ET-LUH K65 19
Project I
Hình 3.3.2. So sánh các model Deep Learning sử dụng imageNet dataset [3]
Dựa vào bảng so sánh trên, ta có thể thấy MobileNetV2 và MobileNetV3 là 2
mô hình Deep Learning có tốc độ xử lý nhanh và độ chính xác cao và khá tương
đồng với nhau, phù hợp với một hệ thống đòi hỏi cả về độ chính xác và tốc độ xử lý
như dự án IP Camera nhận dạng người.
Edge AI là việc triển khai các ứng dụng AI trong các thiết bị trên toàn thế giới
vật lý. Nó được gọi là “Edge AI” bởi vì tính toán AI được thực hiện gần người dùng
tại rìa mạng, gần nơi đặt dữ liệu, thay vì tập trung trong cơ sở điện toán đám mây
hoặc trung tâm dữ liệu riêng [4]. Ở dự án lần này, IP Camera là địa diện cho Edge
Device, đặt tại các cửa hàng, nhà của các gia đình để phục vụ tính năng cảnh báo kẻ
xâm nhập.
ET-LUH K65 20
Project I
Hình 3.3.3.2 So sánh TinyML và các thuật toán Machine Learning truyền
thống
Tiny Machine Learning (TinyML) là việc triển khai các mô hình Machine
Learning trực tiếp trên các thiết bị nhỏ và tính toán hạn chế. Điều này mang lại khả
năng học máy và dự đoán thông minh cho cảm biến, thiết bị y tế, và đồng hồ thông
minh. TinyML tối ưu hóa hiệu suất trong tài nguyên nhỏ và tiết kiệm năng lượng.
Tuy nhiên, nó đòi hỏi tối ưu hóa phần cứng và đảm bảo an toàn thông tin [5].
Ở dự án lần này, yêu cầu đặt ra là model phải chạy được trên các CPU yếu hoặc
thậm chí là các vi điều khiển, vậy nên, em đã quyết định sử dụng các model Tiny
ML để phục vụ cho bài toán của mình.
Vì thời gian không cho phép, trong kỳ thực tập lần này, chúng em đã tìm hiểu
và chọn lọc một số thuật toán TinyML, trong đó FOMO là một thuật toán TinyML
nổi trội với các đặc điểm như đếm đối tượng, tìm vị trí của đối tượng trong hình ảnh
và theo dõi nhiều đối tượng trong thời gian thực bằng cách sử dụng bộ nhớ và sức
mạnh xử lý ít hơn tới 30 lần so với MobileNet SSD hoặc YOLOv5. Ngoài ra, thuật
toán FOMO hiện nay đã được hỗ trợ tích hợp với một số Deep Learning model nổi
tiếng như Yolov5, SSD-MobileNetV2 và SSD-MobileNetV3 để tạo ra những model
TinyML hoàn chỉnh đáp ứng nhu cầu sử dụng của các nhà phát triển phần mềm.
Ngoài ra, model FOMO phiên bản nhỏ nhất có thể chạy với bộ nhớ nhỏ hơn 100Kb
RAM.
ET-LUH K65 21
Project I
ET-LUH K65 22
Project I
Một điểm khác biệt giữa FOMO và các thuật toán phát hiện đối tượng khác là
FOMO không đưa ra các hộp giới hạn (bounding boxes), nhưng việc chuyển từ bản
đồ nhiệt (heat map) sang hộp giới hạn vô cùng đơn giản. Chỉ cần vẽ một khung
xung quanh khu vực được làm nổi bật. [6]
Tuy nhiên, khi thử nghiệm với một số bộ dataset do em tự thu thập, em nhận thấy
rằng việc định rõ hộp giới hạn chỉ là một chi tiết thực thi của các mạng phát hiện đối
tượng khác, và không phải là yêu cầu phổ biến. Thường thì, kích thước của đối
tượng không quan trọng do camera được đặt ở vị trí cố định (và vì thế, kích thước
đối tượng cũng cố định). Thay vào đó, chúng ta chỉ cần biết vị trí và số lượng của
các đối tượng.
Bởi vậy, hiện nay chúng tôi huấn luyện dựa trên tâm của các đối tượng. Điều này
giúp việc đếm các đối tượng gần nhau trở nên đơn giản hơn (mỗi hoạt động trong
bản đồ nhiệt tương ứng với một đối tượng), và kiến trúc tích chập của mạng neuron
đảm bảo rằng chúng ta vẫn quan sát xung quanh tâm để tìm đối tượng.
Edge Impulse là một nền tảng cho phép xây dựng các dự án liên quan
đến học máy trên vi điều khiển [6]
Có tutorial cho phép lựa chọn thiết bị, vi điều khiển sử dụng, lựa chọn
các model TinyML cho dự án để tiến hành quá trình training và thử
nghiệm ngay trên platform
ET-LUH K65 23
Project I
Đặc biệt nền tảng này hỗ trợ dùng FOMO tương thích với Mobilenet
V2
Dựa trên các đặc điểm trên, em quyết định sử dụng Platform Edge Impulse vì nền
tảng này vừa hỗ trợ sử dụng model FOMO với MobileNetv2, vừa cho các ví dụ,
hướng dẫn rất cụ thể, phù hợp với nhu cầu bài toán.
Hình 3.3.5 Hình ảnh minh họa trích từ Human Detection Dataset
Dataset gồm hình ảnh cảnh quay CCTV trong nhà cũng như ngoài trời,
trong nhiều điều kiện thời tiết và ánh sáng
Gồm 559 ảnh có người và 362 ảnh không có người
Lí do em chọn bộ dataset này là vì nó bao gồm một số lượng ảnh vừa đủ cho
một bản sản phẩm thử nghiệm với các trường hợp có người và không có người, phù
hợp với nhu cầu của bài toán
ET-LUH K65 24
Project I
Vì thời gian có hạn, em chỉ có đủ thời gian để gán nhãn 225 ảnh (76%
Training, 24% Test) tập trung vào các ảnh đông người và ảnh có nhiều người
chồng chéo lên nhau.
4.1.2 Kết quả
ET-LUH K65 25
Project I
bảo nhu cầu tiết kiệm năng lượng hệ thống và xử lý với tốc độ cao.
Dựa vào ví dụ thử nghiệm trên, ta có thể thấy model có thể phát hiện được
người ở trong các tư thế khác nhau như cúi, ngồi, hoặc phân biệt được trẻ con và
người lớn. Các ưu điểm này sẽ góp phần rất lớn cho việc phát triển model cho hệ
thống IP Camera phát hiện người sau này.
Hình 4.1.2.d Minh họa một số trường hợp nhận diện không đủ
Dựa vào ví dụ trên, ta có thể thấy model đã gặp một chút vấn đề trong việc nhận
dạng ảnh người bị chồng chéo lên nhau. Đây vốn là một vấn đề khó của các model
AI, trong thời gian tới, em sẽ tìm cách để cải thiện và tối ưu hóa model để khắc phục
được vấn đề này.
ET-LUH K65 26
Project I
Hình 4.1.2c Kết quả chạy thử nghiệm trên Jetson Nano
Dựa vào kết quả trên, ta có thể thấy thời gian để Jetson Nano xử lý 1 bức ảnh
với model được triển khai khá giống với dự đoán của Edge Impulse sau khi training
trên platform. Tuy nhiên, FPS của hệ thống này khi livestream còn rất thấp, ảnh
hưởng tới kết quả nhận dạng, em sẽ tìm cách để khắc phục tình trạng này trong thời
gian tới.
ET-LUH K65 27
Project I
5.3 Đề xuất
Em hi vọng trường học và doanh nghiệp có thể tạo điều kiện để sinh viên có
thời gian thực tập kéo dài hơn, từ đó nâng cao kỹ năng, kinh nghiệm và cơ hội tham
gia vào các dự án thực tế.
ET-LUH K65 28
Project I
ET-LUH K65 29
Project I
ET-LUH K65 30