Đánh giá hiệu năng các mô hình học sâu trong phát hiện phương tiện giao thông dưới những điều kiện chiếu sáng tại Việt Nam

Đánh giá hiệu năng các mô hình học sâu trong phát hiện phương tiện giao thông dưới những điều kiện chiếu sáng tại Việt Nam

Vũ Lê Quỳnh Phương • Phạm Xuân Kiên

Tóm TắT:

Mục tiêu nghiên cứu: Nghiên cứu xây dựng tập dữ liệu phương tiện giao thông phản ánh điều kiện thực tế tại Việt Nam, đồng thời đánh giá hiệu năng của các mô hình học sâu nhằm phát hiện đối tượng trong điều kiện chiếu sáng thay đổi (ban ngày và ban đêm), phục vụ cho những hệ thống giao thông thông minh thời gian thực.

Thiết kế nghiên cứu/phương pháp/tiếp cận: Dữ liệu được thu thập từ hệ thống camera giám sát thực tế và gán nhãn thủ công trong nhiều điều kiện ánh sáng khác nhau. Trên cơ sở đó, hai mô hình tiêu biểu là YOLO26 và RF-DETR được huấn luyện và đánh giá theo cùng một quy trình thực nghiệm thống nhất, sử dụng các chỉ số chuẩn gồm mAP, Precision và Recall.

Kết quả nghiên cứu chính: Kết quả thực nghiệm cho thấy YOLO26 đạt hiệu năng cao hơn trong điều kiện ban ngày với mAP đạt 95,2%, nhưng giảm xuống 90,4% vào ban đêm. Ngược lại, RF-DETR thể hiện tính ổn định tốt hơn giữa các điều kiện, với mAP đạt 93,8% ban ngày và khoảng 91% ban đêm, cho thấy khả năng thích nghi tốt hơn trong môi trường ánh sáng yếu.

Giá trị đóng góp mới: Nghiên cứu cung cấp một tập dữ liệu giao thông đặc thù cho bối cảnh Việt Nam và đưa ra đánh giá thực nghiệm có hệ thống giữa hai hướng tiếp cận CNN và Transformer dưới nhiều điều kiện chiếu sáng. Kết quả góp phần hỗ trợ lựa chọn mô hình phù hợp trong triển khai thực tế các hệ thống giao thông thông minh