CẢI THIỆN ĐỘ CHÍNH XÁC TRUNG BÌNH KHI SỬ DỤNG MẠNG YOLOV11 ĐỂ XÂY DỰNG MÔ HÌNH PHÁT HIỆN BIỂN BÁO GIAO THÔNG ĐƯỜNG BỘ
Nội dung chính của bài viết
Tóm tắt
Trong bài báo này, trình bày về những điểm mới của mạng YOLOV11 so với các phiên bản trước. Đồng thời sử dụng mạng học sâu YOLOv11 để xây dựng mô hình nhận diện biển báo giao thông trên một tập dữ liệu gồm 9.635 ảnh của 56 loại biển báo giao thông đường bộ tại Việt Nam. Mô hình đã huấn luyện đạt được độ chính xác trung bình - mean Average Precision là 97,06% với mô hình YOLOv11x sau 100 epoch huấn luyện. Mặt khác việc sử dụng transfer learning trong huấn luyện mạng YOLOv11 thì độ chính xác trung bình đạt 99,09% ở mô hình YOLOv11x, tăng 2,03%. Với kết quả này, nhóm tác giả đã xây dựng mô hình thực nghiệm nhận dạng biển báo giao thông.
Từ khóa
YOLOv11, độ chính xác trung bình, phát hiện và nhận dạng biển báo giao thông
Chi tiết bài viết
Tài liệu tham khảo
[2] Bùi Quốc Tú, Nguyễn Huy Hoàng, Trương Quang Phúc, Lê Quang Bình, Hồ Nhựt Minh (2022), Nhận diện biển báo và tín hiệu đèn giao thông sử dụng YOLOv4 trên phần cứng Jetson TX2, Tạp chí Khoa học Công nghệ và Thực phẩm, tr.132-142.
[3] Ultralytics (2021), YOLOv5: A state-of-the-art real-time object detection system. [Online]. Available: https://docs.ultralytics.com
[4]Yanzhao Zhu, Wei Qi Yan (2022), Traffi4] Yanzhaocognition based on deep learning, Multimedia Tools and Application, pp.17779-17791.
[5] C.-Y. Wang, A. Bochkovskiy, and H.-Y. M. Liao (2022), YOLOv7: Trainable Bag-of-Freebies Sets New State-of-the-Art for Real-Time Object Detectors, Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), pp.7464-7475.
doi: 10.48550/arXiv.2207.02696.
[6] Trần Thịnh Mạnh Đức, Đỗ Trí Nhựt (2024), Thiết kế hệ thống nhận dạng biển báo giao thông với ứng dụng YOLO, Tạp chí Đại học Thủ Dầu Một, Số 2(69).
[7] X. Dai, X. Yuan, G. Le and L. Zhang (2018), Detection method of traffic signs based on color pair and MSER in the complex environment, Journal of Beijing Jiaotong University, Vol.42, pp.107-115.
[8] C. Dewi, R.-C. Chen, Y.-T. Liu, X. Jiang and K. D. Hartomo (2021), YOLO v4 for advanced traffic sign recognition with synthetic training data generated by various GAN, IEEE Access, Vol.9, pp.97228-97242.
[9] [Online]. Available: https://docs.ultralytics.com/models/yolo11/
[10] Nguyễn Hữu Tuân, Nguyễn Duy Trường Giang (2024), Ứng dụng mạng YOLOv8 trong phát hiện hư hỏng trên mặt đường bộ, Tạp chí Khoa học Công nghệ Hàng hải, Số 78, tr.74-78.
[11] J. Glenn, C. Ayush, and Q. Jing (2023), Ultralytics YOLOv8. [Online]. Available: https://github.com/ultralytics/ultralytics.
[12] Zhou Wang, Yuting Su, Feng Kang, Lijin Wang, Yaohua Lin, Qingshou Wu, Huicheng Li, Zhiling Cai (2025), PC-YOLO11s: A Lightweight and Effective Feature Extraction Method for Small Target Image Detection, Sensors, Vol.25(2), 348p. https://doi.org/10.3390/s25020348.
Các bài báo được đọc nhiều nhất của cùng tác giả
- NGUYỄN ĐÌNH KHIÊM, HOÀNG MẠNH CƯỜNG, TÍNH TOÁN DAO ĐỘNG CỦA MÔ HÌNH Ô TÔ CÓ XÉT ĐẾN PHẦN TỬ ĐÀN NHỚT CẤP PHÂN SỐ , Tạp chí Khoa học Công nghệ Hàng hải: Tập 73 (2023): Số 73 (01/2023)