TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP. HỒ CHÍ MINH
KHOA ĐIỆN – ĐIỆN TỬ
BỘ MÔN KỸ THUẬT MÁY TÍNH - VIỄN THÔNG


ĐỒ ÁN TỐT NGHIỆP
ĐỀ TÀI:
ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG NHẬN
DIỆN VÀ PHÁT HIỆN NGƯỜI ĐI BỘ
NGÀNH: CÔNG NGHỆ KỸ THUẬT MÁY TÍNH

 Sinh viên thực hiện:
1. NGÔ QUANG HẢI…....20119220
2. NGUYỄN ANH HÀO…20119222

 Giáo viên hướng dẫn:
TS. PHẠM VĂN KHOA

Thành phố Hồ Chí Minh, tháng 01/2025

TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP. HỒ CHÍ MINH
KHOA ĐIỆN – ĐIỆN TỬ
BỘ MÔN KỸ THUẬT MÁY TÍNH - VIỄN THÔNG


ĐỒ ÁN TỐT NGHIỆP
ĐỀ TÀI:
ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG NHẬN
DIỆN VÀ PHÁT HIỆN NGƯỜI ĐI BỘ
NGÀNH: CÔNG NGHỆ KỸ THUẬT MÁY TÍNH

 Sinh viên thực hiện:
1. NGÔ QUANG HẢI…...20119220
2. NGUYỄN ANH HÀO....20119222

 Giáo viên hướng dẫn:
TS. PHẠM VĂN KHOA

Thành phố Hồ Chí Minh, tháng 01/2025

1

2

3

LỜI CAM ĐOAN

Nhóm thực hiện đồ án gồm Ngô Quang Hải và Nguyễn Anh Hào thực hiện đề
tài: “Ứng dụng trí tuệ nhân tạo trong nhận diện và phát hiện người đi bộ” dưới sự
hướng dẫn của Thầy Phạm Văn Khoa xin cam đoan một số nội dung sau:
1. Sản phẩm của Đồ án tốt nghiệp là do nhóm sinh viên Ngô Quang Hải và
Nguyễn Anh Hào thực hiện, không mượn, thuê, mua từ người khác.
2. Quyển báo cáo Đồ án tốt nghiệp là do nhóm sinh viên Ngô Quang Hải và
Nguyễn Anh Hào tự viết, tỷ lệ trùng lắp là 33%, các nội dung tham khảo đã
được trích dẫn đầy đủ.
3. Kết quả thực hiện trong quyển báo cáo gồm hình ảnh, độ chính xác của mô
hình là hoàn toàn đúng với mô hình, phần cứng nhóm đã thực hiện.
Nhóm thực hiện cam đoan nội dung trên là hoàn toàn chính xác và chịu trách
nhiệm hoàn toàn với những cam đoan trên.

TP. Hồ Chí Minh, ngày 03 tháng 01 năm 2025
Sinh viên thực hiện 1

Ngô Quang Hải

4

Sinh viên thực hiện 2

Nguyễn Anh Hào

LỜI CẢM ƠN
Để có thể thực hiện và hoàn thành được đồ án tốt nghiệp này, nhóm thực hiện
xin được chân thành cảm ơn đến Thầy Phạm Văn Khoa, người Thầy đã hướng dẫn
và đồng hành cùng nhóm trong suốt quá trình thực hiện đồ án. Chính những góp ý
của Thầy đã giúp nhóm hoàn thiện hơn từng ngày và với những kiến thức mà thầy
đã truyền đạt cho nhóm sẽ là những kinh nghiệm quý báu giúp nhóm hoàn thiện
đồ án tốt nghiệp và những dự án lớn khác trong tương lai.
Nhóm chúng em cũng xin được gửi lời cảm ơn chân thành đến tất cả quý Thầy
Cô tại Trường Đại Học Sư Phạm Kỹ Thuật TP.HCM, đặc biệt là các Thầy Cô bộ
môn Kỹ Thuật Máy Tính – Viễn Thông thuộc Khoa Điện – Điện Tử và các Thầy
Cô thuộc Hệ Đạo Tạo Chất Lượng Cao đã trau dồi những nền tảng kiế
...

...
vực công cộng
trong thành phố thông minh. Ngoài ra, hệ thống cũng có khả năng mở rộng để tích

87

hợp với các cảm biến hoặc module giao tiếp khác, tạo nên một giải pháp hoàn
chỉnh và tối ưu hóa cho các ứng dụng nhận diện thời gian thực.
Việc tập trung hoàn toàn vào FPGA không chỉ tận dụng triệt để các tài nguyên
phần cứng mà còn giảm độ phức tạp trong thiết kế và triển khai, đồng thời đáp ứng
các yêu cầu khắt khe về hiệu suất và chi phí.

88

TÀI LIỆU THAM KHẢO
[1]

E. Hossain, Machine Learning Crash Course for Engineers. Cham,
Switzerland: Springer, 2024.

[2]

Ansari, Building Computer Vision Applications Using Artificial Neural
Networks: With Examples in OpenCV and TensorFlow with Python, 2nd
ed. Centreville, VA, USA: Apress, 2023.

[3]

PhamDinhKhanh, “YOLO You Only Look One”, March 2020. Available:
https://phamdinhkhanh.github.io/2020/03/09/DarknetAlgorithm.html

[4]

D. Reis, J. Kupec, J. Hong, and A. Daoudi, Real-Time Flying Object
Detection with YOLOv8, May 17, 2023

[5]

J. R. Terven and D. M. Cordova-Esparza “A Comprehensive Review of
YOLO Architectures in Computer Vision: From YOLOv1 to YOLOv8 and
YOLO-NAS”, 07 Jan 2024.

[6]

M. Yaseen, “What is YOLOv8: An In-Depth Exploration of the Internal
Features of the Next-Generation Object Detector” 28 Aug 2024

[7]

A. Manna, V. Gupta and D. Mukherjee, “Neural Netwwork Compression
Using Quantization”, Dec 2017 Available: https://medium.com/sharechattechbyte/neural-network-compression-using-quantization-328d22e8855d

[8]

Santanu Ganguly, Quantum Machine Learning: An Applied Approach,
2021

[9]

M. Nagel, M. Fournarakis, R. A. Amjad, Y. Bondarenko, M. van Baalen,
and T. Blankevoort, A White Paper on Neural Network Quantization,
Qualcomm AI Research, arXiv:2106.08295, 2021.

[10] Gholami, A., Kim, S., Dong, Z., Yao, Z., Mahoney, M. W., &amp Keutzer, K,
“A Survey of Quantization Methods for Efficient Neural Network
Inference”, University of California, Berkeley, 21 Jun 2021
[11] “FPGA Fundamentals: Basics of Field-Programmable Gate Arrays”, 22
Aug 2024
89

[12] I. Mackie, G. Bernard, “Guide to computer processor Architecture. A
RISC-V approach with high-level synthesis”. Gewerbestrasse 11, 6330
Cham, Switzerland AG 2023
[13] “Introduction_to_AMBA_AXI”, 110 Fulbourn Road, Cambridge, England,
August 25, 2020
[14] H. Wang, D. Li, and T. Isshiki, Energy-Efficient Implementation of
YOLOv8 on RISC-V SoC, Tokyo Institute of Technology, Japan, 2023.

90

KIỂM TRA ĐẠO VĂN

91

92