Một dự án ví dụ nhỏ cho các bài toán nằm trong Thành phố thông minh về Giám sát giao thông thông minh

Yêu cầu môi trường

1. Python 3.12: Tải và cài đặt từ https://www.python.org/downloads/
2. Tạo virtual environment (khuyến nghị):

   python3.12 -m venv myenv
   source myenv/bin/activate   # Linux/Mac
   myenv\Scripts\activate    # Windows PowerShell

Cài đặt phụ thuộc

pip install --upgrade pip
pip install ultralytics opencv-python numpy

(Đảm bảo phiên bản OpenCV và NumPy tương thích với Python 3.12.)

Cấu trúc thư mục

project_root/
├── hi2.mp4                      # video đầu vào (hoặc đổi tên khác)
├── best_traffic_nano_yolo.pt    # model detect đèn giao thông
├── yolov8n.pt                   # model COCO để detect ôtô
├── vi_pham/                     # (tự động tạo) lưu ảnh vi phạm
└── traffic_light_violation.py   # script chính

Cách chạy

1. Chỉnh biến VIDEO_SOURCE trong traffic_light_violation.py thành đường dẫn đến video (ví dụ: r'D:\Source\hi2.mp4').
2. Chạy script:

   python traffic_light_violation.py

3. Khi cửa sổ Select Line mở lên:
   • Nhấn chuột trái để chọn 2 điểm xác định vạch kiểm soát.
   • Nhấn s để xác nhận hoặc q để hủy.
4. Màn hình Tracking & Violation sẽ hiển thị:
   • Bounding box ôtô (xanh dương) và box đèn giao thông (đỏ/xanh/vàng).
   • Chữ Light: <state> (trạng thái đèn) tại góc trên trái.
   • Số lượng vi phạm (Violations: N).
   • Khi ôtô vượt vạch lúc đèn đỏ: box ôtô chuyển thành đỏ, chữ VI PHAM xuất hiện trong 1 giây và ảnh crop được lưu vào vi_pham/.
5. Nhấn q để thoát.

Tùy chỉnh

• Ngưỡng: thay đổi conf, iou khi gọi car_model.track(...) và tl_model(...).
• Logic vi phạm: có thể thay light_label=='red' thành điều kiện khác (ví dụ chỉ yellow hoặc off).
• Vùng detect đèn: cắt ROI để tăng tốc độ nếu cần.

---

Created by Nguyen Van Nhan