Tạo hệ thống cảnh báo nguy hiểm qua camera bằng AI

BởiChu Minh Nam4 phút đọc193 lượt xem

Chia sẻ

Trong thời đại công nghệ 4.0, AI không còn chỉ dừng lại ở việc nhận diện – mà còn có thể cảnh báo nguy hiểm theo thời gian thực nhờ camera kết hợp với mô hình học sâu. Từ việc phát hiện vũ khí đến hành vi không an toàn, hệ thống có thể xử lý trực tiếp từ webcam hoặc camera IP.

Bài viết này sẽ hướng dẫn bạn xây dựng hệ thống cảnh báo dựa trên YOLOv8, chỉ sử dụng một bộ dữ liệu duy nhất, phù hợp để học hoặc làm prototype. Nếu bạn đã xem qua các bài về:

thì đây sẽ là phần ứng dụng nâng cao giúp bạn hoàn thiện hệ thống AI thực chiến.

Chuẩn bị: tải dataset và thiết lập môi trường

Bộ dữ liệu sử dụng

Chúng ta sẽ dùng dataset Weapon Detection Dataset for YOLOv5 — nhưng hoàn toàn có thể dùng với YOLOv8 — có sẵn trên Kaggle, định dạng YOLO (.txt nhãn kèm ảnh), gồm hai lớp là pistol và knife:

🔗 Link tải dataset: https://www.kaggle.com/datasets/raghavnanjappan/weapon-dataset-for-yolov5

Đăng nhập Kaggle, nhấn Download để lấy file .zip.
Giải nén file zip, bạn sẽ thấy cấu trúc images/train, images/val, labels/train, labels/val sẵn format đúng YOLO.

Cài đặt thư viện cần thiết

pip install ultralytics opencv-python

Bạn có thể clone repository YOLOv8 nếu muốn sử dụng CLI:

git clone https://github.com/ultralytics/ultralytics

Tổ chức dữ liệu và huấn luyện mô hình YOLOv8

Cấu trúc thư mục chuẩn

Sau khi giải nén dataset, đảm bảo cấu trúc thư mục:

project/
└── dataset/
    ├── images/
    │   ├── train/
    │   └── val/
    └── labels/
        ├── train/
        └── val/

File `data.yaml` mẫu

path: ../dataset
train: images/train
val: images/val
nc: 2
names: ['Handgun', 'Knife']

Huấn luyện mô hình

Sử dụng YOLOv8 để fine‑tune mô hình:

yolo detect train model=yolov8n.pt data=project/dataset/data.yaml epochs=50 imgsz=640 batch=16

Sau khi hoàn tất, mô hình tốt nhất nằm ở:

project/runs/detect/train/weights/best.pt

Nhận diện vũ khí từ cámara theo thời gian thực

Bây giờ, bạn sẽ sử dụng OpenCV để lấy video từ webcam và áp dụng mô hình YOLO để phát hiện vũ khí theo thời gian thực.

from ultralytics import YOLO
import cv2

model = YOLO("runs/detect/train/weights/best.pt")
cap = cv2.VideoCapture(0)

while True:
    ret, frame = cap.read()
    if not ret: break

    results = model(frame)
    boxes = results[0].boxes
    labels = results[0].names

    for box in boxes:
        cls_id = int(box.cls[0])
        label = labels[cls_id]
        x1, y1, x2, y2 = map(int, box.xyxy[0])

        color = (0,0,255) if label in ['Handgun','Knife'] else (0,255,0)
        cv2.rectangle(frame, (x1,y1), (x2,y2), color, 2)
        cv2.putText(frame, f"{label.upper()}", (x1, y1-10),
                    cv2.FONT_HERSHEY_SIMPLEX, 0.9, color, 2)

    cv2.imshow("Danger Detection", frame)
    if cv2.waitKey(1) & 0xFF == ord('q'): break

cap.release()
cv2.destroyAllWindows()

Cảnh báo nguy hiểm: âm thanh & Telegram

Thêm cảnh báo âm thanh:

from playsound import playsound
if label in ['Handgun','Knife']:
    playsound("alert.wav")

Gửi tin nhắn Telegram:

import requests

def send_telegram_alert(text):
    token = "<BOT_TOKEN>"
    chat_id = "<CHAT_ID>"
    requests.post(f"https://api.telegram.org/bot{token}/sendMessage",
                  data={"chat_id": chat_id, "text": text})

# Khi phát hiện
if label in ['Handgun','Knife']:
    send_telegram_alert("⚠️ Cảnh báo: Phát hiện vũ khí!")

Kết luận

Việc xây dựng một hệ thống cảnh báo nguy hiểm qua camera bằng AI không còn là điều xa vời với sự hỗ trợ mạnh mẽ từ các mô hình như YOLOv8. Bằng cách sử dụng dữ liệu thực tế từ Kaggle và công cụ dễ triển khai như OpenCV, bạn hoàn toàn có thể hiện thực hóa một hệ thống nhận diện súng, dao hay các đối tượng nguy hiểm ngay trên máy tính cá nhân. Đây là bước khởi đầu lý tưởng cho những ai muốn học sâu về thị giác máy tính hoặc triển khai AI vào các ứng dụng giám sát an ninh.

Điểm quan trọng là hệ thống có thể mở rộng linh hoạt. Bạn có thể tích hợp thêm camera IP, kết nối với dashboard giám sát từ xa hoặc thậm chí tích hợp với thiết bị IoT để tự động kích hoạt còi hú, gửi cảnh báo SMS, hoặc lưu trữ dữ liệu phục vụ điều tra. Với nền tảng từ bài viết này, bạn đã nắm được toàn bộ pipeline từ dữ liệu – mô hình – triển khai – cảnh báo, sẵn sàng nâng cấp lên quy mô công nghiệp hoặc thương mại.