Ứng dụng mạng học sâu YOLOv26, đề xuất mô hình nhận diện xe cứu thương tại các nút giao thông trên thiết bị Raspberry Pi 5
Email:
phamnhupham@gmail.com
Từ khóa:
học sâu, giao thông thông minh, huấn luyện mô hình, Raspberry Pi 5, xe cứu thương, YOLOv26
Tóm tắt
Xe cứu thương là phương tiện giao thông ưu tiên làm nhiệm vụ vận chuyển và cấp cứu người bệnh trong các tình huống khẩn cấp, được phép vượt đèn đỏ khi thực hiện nhiệm vụ. Tuy nhiên, do thường di chuyển với tốc độ cao, tín hiệu còi ưu tiên không đủ lớn để các phương tiện nhận biết, nhường đường kịp thời, dẫn đến chậm trễ thời gian hoặc thậm chí xảy ra nhiều vụ tai nạn giao thông đáng tiếc. Trong bài nghiên cứu này, nhóm tác giả đề xuất ứng dụng thuật toán YOLOv26 để xây dựng mô hình nhận diện xe cứu thương tại các nút giao thông. Mô hình sử dụng YOLOv26n để huấn luyện tập dữ liệu gồm 1,936 hình ảnh xe cứu thương và đạt được các chỉ số khả quan như Precision = 0.96, Recall = 0.818, mAP@50 = 0.906 và mAP@50-95 = 0.694. Hệ thống được triển khai thử nghiệm trên thiết bị Raspberry Pi 5 và thực hiện nhận diện xe cứu thương qua các đoạn video từ màn hình máy tính. Kết quả thực nghiệm cho thấy mô hình có khả năng nhận diện tương đối chính xác với độ dự đón lên đến 89%, tốc độ xử lý trung bình đạt trên 10 FPS. Mặc dù nghiên cứu mới dừng ở mức thử nghiệm, nhưng kết quả cho thấy tính khả thi, có khả năng phát triển ứng dụng trong các hệ thống giao thông thông minh.Tài liệu tham khảo
[1]. L. Zemmouchi-Ghomari, Artificial intelligence in intelligent transportation systems, Journal of Intelligent Manufacturing and Special Equipment, 6 (2025) 26-42. https://doi.org/10.1108/JIMSE-11-2024-0035
[2]. D. Shokri, C. Larouche, S. Homayouni, Real-Time Moving Vehicle Counting and Speed Estimation Toward Efficient Traffic Surveillance, IEEE Access, 13 (2025) 36687-36700. https://doi.org/10.1109/ACCESS.2025.3540950
[3]. S. Dikshit, A. Atiq, M. Shahid, V. Dwivedi, A. Thusu, The Use of Artificial Intelligence to Optimize the Routing of Vehicles and Reduce Traffic Congestion in Urban Areas, EAI Endorsed Transactions on Energy Web, 10 (2023) 1-13. https://doi.org/10.4108/ew.4613
[4]. T. X. Kiên, Đ. X. Trường, P. T. Thành, L. M. Dương, Nghiên cứu các kỹ thuật thị giác máy tính ứng dụng theo dõi phương tiện, giám sát giao thông trong thời gian thực, Tạp chí Khoa học và công nghệ, 59 (2023) 20-24. https://doi.org/10.57001/huih5804.2023.103
[5]. A. S. Pillai, Traffic management: Implementing AI to optimize Traffic flow and reduce congestion, Journal of Emerging Technologies and Innovative Research (JETIR), 11 (2024) c272-c278. https://www.jetir.org/view?paper=JETIR2407235
[6]. L. Q. Thao, D. D. Cuong, N. T. Anh, P. M. Anh, H. M. Duc, N. Minh, Automatic Traffic Red-Light Violation Detection Using AI, International Information Engineering Technology Association, 27 (2022) 75-80. https://doi.org/10.18280/isi.270109
[7]. R. Ithrees, Udhayakumar T., Susvin S., Rohini Priya, Yuvaraj N., AI-Based Intelligent Traffic Management System, International Journal of Scientific Research and Technology, 3 (2026) 846-858. https://doi.org/10.5281/zenodo.19698757
[8]. D. K. Thai, N. D. Quang-Anh, N. Quynh-Chi Nguyen, N. T. Thu Hien, V. Quan, D. X. Minh-Duc, N. Van-Ninh, Optimizing Traffic Light Control using YOLOv8 for Real-Time Vehicle Detection and Traffic Density, 2024 9th International Conference on Integrated Circuits, Design, and Verification, (2024) 119-124. https://doi.org/10.1109/icdv61346.2024.10616901
[9]. S. S. Nagtilak, S. D. Sakhalkar, S. S. Kumbhar, A. J. Powar, M. M. Gaonkar, Multimodal Ambulance Detection Using Image Processing and RF433MHz Sensor, African Journal of Biomedical Research, 27 (2024) 934-942. https://doi.org/10.53555/AJBR.v27i6S.7640
[10]. Yugenthiran. S, P.N. Shiammala, Smart Traffic Light System With Ambulance Detection Using Yolo, International Journal of Creative and Open Research in Engineering and Management, 2 (2026) 1-7. https://doi.org/10.55041/ijcope.v2i5.038
[11]. N. X. Thắng, Ứng dụng mô hình học sâu thích ứng trong bài toán phát hiện phương tiện giao thông, Tạp chí điện tử Khoa học và Công nghệ Giao thông, Trường Đại học Công nghệ Giao thông vận tải, 3 (2023) 38-46. https://doi.org/10.58845/jstt.utt.2023.vn.3.2.38-46
[12]. V. L. Q. Phương, T. N. M. Thư, P. N. Khang, Hiệu quả các nhóm mô hình học sâu trong bài toán phát hiện phương tiện giao thông, Tạp chi ́ Khoa học Đại học Cần Thơ, 60 (2024) 20-27. https://doi.org/10.22144/ctujos.2024.240
[13]. D. D. Aboyomi, C. Daniel, A Comparative Analysis of Modern Object Detection Algorithms: YOLO vs. SSD vs. Faster R-CNN, ITEJ- Information Technology Engineering Journals, 8 (2023) 96 - 106. https://doi.org/10.24235/itej.v8i2
[14]. J. P. Q. Tomas, S. V. P. C. Feria, J. R. A. Franco, H. C. Laguna, A Computer Vision Approach to Ambulance Classification in the Philippines using YOLOv5 Small, In 2024 The 8th International Conference on Machine Learning and Soft Computing (ICMLSC 2024), (2024) 172 – 177. https://doi.org/10.1145/3647750.3647777
[15]. A. Mecocci, C. Grassi, RTAIAED: A Real-Time Ambulance in an Emergency Detector with a Pyramidal Part-Based Model Composed of MFCCs and YOLOv8, Sensors, 24 (2024) 1-24. https://doi.org/10.3390/s24072321
[16]. A. Khode, T. R. Teja, B. S. C. Goud, D. Goud, T. Vallabhapurapu, Real-Time Ambulance Detection on Resource Constrained Edge Devices Using YOLOv5 and ONNX Runtime, International Journal for Research in Applied Science & Engineering Technology (IJRASET), 14 (2026) 1406-1417. https://doi.org/10.22214/ijraset.2026.77118
[17]. J. Redmon, S. Divvala, R. Girshick, A. Farhadi, You Only Look Once: Unified, Real-Time Object Detection, 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), (2016) 779-788. https://doi.org/10.1109/CVPR.2016.91
[18]. G. Lavanya, S. D. Pande, Enhancing Real-time Object Detection with YOLO Algorithm, EAI Endorsed Transactions on Internet of Things, 10 (2024) 1-9. https://doi.org/10.4108/eetiot.4541
[19]. R. Sapkota, R. H. Cheppally, A, Sharda, M. Karkee, YOLO26: Key Architectural Enhancements and Performance Benchmarking for Real-Time Object Detection, arXiv:2509.25164v5, 2026.
https://doi.org/10.48550/arXiv.2509.25164
[20]. P. Hidayatullah, R. Tubagus, YOLO26: A Comprehensive Architecture Overview and Key Improvements, arXiv:2602.14582, 2026. https://doi.org/10.48550/arXiv.2602.14582
[21]. N. Đ. An, Nghiên cứu về Raspberry Pi và ứng dụng trong hệ thống IoT, Tạp chí Thiết bị Giáo dục, 2 (2024) 4-6. https://vjol.info.vn/tctbgd/issue/view/8125
[22]. Raspberry Pi. https://www.raspberrypi.com/products/raspberry-pi-5/ (truy cập 02/6/2026)
[23]. Ambulance1 Computer Vision Model. https://universe.roboflow.com/business-jh3ri/ambulance1-z5bdu/dataset/1 (truy cập 04/5/2026)
[24]. F. Li, H. Yan, L. Shi, Multi-scale coupled attention for visual object detection, Scientific Reports, 14 (2024) 1-19. https://doi.org/10.1038/s41598-024-60897-8
[2]. D. Shokri, C. Larouche, S. Homayouni, Real-Time Moving Vehicle Counting and Speed Estimation Toward Efficient Traffic Surveillance, IEEE Access, 13 (2025) 36687-36700. https://doi.org/10.1109/ACCESS.2025.3540950
[3]. S. Dikshit, A. Atiq, M. Shahid, V. Dwivedi, A. Thusu, The Use of Artificial Intelligence to Optimize the Routing of Vehicles and Reduce Traffic Congestion in Urban Areas, EAI Endorsed Transactions on Energy Web, 10 (2023) 1-13. https://doi.org/10.4108/ew.4613
[4]. T. X. Kiên, Đ. X. Trường, P. T. Thành, L. M. Dương, Nghiên cứu các kỹ thuật thị giác máy tính ứng dụng theo dõi phương tiện, giám sát giao thông trong thời gian thực, Tạp chí Khoa học và công nghệ, 59 (2023) 20-24. https://doi.org/10.57001/huih5804.2023.103
[5]. A. S. Pillai, Traffic management: Implementing AI to optimize Traffic flow and reduce congestion, Journal of Emerging Technologies and Innovative Research (JETIR), 11 (2024) c272-c278. https://www.jetir.org/view?paper=JETIR2407235
[6]. L. Q. Thao, D. D. Cuong, N. T. Anh, P. M. Anh, H. M. Duc, N. Minh, Automatic Traffic Red-Light Violation Detection Using AI, International Information Engineering Technology Association, 27 (2022) 75-80. https://doi.org/10.18280/isi.270109
[7]. R. Ithrees, Udhayakumar T., Susvin S., Rohini Priya, Yuvaraj N., AI-Based Intelligent Traffic Management System, International Journal of Scientific Research and Technology, 3 (2026) 846-858. https://doi.org/10.5281/zenodo.19698757
[8]. D. K. Thai, N. D. Quang-Anh, N. Quynh-Chi Nguyen, N. T. Thu Hien, V. Quan, D. X. Minh-Duc, N. Van-Ninh, Optimizing Traffic Light Control using YOLOv8 for Real-Time Vehicle Detection and Traffic Density, 2024 9th International Conference on Integrated Circuits, Design, and Verification, (2024) 119-124. https://doi.org/10.1109/icdv61346.2024.10616901
[9]. S. S. Nagtilak, S. D. Sakhalkar, S. S. Kumbhar, A. J. Powar, M. M. Gaonkar, Multimodal Ambulance Detection Using Image Processing and RF433MHz Sensor, African Journal of Biomedical Research, 27 (2024) 934-942. https://doi.org/10.53555/AJBR.v27i6S.7640
[10]. Yugenthiran. S, P.N. Shiammala, Smart Traffic Light System With Ambulance Detection Using Yolo, International Journal of Creative and Open Research in Engineering and Management, 2 (2026) 1-7. https://doi.org/10.55041/ijcope.v2i5.038
[11]. N. X. Thắng, Ứng dụng mô hình học sâu thích ứng trong bài toán phát hiện phương tiện giao thông, Tạp chí điện tử Khoa học và Công nghệ Giao thông, Trường Đại học Công nghệ Giao thông vận tải, 3 (2023) 38-46. https://doi.org/10.58845/jstt.utt.2023.vn.3.2.38-46
[12]. V. L. Q. Phương, T. N. M. Thư, P. N. Khang, Hiệu quả các nhóm mô hình học sâu trong bài toán phát hiện phương tiện giao thông, Tạp chi ́ Khoa học Đại học Cần Thơ, 60 (2024) 20-27. https://doi.org/10.22144/ctujos.2024.240
[13]. D. D. Aboyomi, C. Daniel, A Comparative Analysis of Modern Object Detection Algorithms: YOLO vs. SSD vs. Faster R-CNN, ITEJ- Information Technology Engineering Journals, 8 (2023) 96 - 106. https://doi.org/10.24235/itej.v8i2
[14]. J. P. Q. Tomas, S. V. P. C. Feria, J. R. A. Franco, H. C. Laguna, A Computer Vision Approach to Ambulance Classification in the Philippines using YOLOv5 Small, In 2024 The 8th International Conference on Machine Learning and Soft Computing (ICMLSC 2024), (2024) 172 – 177. https://doi.org/10.1145/3647750.3647777
[15]. A. Mecocci, C. Grassi, RTAIAED: A Real-Time Ambulance in an Emergency Detector with a Pyramidal Part-Based Model Composed of MFCCs and YOLOv8, Sensors, 24 (2024) 1-24. https://doi.org/10.3390/s24072321
[16]. A. Khode, T. R. Teja, B. S. C. Goud, D. Goud, T. Vallabhapurapu, Real-Time Ambulance Detection on Resource Constrained Edge Devices Using YOLOv5 and ONNX Runtime, International Journal for Research in Applied Science & Engineering Technology (IJRASET), 14 (2026) 1406-1417. https://doi.org/10.22214/ijraset.2026.77118
[17]. J. Redmon, S. Divvala, R. Girshick, A. Farhadi, You Only Look Once: Unified, Real-Time Object Detection, 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), (2016) 779-788. https://doi.org/10.1109/CVPR.2016.91
[18]. G. Lavanya, S. D. Pande, Enhancing Real-time Object Detection with YOLO Algorithm, EAI Endorsed Transactions on Internet of Things, 10 (2024) 1-9. https://doi.org/10.4108/eetiot.4541
[19]. R. Sapkota, R. H. Cheppally, A, Sharda, M. Karkee, YOLO26: Key Architectural Enhancements and Performance Benchmarking for Real-Time Object Detection, arXiv:2509.25164v5, 2026.
https://doi.org/10.48550/arXiv.2509.25164
[20]. P. Hidayatullah, R. Tubagus, YOLO26: A Comprehensive Architecture Overview and Key Improvements, arXiv:2602.14582, 2026. https://doi.org/10.48550/arXiv.2602.14582
[21]. N. Đ. An, Nghiên cứu về Raspberry Pi và ứng dụng trong hệ thống IoT, Tạp chí Thiết bị Giáo dục, 2 (2024) 4-6. https://vjol.info.vn/tctbgd/issue/view/8125
[22]. Raspberry Pi. https://www.raspberrypi.com/products/raspberry-pi-5/ (truy cập 02/6/2026)
[23]. Ambulance1 Computer Vision Model. https://universe.roboflow.com/business-jh3ri/ambulance1-z5bdu/dataset/1 (truy cập 04/5/2026)
[24]. F. Li, H. Yan, L. Shi, Multi-scale coupled attention for visual object detection, Scientific Reports, 14 (2024) 1-19. https://doi.org/10.1038/s41598-024-60897-8
Tải xuống
Chưa có dữ liệu thống kê
Nhận bài
17/06/2026
Nhận bài sửa
09/08/2026
Chấp nhận đăng
03/09/2026
Xuất bản
15/10/2026
Chuyên mục
Công trình khoa học
Kiểu trích dẫn
Huỳnh Ngọc, T., & Phạm Như, P. (1791997200). Ứng dụng mạng học sâu YOLOv26, đề xuất mô hình nhận diện xe cứu thương tại các nút giao thông trên thiết bị Raspberry Pi 5. Tạp Chí Khoa Học Giao Thông Vận Tải, 77(8), 1099-1114. https://doi.org/10.47869/tcsj.77.8.6
