ỨNG DỤNG WEB PHÂN TÍCH LƯU LƯỢNG GIAO THÔNG

Đây là một ứng dụng web hoàn chỉnh được xây dựng bằng Python và Flask, sử dụng các công nghệ Thị giác Máy tính (YOLOv5, DeepSORT) và xử lý nền (Celery, Redis) để phân tích lưu lượng, mật độ, và tốc độ của các phương tiện giao thông từ video.

1. Tính Năng chính

Giao diện web thân thiện: Người dùng có thể dễ dàng tải lên, quản lý và xem kết quả phân tích video thông qua một giao diện web trực quan.

Xử lý nền: Sử dụng Celery và Redis, các video được xử lý ở chế độ nền, giúp giao diện web luôn mượt mà và không bị treo, ngay cả khi đang phân tích các video dài.

Tối ưu hóa hiệu suất: Tích hợp các kỹ thuật Giảm độ phân giải xử lý và Bỏ qua Khung hình (Frame Skipping) để tăng tốc độ phân tích một cách đáng kể.

Sử dụng thư viện để theo dõi: Tích hợp thuật toán DeepSORT để duy trì ID của các phương tiện một cách ổn định, xử lý tốt các tình huống che khuất hoặc giao thông đông đúc.

Phân tích ùn tắc: Sử dụng logic vùng camera, hệ thống có thể theo dõi và tính toán tốc độ tức thời của tất cả các phương tiện, kể cả khi chúng đang đứng yên.

Trực quan hóa dữ liệu thành biểu đồ: Mỗi video sau khi phân tích sẽ có một trang dashboard riêng (xây dựng bằng Streamlit) với các biểu đồ chi tiết về mật độ, tốc độ, phân bổ và so sánh giữa các loại xe.

🧰 Công nghệ sử dụng

• Web Framework: Flask, Flask-SQLAlchemy
• Xử lý Nền: Celery, Redis
• Computer Vision: OpenCV, Ultralytics (YOLOv5)
• Tracking: DeepSORT (deep-sort-realtime)
• Data Processing: Pandas, NumPy
• Dashboarding: Streamlit, Plotly

⚙️ Cài đặt và Chuẩn bị

Thực hiện các bước sau để cài đặt môi trường và chạy dự án.

1. Clone Repository

git clone <URL_CUA_BAN>
cd TrafficAnalysisWebApp

2. Cài đặt Redis Hệ thống xử lý nền Celery yêu cầu Redis.

• Trên Windows: Cài đặt thông qua WSL (Windows Subsystem for Linux) hoặc tải các bản build không chính thức từ tpor/redis-windows. Sau khi cài đặt, hãy đảm bảo server Redis đang chạy.

3. Tạo và kích hoạt Môi trường ảo

python -m venv venv
# Windows: venv\Scripts\activate | macOS/Linux: source venv/bin/activate

4. Cài đặt các thư viện Python

pip install -r requirements.txt

5. Chuẩn bị Mô hình YOLOv5 (QUAN TRỌNG) Dự án được thiết lập để chạy YOLOv5 hoàn toàn từ các file cục bộ.

• Tạo thư mục: Bên trong thư mục core_analysis/, hãy tạo một thư mục mới tên là models.
• Tải file trọng số: Tải file yolov5s.pt từ trang release của YOLOv5 và đặt nó vào trong thư mục core_analysis/models/.
• Clone mã nguồn YOLOv5: Mở terminal tại thư mục core_analysis/models/ và chạy lệnh sau:

  git clone https://github.com/ultralytics/yolov5.git

  Thao tác này sẽ tạo một thư mục core_analysis/models/yolov5/.

💡 Hướng dẫn sử dụng

Dự án có thể được chạy theo hai chế độ: Giao diện Web hoặc Dòng lệnh.

Chế độ 1: Giao diện Web (Dành cho Người dùng cuối)

Bước 1: Khởi động Celery Worker Mở một Terminal thứ nhất tại thư mục gốc của dự án và chạy lệnh sau. Worker này sẽ lắng nghe và thực hiện các tác vụ phân tích. celery -A tasks.video_tasks.celery worker --loglevel=info

Bước 2: Khởi động Ứng dụng Web Mở một Terminal thứ hai tại thư mục gốc và chạy lệnh sau để khởi động server Flask: python run_web.py

Bước 3: Sử dụng Ứng dụng

• Mở trình duyệt và truy cập vào http://127.0.0.1:5000.
• Sử dụng giao diện để tải lên video.
• Theo dõi trạng thái xử lý trên trang chủ và trong cửa sổ terminal của Celery worker.
• Khi video đã xử lý xong, nhấp vào "Xem Dashboard" để xem kết quả.

(Lưu ý: Phần nhúng Streamlit sẽ được triển khai ở các bước phát triển tiếp theo)

Chế độ 2: Dòng lệnh (Dành cho Lập trình viên)

Chế độ này cho phép bạn chạy phân tích trực tiếp và nhanh chóng.

Bước 1: Đặt Video

• Đặt file video của bạn (ví dụ: my_video.mp4) vào thư mục instance/uploads/. Thư mục này sẽ được tự động tạo trong lần chạy đầu tiên.

Bước 2: Chạy Lệnh

• Mở Terminal tại thư mục gốc của dự án.

• Để chạy phân tích nhanh (không xem trước): python run_cli.py --video my_video.mp4

• Để chạy và xem quá trình xử lý: python run_cli.py --video road1.mp4 --start-time "2025-08-13T14:30" --show-preview

tóm tắt các dòng lệnh chính

celery -A celery_worker.celery worker --loglevel=info --pool=eventlet

python run_web.py

python run_cli.py

streamlit run visualization/dashboard_streamlit.py streamlit run visualization/dashboard_streamlit.py --server.address=0.0.0.0

python run_cli.py --video road1.mp4 --start-time "2025-08-13T14:30" --show-preview