Machine Learning Computer Vision
Resume:
Doãn Bùi Hòa Hợp
THỰC TẬP SINH :COMPUTER
VISION
THÔNG TIN CÁ NHÂN
*************@*****.***
https://www.facebook.com/pha
mminhkhoi100703
GITHUB
https://github.com/DoanBuiHoa
Hop
KỸ NĂNG
+ Machine Learning Mô hình:
• Linear Regression, Decision
Tree, Random Forest, KNN,
SVM, XGBoost, LightGBM
• Thư viện: scikit-learn, xgboost,
lightgbm
+ Deep Learning
• Mô hình: ANN, CNN, LSTM,
Transfer Learning (MobileNetV2,
ResNet)
• Framework: TensorFlow, Keras,
PyTorch
+ Computer Vision
• Kỹ thuật & Thư viện: OpenCV,
YOLOv8, MediaPipe, torchvision
• Ứng dụng: Nhận diện đối tượng,
phân loại ảnh, phát hiện
keypoints, theo dõi tư thế
+ Xử lý dữ liệu & Trực quan hóa
• Công cụ: Pandas, NumPy,
Matplotlib, Seaborn
+ Công cụ khác
• Môi trường lập trình: Jupyter
Notebook, Google Colab
MỤC TIÊU NGHỀ NGHIỆP
Tôi mong muốn được làm việc trong một môi trường năng động và chuyên nghiệp, nơi tôi có thể vận dụng hiệu quả những kiến thức về Trí tuệ nhân tạo (AI) và kỹ năng phân tích dữ liệu đã học vào thực tiễn. Mục tiêu của tôi là không ngừng học hỏi, nâng cao chuyên môn và đóng góp vào sự phát triển bền vững của công ty thông qua các dự án sáng tạo, có giá trị ứng dụng cao. Trong dài hạn, tôi hướng đến việc trở thành một chuyên gia trong lĩnh vực AI, có khả năng giải quyết các bài toán thực tế và tạo ra tác động tích cực cho doanh nghiệp và cộng đồng.
HỌC VẤN
Trường Đại Học Nguyễn Tất Thành
Chuyên ngành: Trí tuệ nhân tạo (AI)
Thời gian: 11/9/2021 - 20/10/2025
Xếp loại: Khá
Điểm trung bình (GPA): 2.6 / 4.0
HỌC VẤN
ĐỀ TÀI : NHẬN DIỆN VÀ PHÂN LOẠI BIỂN BÁO
GIAO THÔNG
25/12/2024 - 29/12/2024
ĐẠI HỌC : ĐH Nguyễn Tất Thành
Mô tả : Tôi đã phát triển một hệ thống phân loại biển báo giao thông sử dụng các mô hình học máy, bao gồm KNN, SVM, Random Forest, XGBoost và CNN. Dự án sử dụng tập dữ liệu GTSRB (German Traffic Sign Recognition Benchmark), gồm hơn 50.000 hình ảnh với 43 lớp biển báo giao thông. Mô hình CNN được lựa chọn vì cho độ chính xác cao nhất trong việc phân loại biển báo giao thông, theo kết quả so sánh với các mô hình khác
Công cụ: TensorFlow, Keras, Scikit-learn, Streamlit, Matplotlib, Numpy, Pandas. Kết quả: Ứng dụng nhận diện biển báo giao thông, hiển thị mức xử phạt và hỗ trợ phân loại chính xác.
Liên kết
https://github.com/DoanBuiHoaHop/Recognize-the-signal.git ĐỀ TÀI : HỆ THỐNG NHẬN DIỆN VÀ PHÂN LOẠI TƯ
THẾ YOGA
25/1/2025 - 27/1/2025
ĐẠI HỌC : ĐH Nguyễn Tất Thành
+ YOLOv8 (Phát hiện người)
Sử dụng mạng CNN để phát hiện và xác định vị trí của người trong ảnh. NMS (Non-Maximum Suppression) giúp lọc các bounding box trùng.
+ MobileNetV2 (Phân loại tư thế)
Dùng mô hình nhẹ và nhanh để phân loại tư thế yoga (ví dụ: Tree Pose). Sử dụng kỹ thuật Transfer Learning với ImageNet, kết hợp Softmax và Categorical CrossEntropy.
+ MediaPipe BlazePose (Nhận diện keypoints)
Phát hiện 33 keypoints của cơ thể từ ảnh hoặc video. Sử dụng hồi quy và heatmap để xác định các điểm khớp. Công cụ
• YOLOv8 (Phát hiện người)
• MobileNetV2 (Phân loại tư thế)
• MediaPipe BlazePose (Nhận diện keypoints và trực quan hóa)
• OpenCV (Hiển thị và trực quan hóa hình ảnh)
Liên kết
https://github.com/DoanBuiHoaHop/He-communicates-and-followYOGA- exercises-YOLO8n.git
• Triển khai và trình bày: Streamlit,
ONNX, joblib
• Quản lý mã nguồn: Git, GitHubt.
Github :
https://github.com/DoanBuiHoaHop
ĐỀ TÀI : HỆ THỐNG GIÁM SÁT GIAO THÔNG SỬ DỤNG
YOLOV8
-
ĐẠI HỌC : ĐH Nguyễn Tất Thành
Dự án hướng đến việc xây dựng một hệ thống giám sát giao thông thông minh ứng dụng thị giác máy tính (Computer Vision) và mô hình học sâu YOLOv8 để tự động phát hiện và phân loại các đối tượng giao thông như ô tô, xe máy, người đi bộ và biển báo.
+ Input
Ảnh: File ảnh tĩnh (e.g., JPG) chứa các phương tiện giao thông. Video: Khung hình từ file video (e.g., MP4) được xử lý từng frame. Webcam: Luồng hình ảnh trực tiếp từ webcam.
+ Output
Bounding Box quanh phương tiện: Hình chữ nhật bao quanh từng phương tiện, vẽ bằng màu sắc nổi bật (e.g., xanh lá, hồng).
Mã của phương tiện: Nhãn định danh (e.g., "motorbike", "car", "truck") hiển thị cạnh bounding box
Cài đặt thư viện**: ultralytics, opencv-python Chuẩn bị dữ liệu**: phân loại, gán nhãn (LabelImg/Roboflow). Huấn luyện mô hình**: với YOLOv8 trên tập dữ liệu custom. Trực quan hóa**: loss, mAP, precision, recall qua biểu đồ. Đánh giá mô hình**: so sánh dự đoán và ground truth. Kiểm tra dự đoán**: chạy thử trên ảnh, video thực tế. Công cụ
Ứng dụng Deep Learning (YOLOv8 - CNN) Giám sát Giao thông sử dụng YOLOv8
. Sử dụng các thư viện như ultralytics, PyTorch, OpenCV, NumPy, Matplotlib… Liên kết
https://github.com/DoanBuiHoaHop/Traffic-System-YOLOv8.git
© topcv.vn
Contact this candidate