ການຄວບຄຸມລະບົບໄຟອໍານາດເພື່ອການຈາລະຈອນຂອງລົດໃຫ້ມີປະສິດທິພາບ ໂດຍໃຊ້ວິທີການຮຽນຮູ້ແບບເລິກເຊິ່ງ

["(\u0e81) (\u0e82) \u0eae\u0e9a\u0e97\u0eb5 3. 33 \u0e9c\u0e99\u0ebb \u0e81\u0eb2\u0e99\u0e97\u0e94\u0ebb \u0eaa\u0ead\u0e9a\u0ec2\u0ea1\u0ec0\u0e94\u0ea7 Fast R-CNN \u0e82\u0ead\u0e87\u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0ea5\u0e94\u0ebb Car \u25aa \u0e8a\u0e94\u0eb8 \u0e82\u0ea1\u0ecd\u0ec9 \u0e99\u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0ea5\u0e94\u0ebb Jumbo \u0e9b\u0eb0\u0e81\u0ead\u0e9a\u0e94\u0ea7\u0ec9 \u0e8d 2 \u0eae\u0e9a\u0e9e\u0eb2\u0e9a\u0e84: (\u0e81) \u0eae\u0e9a\u0e9e\u0eb2\u0e9a\u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0ea5\u0e94\u0ebb Jumbo \u0ec2\u0ea1 \u0ec0\u0e94\u0ea7\u0eaa\u0eb2\u0ea1\u0eb2\u0e94\u0e81\u0ea7\u0e94\u0e88\u0eb1\u0e9a\u0e84\u0eb2\u0ec8 \u0e84\u0ea7\u0eb2\u0ea1\u0e96\u0e81\u0e95\u0ead\u0ec9 \u0e87\u0ea2\u0ec8 0.99 \u0eab 99%, (\u0e82) \u0ec2\u0ea1\u0ec0\u0e94\u0ea7\u0eaa\u0eb2\u0ea1\u0eb2\u0e94\u0e81\u0ea7\u0e94\u0e88\u0e9a\u0eb1 \u0e84\u0eb2\u0ec8 \u0e84\u0ea7\u0eb2\u0ea1\u0e96\u0e81\u0e95\u0ec9\u0ead\u0e87\u0ea2\u0ec8 99% \u0ec2\u0e94\u0e8d\u0eaa\u0eb0\u0ec1\u0e94\u0e87\u0ec3\u0e99\u0eae\u0e9a\u0e97\u0eb5 3. 34 \u0e94\u0ebb\u0ec8\u0eb1\u0e87\u0ea5\u0ec8\u0ea1\u0e99\u0ebb\u0ec9\u0eb5. (\u0e81) (\u0e82) \u0eae\u0e9a\u0e97\u0eb5 3. 34 \u0e9c\u0ebb\u0e99\u0e81\u0eb2\u0e99\u0e97\u0e94\u0ebb \u0eaa\u0ead\u0e9a\u0ec2\u0ea1\u0ec0\u0e94\u0ea7 Fast R-CNN \u0e82\u0ead\u0e87\u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0ea5\u0e94\u0ebb Jumbo \u25aa \u0e8a\u0e94\u0eb8 \u0e82\u0ea1\u0ec9\u0ecd \u0e99\u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0ea5\u0e94\u0ebb Motorbike \u0e9b\u0eb0\u0e81\u0ead\u0e9a\u0e94\u0ec9\u0ea7\u0e8d 2 \u0eae\u0e9a\u0e9e\u0eb2\u0e9a\u0e84: (\u0e81) \u0eae\u0e9a\u0e9e\u0eb2\u0e9a\u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0ea5\u0ebb\u0e94 Motorbike \u0ec2\u0ea1\u0ec0\u0e94\u0ea7\u0eaa\u0eb2\u0ea1\u0eb2\u0e94\u0e81\u0ea7\u0e94\u0e88\u0e9a\u0eb1 \u0e84\u0ec8\u0eb2\u0e84\u0ea7\u0eb2\u0ea1\u0e96\u0e81\u0e95\u0ec9\u0ead\u0e87\u0ea2\u0ec8 0.99 \u0eab 99%, (\u0e82) \u0ec2\u0ea1\u0ec0\u0e94\u0ea7\u0eaa\u0eb2\u0ea1\u0eb2\u0e94\u0e81\u0ea7\u0e94\u0e88\u0eb1\u0e9a\u0e84\u0eb2\u0ec8 \u0e84\u0ea7\u0eb2\u0ea1 \u0e96\u0e81\u0e95\u0ec9\u0ead\u0e87\u0ea2\u0ec8 100% \u0ec2\u0e94\u0e8d\u0eaa\u0eb0\u0ec1\u0e94\u0e87\u0ec3\u0e99\u0eae\u0e9a\u0e97\u0eb5 3. 35 \u0e94\u0ebb\u0e87\u0ec8\u0eb1 \u0ea5\u0ec8\u0ea1\u0e99.\u0ec9\u0eb5\u0ebb (\u0e81) (\u0e82) \u0eae\u0e9a\u0e97\u0eb5 3. 35 \u0e9c\u0e99\u0ebb \u0e81\u0eb2\u0e99\u0e97\u0e94\u0ebb \u0eaa\u0ead\u0e9a\u0ec2\u0ea1\u0ec0\u0e94\u0ea7 Fast R-CNN \u0e82\u0ead\u0e87\u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0ea5\u0ebb\u0e94 Motorbike 39","\u25aa \u0e8a\u0e94\u0eb8 \u0e82\u0ea1\u0ecd\u0ec9 \u0e99\u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0ea5\u0e94\u0ebb Bus \u0e9b\u0eb0\u0e81\u0ead\u0e9a\u0e94\u0ec9\u0ea7\u0e8d 2 \u0eae\u0e9a\u0e9e\u0eb2\u0e9a\u0e84: (\u0e81) \u0eae\u0e9a\u0e9e\u0eb2\u0e9a\u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0ea5\u0e94\u0ebb Bus \u0ec2\u0ea1\u0ec0\u0e94\u0ea7 \u0eaa\u0eb2\u0ea1\u0eb2\u0e94\u0e81\u0ea7\u0e94\u0e88\u0e9a\u0eb1 \u0e84\u0ec8\u0eb2\u0e84\u0ea7\u0eb2\u0ea1\u0e96\u0e81\u0e95\u0ec9\u0ead\u0e87\u0ea2\u0ec8 0.90 \u0eab 90%, (\u0e82) \u0ec2\u0ea1\u0ec0\u0e94\u0ea7\u0eaa\u0eb2\u0ea1\u0eb2\u0e94\u0e81\u0ea7\u0e94\u0e88\u0e9a\u0eb1 \u0e84\u0eb2\u0ec8 \u0e84\u0ea7\u0eb2\u0ea1\u0e96\u0e81\u0e95\u0ead\u0ec9 \u0e87\u0ea2\u0ec8 98% \u0ec2\u0e94\u0e8d \u0eaa\u0eb0\u0ec1\u0e94\u0e87\u0ec3\u0e99\u0eae\u0e9a\u0e97\u0eb5 3. 36 \u0e94\u0e87\u0eb1\u0ebb\u0ec8 \u0ea5\u0ea1\u0ec8 \u0e99\u0eb5.\u0ebb\u0ec9 (\u0e81) (\u0e82) \u0eae\u0e9a\u0e97\u0eb5 3. 36 \u0e9c\u0ebb\u0e99\u0e81\u0eb2\u0e99\u0e97\u0e94\u0ebb \u0eaa\u0ead\u0e9a\u0ec2\u0ea1\u0ec0\u0e94\u0ea7 Fast R-CNN \u0e82\u0ead\u0e87\u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0ea5\u0e94\u0ebb Bus \u25aa \u0e8a\u0e94\u0eb8 \u0e82\u0ea1\u0ec9\u0ecd \u0e99\u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0ea5\u0e94\u0ebb Truck \u0e9b\u0eb0\u0e81\u0ead\u0e9a\u0e94\u0ea7\u0ec9 \u0e8d 2 \u0eae\u0e9a\u0e9e\u0eb2\u0e9a\u0e84: (\u0e81) \u0eae\u0e9a\u0e9e\u0eb2\u0e9a\u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0ea5\u0e94\u0ebb Truck \u0ec2\u0ea1 \u0ec0\u0e94\u0ea7\u0eaa\u0eb2\u0ea1\u0eb2\u0e94\u0e81\u0ea7\u0e94\u0e88\u0eb1\u0e9a\u0e84\u0eb2\u0ec8 \u0e84\u0ea7\u0eb2\u0ea1\u0e96\u0e81\u0e95\u0ead\u0ec9 \u0e87\u0ea2\u0ec8 0.98 \u0eab 98%, (\u0e82) \u0ec2\u0ea1\u0ec0\u0e94\u0ea7\u0eaa\u0eb2\u0ea1\u0eb2\u0e94\u0e81\u0ea7\u0e94\u0e88\u0e9a\u0eb1 \u0e84\u0ec8\u0eb2\u0e84\u0ea7\u0eb2\u0ea1\u0e96\u0e81\u0e95\u0ead\u0ec9 \u0e87\u0ea2\u0ec8 98% \u0ec2\u0e94\u0e8d\u0eaa\u0eb0\u0ec1\u0e94\u0e87\u0ec3\u0e99\u0eae\u0e9a\u0e97\u0eb5 3. 37 \u0e94\u0ebb\u0ec8\u0eb1\u0e87\u0ea5\u0ec8\u0ea1\u0e99.\u0ec9\u0eb5\u0ebb (\u0e81) (\u0e82) \u0eae\u0e9a\u0e97\u0eb5 3. 37 \u0e9c\u0ebb\u0e99\u0e81\u0eb2\u0e99\u0e97\u0ebb\u0e94\u0eaa\u0ead\u0e9a\u0ec2\u0ea1\u0ec0\u0e94\u0ea7 Fast R-CNN \u0e82\u0ead\u0e87\u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0ea5\u0ebb\u0e94 Truck \u25aa \u0e8a\u0e94\u0eb8 \u0e82\u0ea1\u0ecd\u0ec9 \u0e99\u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0ea5\u0e94\u0ebb Skylab \u0e9b\u0eb0\u0e81\u0ead\u0e9a\u0e94\u0ea7\u0ec9 \u0e8d 2 \u0eae\u0e9a\u0e9e\u0eb2\u0e9a\u0e84: (\u0e81) \u0eae\u0e9a\u0e9e\u0eb2\u0e9a\u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0ea5\u0e94\u0ebb Skylab \u0ec2\u0ea1 \u0ec0\u0e94\u0ea7\u0eaa\u0eb2\u0ea1\u0eb2\u0e94\u0e81\u0ea7\u0e94\u0e88\u0e9a\u0eb1 \u0e84\u0eb2\u0ec8 \u0e84\u0ea7\u0eb2\u0ea1\u0e96\u0e81\u0e95\u0ec9\u0ead\u0e87\u0ea2\u0ec8 0.91 \u0eab 91%, (\u0e82) \u0ec2\u0ea1\u0ec0\u0e94\u0ea7\u0eaa\u0eb2\u0ea1\u0eb2\u0e94\u0e81\u0ea7\u0e94\u0e88\u0e9a\u0eb1 \u0e84\u0ec8\u0eb2\u0e84\u0ea7\u0eb2\u0ea1\u0e96\u0e81\u0e95\u0ec9\u0ead\u0e87\u0ea2\u0ec8 98% \u0ec2\u0e94\u0e8d\u0eaa\u0eb0\u0ec1\u0e94\u0e87\u0ec3\u0e99\u0eae\u0e9a\u0e97\u0eb5 3. 38 \u0e94\u0eb1\u0ebb\u0ec8\u0e87\u0ea5\u0ec8\u0ea1\u0e99\u0ec9\u0ebb\u0eb5. (\u0e81) (\u0e82) \u0eae\u0e9a\u0e97\u0eb5 3. 38 \u0e9c\u0e99\u0ebb \u0e81\u0eb2\u0e99\u0e97\u0e94\u0ebb \u0eaa\u0ead\u0e9a\u0ec2\u0ea1\u0ec0\u0e94\u0ea7 Fast R-CNN \u0e82\u0ead\u0e87\u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0ea5\u0ebb\u0e94 Skylab 40","\u25aa \u0e8a\u0e94\u0eb8 \u0e82\u0ea1\u0ecd\u0ec9 \u0e99\u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0ea5\u0e94\u0ebb Tuktuk \u0e9b\u0eb0\u0e81\u0ead\u0e9a\u0e94\u0ec9\u0ea7\u0e8d 2 \u0eae\u0e9a\u0e9e\u0eb2\u0e9a\u0e84: (\u0e81) \u0eae\u0e9a\u0e9e\u0eb2\u0e9a\u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0ea5\u0ebb\u0e94 Skylab \u0ec2\u0ea1 \u0ec0\u0e94\u0ea7\u0eaa\u0eb2\u0ea1\u0eb2\u0e94\u0e81\u0ea7\u0e94\u0e88\u0eb1\u0e9a\u0e84\u0eb2\u0ec8 \u0e84\u0ea7\u0eb2\u0ea1\u0e96\u0e81\u0e95\u0ead\u0ec9 \u0e87\u0ea2\u0ec8 0.81 \u0eab 81%, (\u0e82) \u0ec2\u0ea1\u0ec0\u0e94\u0ea7\u0eaa\u0eb2\u0ea1\u0eb2\u0e94\u0e81\u0ea7\u0e94\u0e88\u0eb1\u0e9a\u0e84\u0eb2\u0ec8 \u0e84\u0ea7\u0eb2\u0ea1\u0e96\u0e81\u0e95\u0ec9\u0ead\u0e87\u0ea2\u0ec8 95% \u0ec2\u0e94\u0e8d\u0eaa\u0eb0\u0ec1\u0e94\u0e87\u0ec3\u0e99\u0eae\u0e9a\u0e97\u0eb5 3. 39 \u0e94\u0eb1\u0ebb\u0ec8\u0e87\u0ea5\u0ec8\u0ea1\u0e99\u0ebb\u0eb5.\u0ec9 (\u0e81) (\u0e82) \u0eae\u0e9a\u0e97\u0eb5 3. 39 \u0e9c\u0e99\u0ebb \u0e81\u0eb2\u0e99\u0e97\u0ebb\u0e94\u0eaa\u0ead\u0e9a\u0ec2\u0ea1\u0ec0\u0e94\u0ea7 Fast R-CNN \u0e82\u0ead\u0e87\u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0ea5\u0e94\u0ebb Tuktuk 3.3.3 \u0e82\u0e99\u0ec9\u0eb1\u0ebb \u0e95\u0ead\u0e99\u0e81\u0eb2\u0e99\u0eaa\u0ea1\u0ebb \u0e97\u0ebd\u0e9a\u0ea5\u0eb0\u0eab\u0ea7\u0eb2\u0ec8 \u0e87 YOLOv5 \u0ec1\u0ea5\u0eb0 Fast R-CNN \u0e9c\u0eb2\u0ec8 \u0e99\u0e81\u0eb2\u0e99\u0eae\u0ebd\u0e99\u0eae\u0e82\u0ec9 \u0ead\u0e87\u0ec2\u0ea1\u0ec0\u0e94\u0ea7\u0ec2\u0e94\u0e8d Algorithm \u0e97\u0e87\u0eb1 \u0eaa\u0ead\u0e87\u0ec1\u0e9a\u0e9a \u0ec1\u0ea1\u0ec8\u0e99\u0ec4\u0e94\u0e99\u0ec9 \u0ecd\u0eb2\u0ec3\u0e8a\u0e8a\u0ec9 \u0e94\u0eb8 \u0e82\u0ecd\u0ec9\u0ea1\u0e99\u0ec1\u0e9a\u0e9a\u0e94\u0ebd\u0ea7\u0e81\u0eb1\u0e99 \u0e97\u0eb1\u0e87\u0edd\u0e94\u0ebb \u0e84: 1 \u0e8a\u0eb8\u0e94\u0e82\u0ecd\u0ec9\u0ea1\u0e99\u0eae\u0e9a\u0e9e\u0eb2\u0e9a\u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0ea5\u0e94\u0ebb Tuktuk, 2 \u0e8a\u0e94\u0eb8 \u0e82\u0ec9\u0ecd\u0ea1\u0e99\u0eae\u0e9a\u0e9e\u0eb2\u0e9a\u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0ea5\u0ebb\u0e94 Motorbike, 3 \u0e8a\u0e94\u0eb8 \u0e82\u0ec9\u0ecd\u0ea1\u0e99\u0eae\u0e9a \u0e9e\u0eb2\u0e9a\u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0ea5\u0ebb\u0e94 Truck, 4 \u0e8a\u0eb8\u0e94\u0e82\u0ecd\u0ec9\u0ea1\u0e99\u0eae\u0e9a\u0e9e\u0eb2\u0e9a\u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0ea5\u0e94\u0ebb Jumbo, 5 \u0e8a\u0e94\u0eb8 \u0e82\u0ecd\u0ec9\u0ea1\u0e99\u0eae\u0e9a\u0e9e\u0eb2\u0e9a\u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0ea5\u0ebb\u0e94 Skylab, 6 \u0e8a\u0e94\u0eb8 \u0e82\u0ecd\u0ea1\u0ec9 \u0e99\u0eae\u0e9a\u0e9e\u0eb2\u0e9a\u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0ea5\u0ebb\u0e94 Car, 7 \u0e8a\u0eb8\u0e94\u0e82\u0ea1\u0ecd\u0ec9 \u0e99\u0eae\u0e9a\u0e9e\u0eb2\u0e9a\u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0ea5\u0e94\u0ebb Bus \u0ec1\u0ea5\u0eb0 8 \u0e8a\u0e94\u0eb8 \u0e82\u0ecd\u0ea1\u0ec9 \u0e99\u0eae\u0e9a\u0e9e\u0eb2\u0e9a\u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0ea5\u0e94\u0ebb Van \u0ec2\u0e94\u0e8d\u0ec4\u0e94\u0ec9\u0eaa\u0eb0\u0ec1\u0e94\u0e87\u0e95\u0eb2\u0e95\u0eb0\u0ea5\u0eb2\u0e87\u0eaa\u0ebb\u0ea1\u0e97\u0ebd\u0e9a\u0ea2\u0e97\u0ec8 \u0eb5\u0e95\u0eb2\u0e95\u0eb0\u0ea5\u0eb2\u0e87\u0e97\u0eb5 3. 3 \u0e94\u0ebb\u0ec8\u0eb1\u0e87\u0ea5\u0ea1\u0ec8 \u0e99\u0eb5\u0ec9\u0ebb. \u0e95\u0eb2\u0e95\u0eb0\u0ea5\u0eb2\u0e87\u0e97\u0eb5 3. 3: \u0eaa\u0ebb\u0ea1\u0e97\u0ebd\u0e9a\u0e84\u0eb2\u0ec8 \u0e84\u0ea7\u0eb2\u0ea1\u0e96\u0e81\u0ea5\u0eb0\u0eab\u0ea7\u0eb2\u0ec8 \u0e87 YOLOv5 \u0ec1\u0ea5\u0eb0 Fast R-CNN No. Classes Precision Precision Recall Recall mAP mAP YOLOv5 Fast R-CNN YOLOv5 Fast R-CNN YOLOv5 Fast R-CNN 1 Tuktuk 0.974 - 0.863 - 91.6% 68.88% 2 Motorbike 0.876 - 0.617 - 74.1% 49.95% 3 Truck 0.67 - 0.67 - 70.1% 56.94% 4 Jumbo 0.927 - 0.937 - 94.5% 71.35% 5 Skylab 0.933 - 0.82 - 86.6% 62.14% 6 Car 0.87 - 0.601 - 76.8% 56.94% 7 Bus 0.976 - 0.919 - 95.0% 81.14% 8 Van 0.938 - 0.791 - 90.8% 71.60% \u0e84\u0eb2\u0ec8 \u0eaa\u0eb0\u0ec0\u0ea5\u0ec8\u0e8d: 0.896 - 0.777 - 84.9% 64.87% \u0e88\u0eb2\u0e81\u0e95\u0eb2\u0e95\u0eb0\u0ea5\u0eb2\u0e87\u0e97\u0eb5 3. 3 \u0eaa\u0eb1\u0e87\u0ec0\u0e81\u0e94\u0ec0\u0eab\u0e99\u0eb1 \u0ec4\u0e94\u0ea7\u0ec9 \u0ec8\u0eb2\u0e84\u0ec8\u0eb2\u0e84\u0ea7\u0eb2\u0ea1\u0e96\u0e81\u0e95\u0ec9\u0ead\u0e87\u0e82\u0ead\u0e87 Algorithm YOLOv5 \u0ec1\u0ea1\u0e99\u0ec8 \u0eaa\u0e87 \u0e81\u0ea7\u0eb2\u0ec8 Algorithm Fast R-CNN \u0ea2\u0ec8 20.12% \u0ec2\u0e94\u0e8d YOLOv5 \u0ec4\u0e94\u0ec9\u0e84\u0ec8\u0eb2\u0e84\u0ea7\u0eb2\u0ea1\u0e96\u0e81\u0e95\u0ec9\u0ead\u0e87\u0eaa\u0eb0\u0ec0\u0ea5\u0e8d\u0ec8 \u0ea2\u0ec8 84.9% \u0ec1\u0ea5\u0eb0 Fast R-CNN \u0ec1\u0ea1\u0ec8\u0e99\u0ec4\u0e94\u0e84\u0ec9 \u0eb2\u0ec8 \u0e84\u0ea7\u0eb2\u0ea1\u0e96\u0e81\u0e95\u0ead\u0ec9 \u0e87\u0ea2\u0ec8 64.78% \u0e94\u0ec8\u0ebb\u0e87\u0eb1 \u0e99\u0ebb\u0eb1\u0e99\u0ec9 , \u0ec3\u0e99\u0e9a\u0ebb\u0e94\u0ea7\u0e97\u0eb4 \u0eb0\u0e8d\u0eb2\u0e99\u0e9e\u0eb4 \u0ebb\u0e99\u0e99\u0eb5\u0ebb\u0ec9\u0e88\u0e87\u0ec8\u0eb6\u0eb7 \u0ec4\u0e94\u0ec9\u0ec0\u0ea5\u0ead\u0e81\u0ec0\u0ead\u0ebb\u0eb2\u0ec2\u0ea1\u0ec0\u0e94\u0ea7\u0e97\u0eb7\u0ec8\u0eb5\u0ec4\u0e94\u0ec9\u0e88\u0eb2\u0e81 \u0e81\u0eb2\u0e99\u0eae\u0ebd\u0e99\u0eae\u0ec9\u0e82\u0ead\u0e87 Algorithm YOLOv5 \u0ec3\u0e99\u0e81\u0eb2\u0e99\u0ead\u0eb0\u0e97\u0eb4\u0e9a\u0eb2\u0e8d\u0e9c\u0ebb\u0e99\u0ec3\u0e99\u0e9e\u0eb2\u0e81\u0e97\u0eb5 4 \u0e9c\u0ebb\u0e99\u0e81\u0eb2\u0e99\u0eaa\u0eb6\u0e81\u0eaa\u0eb2 \u0ec1\u0ea5\u0eb0 \u0e81\u0eb2\u0e99\u0e99\u0eb2\u0ec4\u0e9b Implement \u0e95\u0ea7\u0ebb \u0e88\u0eb4\u0e87\u0e82\u0ead\u0e87\u0e81\u0eb2\u0e99\u0e81\u0ecd\u0eb2\u0e99\u0e94\u0ebb \u0ea5\u0eb0\u0e9a\u0e9a\u0ebb \u0e84\u0ea7\u0e9a\u0e84\u0ea1\u0ec4\u0e9f\u0ead\u0eb2\u0ecd \u0e99\u0eb2\u0e94. 41","3.3.4 \u0e82\u0e99\u0eb1\u0ebb\u0ec9 \u0e95\u0ead\u0e99\u0e81\u0eb2\u0e99\u0ea7\u0ec0\u0eb4 \u0e84\u0eb2\u0eb0\u0e82\u0ea1\u0ecd\u0ec9 \u0e99\u0e81\u0eb2\u0e99\u0e81\u0eb2\u0ecd \u0e99\u0e94\u0ebb \u0ec4\u0e9f\u0ead\u0eb2\u0ecd \u0e99\u0eb2\u0e94 \u0e81\u0eb2\u0e99\u0e84\u0ea7\u0e9a\u0e84\u0ea1\u0eaa\u0e99\u0eb1 \u0e8d\u0eb2\u0e99\u0ec4\u0e9f\u0ead\u0eb2\u0ecd \u0e99\u0eb2\u0e94\u0e9b\u0eb0\u0e81\u0ead\u0e9a\u0e94\u0ec9\u0ea7\u0e8d 5 \u0e82\u0ec9\u0e99\u0ebb\u0eb1 \u0e95\u0ead\u0e99\u0e94\u0ebb\u0ec8\u0e87\u0eb1 \u0e99\u0ebb:\u0eb5\u0ec9 \u0ec0\u0ea5\u0eb5\u0eb7\u0ea1\u0ec8 \u0e88\u0eb2\u0e81\u0e81\u0eb2\u0e99\u0e82\u0ebb\u0e99\u0ec9\u0eb1 \u0e95\u0ead\u0e99\u0e81\u0eb2\u0e99\u0e81\u0ea7\u0e94 \u0e88\u0e9a\u0eb1 \u0ea7\u0eb1\u0e94\u0e96\u0eb8 (Object Detection) \u0e88\u0ebb\u0e99\u0eae\u0ead\u0e94 \u0e82\u0eb1\u0e99\u0ec9\u0ebb \u0e95\u0ead\u0e99\u0e81\u0eb2\u0e99\u0e84\u0ea7\u0e9a\u0e84\u0ea1\u0ea5\u0eb0\u0e9a\u0ebb\u0e9a\u0ec4\u0e9f\u0ead\u0eb2\u0ecd \u0e99\u0eb2\u0e94 (Traffic Control) \u0ec2\u0e94\u0e8d\u0ea1\u0eb5 \u0ea5\u0eb2\u0e8d\u0ea5\u0eb0\u0ead\u0ebd\u0e94\u0ec3\u0e99\u0eae\u0e9a\u0e97\u0eb5 3. 40 \u0e94\u0ec8\u0e87\u0ebb\u0eb1 \u0ea5\u0ec8\u0ea1\u0e99\u0ebb\u0eb5\u0ec9. \u0eae\u0e9a\u0e97\u0eb5 3. 40 \u0e82\u0e99\u0ec9\u0ebb\u0eb1 \u0e95\u0ead\u0e99\u0e81\u0eb2\u0e99\u0e84\u0ea7\u0e9a\u0e84\u0ea1\u0eaa\u0eb1\u0e99\u0e8d\u0eb2\u0e99\u0ec4\u0e9f\u0ead\u0eb2\u0ecd \u0e99\u0eb2\u0e94 \u0ec3\u0e99\u0eae\u0e9a\u0e97\u0eb5 3. 26 \u0e82\u0eb1\u0e99\u0ec9\u0ebb \u0e95\u0ead\u0e99\u0e97\u0eb2\u0ead\u0eb4\u0e94\u0ec1\u0ea1\u0ec8\u0e99\u0e99\u0eb2\u0ec3\u0e8a\u0ec9 Algorithm YOLOv5 \u0ec3\u0e99\u0e81\u0eb2\u0e99\u0e81\u0ea7\u0e94\u0e88\u0eb1\u0e9a\u0ea7\u0e94\u0eb1 \u0e96\u0eb8, \u0eab\u0e87\u0eb1 \u0e88\u0eb2\u0e81\u0e99\u0ec9\u0ebb\u0e99\u0eb1 \u0eaa\u0e87\u0ec8\u0ebb \u0e82\u0ecd\u0ea1\u0ec9 \u0e99\u0e9c\u0ec8\u0eb2\u0e99 MQTT Protocol, \u0ec2\u0e94\u0e8d\u0ea1\u0eb5\u0e9a\u0ead\u0e94 Wi-Fi (ESP8266) \u0ec0\u0e9b\u0eb1\u0e99\u0e81\u0eb2\u0e99\u0ec0\u0e8a\u0eb7\u0ead\u0ec8 \u0ea1\u0e95\u0ecd\u0ec8 Network, \u0ec0\u0e8a\u0ec8\u0eb4\u0e87\u0eb7 \u0ea1\u0e9a\u0eb5 \u0ead\u0e94 Arduino \u0ec0\u0e9b\u0eb1\u0e99\u0ec2\u0e95\u0e9b\u0ebd\u0ec8 \u0e99\u0e84\u0ec8\u0eb2 \u0ec1\u0ea5\u0eb0 \u0e99\u0eb2\u0e99\u0e94\u0ebb \u0ea5\u0eb0\u0e9a\u0e9a\u0ebb \u0ec4\u0e9f\u0ead\u0eb2\u0e99\u0eb2\u0e94. 1) \u0e81\u0eb2\u0e99\u0e81\u0ea7\u0e94\u0e88\u0e9a\u0eb1 \u0ea7\u0e94\u0eb1 \u0e96\u0eb8 (Object detection) \u0ec0\u0e99\u0ec8\u0eb7\u0ead\u0e87\u0e88\u0eb2\u0e81\u0e82\u0eb1\u0ebb\u0ec9\u0e99\u0e95\u0ead\u0e99\u0e81\u0eb2\u0e99\u0e81\u0ea7\u0e94\u0e88\u0eb1\u0e9a\u0ea7\u0e94\u0eb1 \u0e96\u0eb8 \u0ec1\u0ea1\u0ec8\u0e99\u0ec4\u0e94\u0e94\u0ec9 \u0eb2\u0ecd \u0ec0\u0e99\u0eb5\u0e99\u0e81\u0eb2\u0e99\u0ea1\u0eb2\u0ec3\u0e99\u0e82\u0e9c\u0ecd\u0ec9 \u0ec8\u0eb2\u0e99\u0ea1\u0eb2\u0ec1\u0ea5\u0ea7\u0ec9 \u0ec3\u0e99\u0e82\u0ec9\u0ecd\u0e99\u0e88\u0eb5\u0ebb\u0ec9 \u0eb0\u0ead\u0eb0\u0e97\u0eb4 \u0e9a\u0eb2\u0e8d\u0ec0\u0e96\u0eb4\u0e87\u0e81\u0eb2\u0e99\u0e99\u0ecd\u0eb2\u0ec3\u0e8a\u0ec9 Protocol MQTT (MQ telemetry transport) \u0ec2\u0e94\u0e8d\u0ead\u0eb5\u0e87\u0e95\u0eb2\u0ea1\u0e84\u0ec8\u0eb2\u0ea1\u0eb2\u0e94\u0e95\u0eb0\u0e96\u0eb2\u0e99\u0e82\u0ead\u0e87\u0e81\u0eb2\u0e99 \u0e81\u0eb2\u0ecd \u0e99\u0ebb\u0e94\u0e84\u0ec8\u0eb2\u0ec2\u0e95\u0ec0\u0ea5\u0e81\u0ec4\u0e9f\u0ead\u0eb2\u0ecd \u0e99\u0eb2\u0e94\u0e88\u0eb2\u0e81\u0e82\u0ecd\u0ec9 3.2.2 \u0ec0\u0e8a\u0e87\u0ec8\u0eb7\u0eb4 \u0ec3\u0e99\u0ec0\u0ea5\u0e99\u0e97\u0edc\u0eb5 \u0ec8\u0eb7\u0e87\u0eb6 (Lane 1) \u0ec4\u0e9f\u0e82\u0ebd\u0ea7 40 \u0ea7\u0eb4\u0e99\u0eb2\u0e97\u0eb5, \u0ec0\u0ea5\u0e99\u0e97\u0eb5\u0eaa\u0ead\u0e87 (Lane 2) \u0ec4\u0e9f\u0e82\u0ebd\u0ea7 25 \u0ea7\u0eb4\u0e99\u0eb2\u0e97,\u0eb5 \u0ec0\u0ea5\u0e99\u0e97\u0eb5\u0eaa\u0eb2\u0ea1 (Lane 3) \u0ec4\u0e9f\u0e82\u0ebd\u0ea7 40 \u0ea7\u0eb4\u0e99\u0eb2\u0e97\u0eb5 \u0ec1\u0ea5\u0eb0 \u0ec0\u0ea5\u0e99\u0e97\u0eb5\u0eaa\u0eb5\u0ec8\u0eb7 (Lane 4) \u0ec4\u0e9f\u0e82\u0ebd\u0ea7 35 \u0ea7\u0eb4\u0e99\u0eb2\u0e97\u0eb5 \u0ec2\u0e94\u0e8d\u0ea1\u0e84\u0eb5 \u0ec8\u0eb2 Default \u0ec4\u0e9f\u0ec1\u0e94\u0e87\u0e9b\u0eb1\u0e94\u0e88\u0e9a\u0e99\u0eb1 \u0e94\u0ebb\u0ec8\u0eb1\u0e87\u0e99.\u0eb5\u0ec9\u0ebb \u25aa Lane 1 Green = 40s\u2019, Yellow = 3s\u2019 \u0ec1\u0ea5\u0eb0 Red = 115s\u2019 \u25aa Lane 2 Green = 25s\u2019, Yellow = 3s\u2019 \u0ec1\u0ea5\u0eb0 Red = 130s\u2019 \u25aa Lane 3 Green = 40s\u2019, Yellow = 3s\u2019 \u0ec1\u0ea5\u0eb0 Red = 115s\u2019 \u25aa Lane 4 Green = 34s\u2019, Yellow = 3s\u2019 \u0ec1\u0ea5\u0eb0 Red = 125s\u2019 \u0edd\u0eb2\u0e8d\u0ec0\u0eab\u0e94: \u0e81\u0ead\u0ec8 \u0e99\u0e81\u0eb2\u0e99\u0ec0\u0ea5\u0eb7\u0eb5\u0ec8\u0ea1\u0ec4\u0e9f\u0e82\u0ebd\u0ea7\u0ec1\u0e95\u0ec8\u0ea5\u0eb0\u0e84\u0e87\u0ec9\u0eb1\u0ebb \u0ec1\u0ea1\u0e99\u0ec8 \u0ea1\u0eb5\u0e84\u0eb2\u0ec8 Delay \u0ea2\u0ec8 1-2 \u0ea7\u0eb4\u0e99\u0eb2\u0e97\u0eb5 \u0ec1\u0ea5\u0eb0 \u0ea5\u0eb0\u0e9a\u0ebb\u0e9a\u0ec4\u0e9f \u0ead\u0eb2\u0ecd \u0e99\u0eb2\u0e94\u0e88\u0eb0\u0ec0\u0e9b\u0e99\u0eb1 \u0ec4\u0e9f\u0ec0\u0eab\u0ead\u0e87\u0ec0\u0ead\u0e87\u0ec0\u0ea1\u0ead\u0eb7\u0ec8 \u0ec0\u0ea7\u0ea5\u0eb2\u0ea2\u0ec8\u0ec3\u0e99\u0e8a\u0ec8\u0ea7\u0e87 23:00-05:00 \u0e82\u0ead\u0e87\u0e97\u0e81\u0ec6\u0ea1\u0ebb\u0ec9. 2) \u0e81\u0eb2\u0e99\u0eaa\u0e87\u0ebb\u0ec8 \u0e84\u0eb2\u0ec8 (Transfer) \u0ec1\u0ea5\u0eb0 \u0e81\u0eb2\u0e99\u0e84\u0ea7\u0ea1\u0e84\u0ea1 (Control) \u0eaa\u0eb2\u0ecd \u0ea5\u0eb1\u0e9a\u0e81\u0eb2\u0e99\u0eaa\u0ebb\u0ec8\u0e87\u0e84\u0ec8\u0eb2\u0e82\u0ead\u0e87\u0ec2\u0ea1\u0ec0\u0e94\u0ea7\u0e9c\u0ec8\u0eb2\u0e99\u0ec0\u0ea7\u0e9a\u0eb1 \u0ec1\u0ea1\u0e99\u0ec8 \u0ec4\u0e94\u0e99\u0ec9 \u0ecd\u0eb2\u0ec3\u0e8a\u0ec9 MQTT Protocol \u0e97\u0ec0\u0ec8\u0eb7\u0eb5 \u0e9b\u0e99\u0eb1 Public server \u0ec2\u0e94\u0e8d\u0ec4\u0e94\u0e99\u0ec9 \u0ecd\u0eb2\u0ec3\u0e8a\u0ec9 borker.emqx.io, port 1883 (EMQX, 2022), \u0e81\u0eb2\u0ecd \u0e99\u0ebb\u0e94\u0eab\u0ea7\u0ebb \u0e82\u0ecd\u0ec9 (Topic) \u0ec2\u0e94\u0e8d\u0ec4\u0e94\u0e95\u0ec9 \u0ec9\u0ebb\u0eb1\u0e87\u0e8a\u0eb7\u0ec8\u0e82\u0ead\u0e87\u0eab\u0ea7\u0ebb \u0e82\u0ecd\u0ec9 \u0ec0\u0e9b\u0e99\u0eb1 \u201claotraffic\u201d \u0ec1\u0ea5\u0eb0 \u0ec0\u0e99\u0ead\u0ec9\u0ebb \u0ec3\u0e99 (Payload) \u0ec0\u0e9e\u0ec8\u0ead\u0eb7 \u0eaa\u0ebb\u0ec8\u0e87\u0e84\u0eb2\u0ec8 \u0eab\u0eb2\u0ead\u0e9b\u0eb0\u0e81\u0ead\u0e99 NodeMCU esp8266 \u0e97\u0ec8\u0eb5\u0eb7\u0ec0\u0e9b\u0eb1\u0e99\u0e82\u0eb2\u0eae\u0e9a\u0eb1 \u0e82\u0ecd\u0ea1\u0ec9 \u0e99. \u0ec0\u0ea1\u0eb7\u0ec8\u0ead\u0e99\u0eb2\u0ecd \u0e84\u0ec8\u0eb2\u0e97\u0eb7\u0eb5\u0ec4\u0ec8 \u0e94\u0eae\u0ec9 \u0e9a\u0eb1 \u0ec4\u0e9b\u0ec0\u0e81\u0e9a\u0eb1 \u0ec4\u0ea7\u0ec3\u0ec9 \u0e99\u0e9a\u0ead\u0e94 NodeMCU esp8266 \u0ec0\u0e9e\u0ec8\u0ead\u0eb7 \u0ec3\u0eab\u0ec9 \u0e9a\u0ead\u0e94 Arduino \u0ea1\u0eb2\u0eae\u0e9a\u0eb1 \u0e84\u0eb2\u0ec8 \u0ec4\u0e9b\u0e9b\u0ebd\u0ec8 \u0e99\u0ec0\u0e9b\u0e99\u0eb1 \u0eaa\u0eb1\u0e99\u0e8d\u0eb2\u0e99\u0ec4\u0e9f. \u0ec0\u0e99\u0ec8\u0eb7\u0ead\u0e87\u0e88\u0eb2\u0e81\u0e99\u0ecd\u0eb2\u0ec3\u0e8a\u0e9a\u0ec9 \u0ead\u0e94\u0e82\u0eb2\u0eae\u0eb1\u0e9a NodeMCU esp8266 \u0e9e\u0ebd\u0e87\u0e9a\u0ead\u0e94\u0e94\u0ebd\u0ea7\u0e88\u0eb6\u0e87\u0ec8\u0eb7 \u0e88\u0eb2\u0ecd \u0ec0\u0e9b\u0e99\u0eb1 \u0e95\u0ead\u0ec9 \u0e87\u0ec4\u0e94\u0ec9\u0e99\u0ecd\u0eb2\u0ec3\u0e8a\u0ec9 Label \u0ec1\u0e97\u0e99\u0e84\u0eb2\u0ec8 \u0e97\u0eb7\u0eaa\u0ec8\u0eb5 \u0ec8\u0ebb\u0e87\u0ec4\u0e9b \u0ec1\u0ea5\u0eb0 \u0e99\u0eb2\u0ecd \u0ec4\u0e9b\u0e9b\u0ec8\u0ebd\u0e99\u0e84\u0ec8\u0eb2\u0ec0\u0ea1\u0ec8\u0ead\u0eb7 \u0eae\u0eb1\u0e9a\u0ea2\u0ec8\u0ec0\u0e9a\u0ec9\u0ebb\u0ead\u0e87\u0e82\u0ead\u0e87\u0e9a\u0ead\u0e94 \u0ec2\u0e94\u0e8d\u0ea1\u0ea5\u0eb5 \u0eb2\u0e8d\u0ea5\u0eb0\u0ead\u0ebd\u0e94\u0ec3\u0e99\u0ec0\u0ead\u0e81\u0eb0\u0eaa\u0eb2\u0e99\u0e8a\u0ead\u0ec9 \u0e99\u0e97\u0ec9\u0eb2\u0e8d \u0ec1\u0ea5\u0eb0 \u0e81\u0eb2\u0e99\u0e81\u0eb2\u0ecd \u0e99\u0e94\u0ebb \u0e95\u0ebb\u0ea7\u0ead\u0eb1\u0e81\u0eaa\u0ead\u0e99\u0ec1\u0e97\u0e99\u0e84\u0ec8\u0eb2\u0e95\u0ebb\u0ea7\u0e88\u0eb4\u0e87 \u0ec3\u0e99\u0e95\u0eb2\u0e95\u0eb0\u0ea5\u0eb2\u0e87\u0e97\u0eb5 3. 4 \u0ea5\u0ea1\u0ec8 \u0e99\u0ebb\u0ec9.\u0eb5 42","\u0e95\u0eb2\u0e95\u0eb0\u0ea5\u0eb2\u0e87\u0e97\u0eb5 3. 4: \u0e81\u0ecd\u0eb2\u0e99\u0ebb\u0e94 Label \u0ec1\u0e97\u0e99\u0e84\u0eb2\u0ec8 \u0e95\u0ebb\u0ea7\u0e88\u0eb4\u0e87 \u0ec3\u0e99\u0e95\u0eb2\u0e95\u0eb0\u0ea5\u0eb2\u0e87\u0e97\u0eb5 3. 4 \u0ec1\u0ea1\u0e99\u0ec8 \u0e81\u0eb2\u0e99\u0ebb\u0e94\u0e95\u0ea7\u0ebb \u0ead\u0eb1\u0e81\u0eaa\u0ead\u0e99 A \u0ec0\u0e9b\u0e99\u0eb1 \u0e81\u0eb2\u0e99\u0e9b\u0e94\u0eb4 \u0eaa\u0eb0\u0ea7\u0eb4\u0e94\u0eab\u0eb1\u0e81, B \u0ec0\u0e9b\u0e99\u0eb1 \u0e81\u0eb2\u0e99\u0ec0\u0e9b\u0e94\u0eb5 \u0eaa\u0eb0\u0ea7\u0eb4\u0e94 \u0eab\u0eb1\u0e81, C \u0e81\u0eb2\u0ecd \u0e99\u0ebb\u0e94\u0ec0\u0e9b\u0eb1\u0e99\u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0ead\u0e94\u0eb1 \u0e95\u0eb0\u0ec2\u0e99\u0ea1\u0eb1\u0e94, D \u0e81\u0ecd\u0eb2\u0e99\u0ebb\u0e94\u0ec0\u0e9b\u0eb1\u0e99\u0e84\u0ea7\u0e9a\u0e84\u0ea1\u0e94\u0ea7\u0ec9 \u0e8d\u0ea1, E \u0ec0\u0e9b\u0e99\u0eb1 \u0e81\u0eb2\u0e99\u0eaa\u0e87\u0ec8\u0ebb \u0eaa\u0e99\u0eb1 \u0e8d\u0eb2\u0e99\u0ec3\u0eab\u0ec9\u0ec0\u0e9b\u0e94\u0eb5 \u0ec4\u0e9f\u0e82\u0ebd\u0e99 \u0ec0\u0ea5\u0e99 1, F \u0ec0\u0e9b\u0eb1\u0e99\u0e81\u0eb2\u0e99\u0eaa\u0ebb\u0ec8\u0e87\u0eaa\u0eb1\u0e99\u0e8d\u0eb2\u0e99\u0ec3\u0eab\u0ec0\u0ec9 \u0e9b\u0e94\u0eb5 \u0ec4\u0e9f\u0e82\u0ebd\u0e99\u0ec0\u0ea5\u0e99 2, G \u0ec0\u0e9b\u0e99\u0eb1 \u0e81\u0eb2\u0e99\u0eaa\u0e87\u0ec8\u0ebb \u0eaa\u0eb1\u0e99\u0e8d\u0eb2\u0e99\u0ec3\u0eab\u0ec0\u0ec9 \u0e9b\u0eb5\u0e94\u0ec4\u0e9f\u0e82\u0ebd\u0e99\u0ec0\u0ea5\u0e99 3, H \u0ec0\u0e9b\u0e99\u0eb1 \u0e81\u0eb2\u0e99\u0eaa\u0ebb\u0e87\u0ec8 \u0eaa\u0eb1\u0e99\u0e8d\u0eb2\u0e99\u0ec3\u0eab\u0ec0\u0ec9 \u0e9b\u0e94\u0eb5 \u0ec4\u0e9f\u0e82\u0ebd\u0e99\u0ec0\u0ea5\u0e99 4. 3) \u0e81\u0eb2\u0e99\u0e9b\u0ebd\u0ec8 \u0e99\u0e84\u0eb2\u0ec8 (Conversion) \u0ec0\u0ea1\u0ead\u0eb7\u0ec8 \u0ea1\u0eb5\u0e81\u0eb2\u0e99\u0eae\u0eb1\u0e9a\u0e84\u0ec8\u0eb2\u0ea1\u0eb2\u0ec0\u0e81\u0eb1\u0e9a\u0ec4\u0ea7\u0ec9\u0e97\u0e9a\u0eb7\u0eb5\u0ec8 \u0ead\u0e94 NodeMCU esp8266 \u0ec1\u0ea5\u0ea7\u0ec9 \u0e88\u0eb2\u0ecd \u0ec0\u0e9b\u0e99\u0eb1 \u0e95\u0ead\u0ec9 \u0e87\u0ec4\u0e94\u0e99\u0ec9 \u0ecd\u0eb2\u0ec3\u0e8a\u0ec9\u0e9a\u0ead\u0e94 Arduino \u0ec4\u0e9b\u0eae\u0eb1\u0e9a\u0e84\u0eb2\u0ec8 \u0ea1\u0eb2\u0ec0\u0eae\u0e94\u0eb1 \u0e81\u0eb2\u0e99\u0e9b\u0ec8\u0ebd\u0e99\u0e84\u0ec8\u0eb2 \u0ec3\u0eab\u0ec0\u0ec9 \u0e9b\u0e99\u0eb1 \u0e81\u0eb0\u0ec1\u0eaa\u0ec4\u0e9f \u0ec2\u0e94\u0e8d\u0ec3\u0eab\u0ec9 Realtime Clock \u0ec0\u0eae\u0e94\u0eb1 \u0edc\u0ec9\u0eb2\u0e97\u0eb7\u0eb5\u0ec0\u0ec8 \u0e81\u0eb1\u0e9a\u0ec0\u0ea7\u0ea5\u0eb2\u0e82\u0ead\u0e87 \u0e81\u0eb2\u0e99\u0e9b\u0ebd\u0ec8 \u0e99\u0e84\u0ec8\u0eb2\u0ea1\u0eb2, \u0ec4\u0e94\u0e99\u0ec9 \u0ecd\u0eb2\u0ec3\u0e8a\u0ec9 Voltage Regulator Module \u0ec3\u0e99\u0e81\u0eb2\u0e99\u0e99\u0eb2\u0e99\u0e94\u0ebb \u0ec1\u0eae\u0e87\u0e94\u0eb1\u0e99\u0ec4\u0e9f\u0e9f\u0eb2\u0ec9 \u0ec0\u0e9e\u0ead\u0eb7\u0ec8 \u0ec3\u0eab\u0ec9\u0e81\u0eb0\u0ec1\u0eaa\u0ec4\u0e9f\u0e9f\u0ec9\u0eb2 \u0e81\u0ecd\u0eb2\u0e99\u0ebb\u0e94\u0ec2\u0e95 LED \u0ec1\u0ea5\u0eb0 \u0eaa\u0ebb\u0e87\u0ec8 \u0e9c\u0ebb\u0e99\u0ec4\u0e9b\u0eaa\u0eb0\u0ec1\u0e94\u0e87\u0ea2\u0ec8\u0e88\u0ecd LCD \u0ec2\u0e94\u0e8d\u0ea1\u0eb5\u0eae\u0e9a\u0e95\u0ebb\u0ea7\u0ea2\u0eb2\u0ec8 \u0e87\u0ec3\u0e99\u0eae\u0e9a\u0e97\u0eb5 3. 41 \u0eae\u0e9a\u0ec0\u0e9a\u0ebb\u0ead\u0ec9 \u0e87\u0e8a\u0eb2\u0ec9 \u0e8d\u0ea1\u0ec0\u0e9b\u0eb1\u0e99 Prototype \u0e88\u0eb2\u0ecd \u0eae\u0ead\u0e87 (\u0e81) \u0ec1\u0ea5\u0eb0 \u0eae\u0e9a\u0ec0\u0e9a\u0ead\u0ec8\u0eb7 \u0e87\u0e82\u0ea7\u0eb2\u0ea1\u0ec1\u0ea1\u0ec8\u0e99\u0eaa\u0ea7\u0ec8 \u0e99\u0e82\u0ead\u0e87\u0e9a\u0ead\u0e94 Arduino, NodeMCU esp8266, Voltage Regulator Module \u0ec1\u0ea5\u0eb0 Realtime Clock (\u0e82) \u0e97\u0ea1\u0eb7\u0eb5\u0ec8 \u0eb5\u0e81\u0eb2\u0e99\u0ec0\u0e8a\u0ead\u0ec8\u0eb7 \u0ea1\u0ec2\u0e8d\u0e87\u0e81\u0e99\u0eb1 \u0e82\u0ead\u0e87\u0e9a\u0ead\u0e94\u0e95\u0ec8\u0eb2\u0e87\u0ec6\u0e94\u0ec9\u0ea7\u0e8d\u0eaa\u0eb2\u0e8d \u0ec4\u0e9f\u0e9f\u0ec9\u0eb2 5V \u0ec1\u0ea5\u0eb0 \u0eaa\u0eb2\u0e8d\u0eaa\u0ebb\u0ec8\u0e87\u0e82\u0ec9\u0ea1\u0ecd \u0e99 \u0e94\u0eb1\u0e87\u0ec8\u0ebb \u0eae\u0e9a\u0e97\u0eb5 3. 41 \u0ea5\u0ec8\u0ea1\u0e99\u0ebb\u0eb5\u0ec9. (\u0e81) (\u0e82) \u0eae\u0e9a\u0e97\u0eb5 3. 41 \u0eae\u0eb1\u0e9a\u0e84\u0eb2\u0ec8 , \u0e9b\u0ebd\u0ec8 \u0e99\u0e84\u0eb2\u0ec8 \u0ec1\u0ea5\u0eb0 \u0e84\u0ea7\u0ea1\u0e84\u0ea1\u0e9c\u0ec8\u0eb2\u0e99\u0ea5\u0eb0\u0e9a\u0e9a\u0ebb \u0e95\u0e99\u0ec9\u0ebb \u0ec1\u0e9a\u0e9a 43","4) \u0ea5\u0eb0\u0e9a\u0e9a\u0ebb \u0e84\u0ea7\u0e9a\u0e84\u0ea1\u0ea5\u0eb0\u0e9a\u0e9a\u0ebb \u0ec4\u0e9f\u0ead\u0eb2\u0ecd \u0e99\u0eb2\u0e94 (Traffic Control) \u0ea5\u0eb0\u0e9a\u0ebb\u0e9a\u0e84\u0ea7\u0e9a\u0e84\u0ea1\u0ec4\u0e9f\u0ead\u0ecd\u0eb2\u0e99\u0eb2\u0e94\u0ec1\u0e9a\u0e87\u0ec8 \u0ec0\u0e9b\u0eb1\u0e99 2 \u0ec1\u0e9a\u0e9a\u0e84: \u0ec1\u0e9a\u0e9a\u0ead\u0eb1\u0e94\u0e95\u0eb0\u0ec2\u0e99\u0ea1\u0eb1\u0e94 (Automation) \u0ec1\u0ea5\u0eb0 \u0ec1\u0e9a\u0e9a\u0e84\u0ea7\u0e9a \u0e84\u0ea1\u0e94\u0ea7\u0ec9 \u0e8d\u0ea1 (Manual) \u0ec0\u0e8a\u0eb7\u0ec8\u0eb4\u0e87\u0ec1\u0e9a\u0e9a Automation \u0e88\u0eb0\u0e99\u0eb2\u0ecd \u0ec3\u0e8a\u0e84\u0ec9 \u0ec8\u0eb2 Default \u0ec0\u0e9b\u0eb1\u0e99\u0e84\u0ec8\u0eb2\u0ec0\u0ea5\u0eb5\u0ea1\u0ec8\u0eb7 \u0e95\u0e99\u0ec9\u0ebb \u0e97\u0ec8\u0ec4\u0eb5\u0eb7 \u0e94\u0ec9\u0e81\u0eb2\u0ecd \u0e99\u0ebb\u0e94\u0ec4\u0ea7\u0ec9\u0ec3\u0e99\u0e82\u0ecd\u0ec9 1) \u0ec0\u0e8a\u0eb7\u0e87\u0ec8\u0eb4 \u0eaa\u0eb2\u0ea1\u0eb2\u0e94\u0eaa\u0ebb\u0e87\u0ec8 \u0e84\u0ec8\u0eb2 \u0e88\u0ecd\u0eb2\u0e99\u0ea7\u0e99\u0ea7\u0eb4\u0e99\u0eb2\u0e97\u0e82\u0eb5 \u0ead\u0e87\u0ec4\u0e9f\u0e82\u0ebd\u0ea7\u0ec4\u0e9b\u0ec3\u0eaa\u0ec4\u0ec8 \u0e94\u0ec9 \u0ec1\u0ea5\u0eb0 \u0ec1\u0e9a\u0e9a Manual \u0ec1\u0ea1\u0e99\u0ec8 \u0eaa\u0eb2\u0ea1\u0eb2\u0e94\u0eaa\u0e87\u0ebb\u0eb1\u0ec8 \u0ec3\u0eab\u0ec0\u0ec9 \u0ea5\u0e99\u0ec3\u0e94\u0e82\u0ebd\u0ea7\u0e81\u0ecd\u0ec4\u0e94\u0ec9 \u0e95\u0eb2\u0ea1\u0e88\u0e94\u0e9b\u0eb0\u0eaa\u0ebb\u0e87\u0e82\u0ead\u0e87\u0e9c\u0ec9\u0e84\u0ea7\u0ea1\u0e84\u0ea1 \u0ec2\u0e94\u0e8d\u0eaa\u0eb2\u0ea1\u0eb2\u0e94\u0e84\u0ea7\u0e9a\u0e84\u0ea1\u0e9c\u0eb2\u0ec8 \u0e99\u0ec0\u0ea7\u0e9a\u0eb1 \u0ec1\u0ea5\u0eb0 \u0e9c\u0eb2\u0ec8 \u0e99\u0ec2\u0ea1\u0ec0\u0e94\u0ea7\u0e95\u0e99\u0ebb\u0ec9 \u0ec1\u0e9a\u0e9a\u0ec4\u0e94\u0ec9. \u0e81. \u0ea5\u0eb0\u0e9a\u0ebb\u0e9a Automation \u0eaa\u0eb2\u0ea1\u0eb2\u0e94\u0ec0\u0eae\u0e94\u0eb1 \u0ec4\u0e94\u0ec9\u0eaa\u0ead\u0e87\u0ec1\u0e9a\u0e9a\u0e84: \u0edc\u0e87\u0eb7\u0eb6\u0ec8 \u0ec3\u0eab\u0ec9\u0ea5\u0eb0\u0e9a\u0ebb\u0e9a\u0e99\u0eb2\u0ecd \u0ec3\u0e8a\u0ec9\u0e84\u0eb2\u0ec8 Default \u0ec0\u0e9b\u0e99\u0eb1 \u0e95\u0ebb\u0ea7 \u0ec0\u0ea5\u0e81\u0e81\u0ecd\u0eb2\u0e99\u0e94\u0ebb \u0ea5\u0eb0\u0e9a\u0e9a\u0ebb \u0ec4\u0e9f\u0ead\u0ecd\u0eb2\u0e99\u0eb2\u0e94\u0ec0\u0e8a\u0eb4\u0eb7\u0ec8\u0e87\u0ec3\u0e99\u0eae\u0e9a\u0e97\u0eb5 3. 42 \u0ec3\u0e99\u0eaa\u0ec8\u0ea7\u0e99\u0e82\u0ead\u0e87 Tag Input Value \u0ec1\u0ea1\u0ec8\u0e99\u0ec4\u0e94\u0ec9\u0eaa\u0eb0\u0ec1\u0e94\u0e87\u0e84\u0ec8\u0eb2 Default \u0ec4\u0ea7\u0ec2\u0ec9 \u0e94\u0e8d\u0e81\u0ecd\u0eb2\u0e99\u0ebb\u0e94\u0ec4\u0e9f\u0e82\u0ebd\u0ea7\u0ec0\u0ea5\u0e99\u0e97\u0eb5 1 \u0ea2\u0e97\u0ec8 \u0ec8\u0eb7\u0eb5 40 \u0ea7\u0eb4\u0e99\u0eb2\u0e97\u0eb5, \u0e81\u0eb2\u0ecd \u0e99\u0ebb\u0e94\u0ec4\u0e9f\u0e82\u0ebd\u0ea7\u0ec0\u0ea5\u0e99\u0e97\u0eb5 2 \u0ea2\u0ec8\u0e97\u0ec8\u0eb7\u0eb5 25 \u0ea7\u0eb4\u0e99\u0eb2\u0e97\u0eb5, \u0e81\u0eb2\u0e99\u0ebb\u0e94\u0ec4\u0e9f\u0e82\u0ebd\u0ea7\u0ec0\u0ea5\u0e99\u0e97\u0eb5 3 \u0ea2\u0ec8\u0e97\u0ec8\u0eb5\u0eb7 40 \u0ea7\u0e99\u0eb4 \u0eb2\u0e97\u0eb5 \u0ec1\u0ea5\u0eb0 \u0e81\u0ecd\u0eb2\u0e99\u0e94\u0ebb \u0ec4\u0e9f\u0e82\u0ebd\u0ea7\u0ec0\u0ea5\u0e99\u0e97\u0eb5 4 \u0ea2\u0e97\u0ec8 \u0ec8\u0eb7\u0eb5 35 \u0ea7\u0e99\u0eb4 \u0eb2\u0e97\u0eb5 \u0ec1\u0ea5\u0eb0 \u0eaa\u0ead\u0e87\u0ec3\u0eab\u0eae\u0ec9 \u0eb1\u0e9a\u0e84\u0eb2\u0ec8 \u0e88\u0eb2\u0e81\u0e81\u0eb2\u0e99\u0e81\u0ea7\u0e94\u0e88\u0eb1\u0e9a\u0ea7\u0e94\u0eb1 \u0e96\u0e82\u0eb8 \u0ead\u0e87\u0ec2\u0ea1 \u0ec0\u0e94\u0ea7\u0ec0\u0e82\u0ebb\u0ec9\u0eb2\u0ec4\u0e9b\u0ec0\u0e9e\u0ead\u0ec8\u0eb7 \u0e9b\u0ec8\u0ebd\u0e99\u0e88\u0eb2\u0ecd \u0e99\u0ea7\u0e99\u0ec0\u0ea5\u0e81\u0ec4\u0e9f\u0e82\u0ebd\u0ea7\u0e82\u0ead\u0e87\u0ec1\u0e95\u0ec8\u0ea5\u0eb0\u0ec0\u0ea5\u0e99\u0ec4\u0e94\u0ec9 \u0ec2\u0e94\u0e8d\u0ea1\u0eb5\u0eae\u0e9a\u0e9b\u0eb0\u0e81\u0ead\u0e9a\u0e88\u0eb2\u0e81\u0ec0\u0ea7\u0eb1\u0e9a\u0ec4\u0e8a\u0e97\u0e97\u0ecc \u0ec4\u0eb7\u0ec8\u0eb5 \u0e94\u0e9e\u0ec9 \u0eb1\u0e94\u0e97\u0eb0\u0e99\u0eb2\u0e82\u0e99\u0ebb\u0eb6\u0ec9 \u0ea1\u0eb2\u0ec3\u0e99\u0eae\u0e9a\u0e97\u0eb5 3. 42 \u0e94\u0e87\u0ebb\u0ec8\u0eb1 \u0ea5\u0ec8\u0ea1\u0e99\u0ebb\u0eb5\u0ec9. \u0ec3\u0e99\u0eae\u0e9a\u0e97\u0eb5 3. 42 \u0ec4\u0ea5\u0ec8\u0ec1\u0e95\u0ec8\u0ec0\u0e97\u0e87\u0eb4 \u0ea5\u0e87\u0ebb \u0ea5\u0ec8\u0ea1 \u0e9b\u0eb0\u0e81\u0ead\u0e9a\u0e94\u0ec9\u0ea7\u0e8d Main Switch \u0ea2\u0ec8\u0ec0\u0e97\u0e87\u0eb4 \u0eaa\u0e94 \u0ec0\u0eae\u0eb1\u0e94\u0edc\u0ec9\u0eb2\u0e97\u0ec0\u0ec8\u0eb5\u0eb7 \u0e9b\u0eb5\u0e94-\u0e9b\u0eb4\u0e94\u0ec2\u0e95 \u0ea5\u0eb0\u0e9a\u0e9a\u0ebb \u0e84\u0ea7\u0e9a\u0e84\u0ea1\u0ec4\u0e9f\u0ead\u0eb2\u0ecd \u0e99\u0eb2\u0e94\u0ec4\u0e94\u0ec9, \u0eab\u0e8d\u0eb1\u0e9a\u0ea5\u0e87\u0ebb \u0ea1\u0eb2\u0e82\u0ea7\u0eb2\u0ea1 \u0e9b\u0ec8\u0ea1 Reset \u0ec0\u0e9b\u0eb1\u0e99\u0e9b\u0ec8\u0ea1\u0ec4\u0ea7\u0ec9\u0e81\u0ebb\u0e94 Reset \u0ec0\u0ea1\u0eb7\u0ec8\u0ead\u0ea1\u0eb5\u0e81\u0eb2\u0e99\u0e9b\u0eb1\u0e9a\u0e9b\u0ec8\u0ebd\u0e99\u0e84\u0eb2\u0ec8 , \u0e95\u0ec8\u0ea1\u0ecd \u0eb2 \u0ec1\u0ea1\u0ec8\u0e99\u0e81\u0eb2\u0e99\u0ec0\u0ea5\u0ead\u0e81\u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0e82\u0ead\u0e87\u0ec4\u0e9f\u0ead\u0ecd\u0eb2\u0e99\u0eb2\u0e94\u0ec0\u0e8a\u0e87\u0eb4\u0ec8\u0eb7 \u0e9b\u0eb0\u0e81\u0ead\u0e9a\u0ea1\u0eb5\u0eaa\u0ead\u0e87\u0ec1\u0e9a\u0e9a\u0e84: \u0ec1\u0e9a\u0e9a\u0ead\u0e94\u0eb1 \u0e95\u0eb0\u0ec2\u0e99\u0ea1\u0e94\u0eb1 \u0ec1\u0ea5\u0eb0 \u0ec1\u0e9a\u0e9a\u0e84\u0ea7\u0e9a\u0e84\u0ea1\u0e94\u0ec9\u0ea7\u0e8d\u0ea1 \u0ec0\u0e8a\u0eb4\u0eb7\u0ec8\u0e87\u0ec3\u0e99\u0e99\u0eb5\u0ec0\u0ec9\u0ebb \u0e9b\u0eb1\u0e99\u0eae\u0e9a\u0ec1\u0e9a\u0e9a \u0ead\u0eb1\u0e94\u0e95\u0eb0\u0ec2\u0e99\u0ea1\u0e94\u0eb1 , \u0e95\u0ecd\u0ec8\u0ea1\u0eb2\u0ec0\u0e9b\u0e99\u0eb1 \u0ec0\u0ea5\u0e99\u0e97\u0eb1\u0e87\u0edd\u0ebb\u0e94\u0e9b\u0eb0\u0e81\u0ead\u0e9a\u0ea1\u0eb5 4 \u0ec0\u0ea5\u0e99\u0e84: \u0ec0\u0ea5\u0e991, \u0ec0\u0ea5\u0e992, \u0ec0\u0ea5\u0e993 \u0ec1\u0ea5\u0eb0 \u0ec0\u0ea5\u0e99 4, \u0eaa\u0ea7\u0ec8 \u0e99\u0eaa\u0e94\u0e97\u0eb2\u0ec9 \u0e8d\u0ec1\u0ea1\u0ec8\u0e99\u0ec0\u0eae\u0ebb\u0eb2\u0eaa\u0eb2\u0ea1\u0eb2\u0e94\u0e9b\u0eb1\u0e9a\u0e84\u0eb2\u0ec8 \u0ec4\u0e94\u0ec9\u0e95\u0eb2\u0ea1\u0ec3\u0e88 \u0eab \u0ec3\u0eab\u0ec2\u0ec9 \u0ea1\u0ec0\u0e94\u0ea7\u0e81\u0eb2\u0e99\u0e94\u0ebb \u0e84\u0ec8\u0eb2\u0ea1\u0eb2\u0ec4\u0e94\u0e88\u0ec9 \u0eb2\u0e81\u0e81\u0eb2\u0e99\u0e81\u0ea7\u0e94\u0e88\u0e9a\u0eb1 \u0ea7\u0eb1\u0e94\u0e96\u0eb8 \u0ec2\u0e94\u0e8d \u0e81\u0e94\u0ebb \u0e9b\u0ea1\u0ec8 Submit \u0ec0\u0e9e\u0ead\u0ec8\u0eb7 \u0eaa\u0ec8\u0ebb\u0e87\u0e84\u0eb2\u0ec8 \u0eab\u0eb2\u0e9a\u0ead\u0e94\u0ec2\u0e94\u0e8d\u0e9c\u0ec8\u0eb2\u0e99 Broker MQTT. \u0eae\u0e9a\u0e97\u0eb5 3. 42 \u0ec0\u0ea7\u0eb1\u0e9a\u0e84\u0ea7\u0e9a\u0e84\u0ea1\u0ea5\u0eb0\u0e9a\u0e9a\u0ebb \u0ec4\u0e9f\u0ead\u0eb2\u0ecd \u0e99\u0eb2\u0e94\u0ec1\u0e9a\u0e9a Automation 44","\u0e82. \u0e81\u0eb2\u0e99\u0e84\u0ea7\u0e9a\u0e84\u0ea1\u0e94\u0ec9\u0ea7\u0e8d\u0eae\u0e9a\u0ec1\u0e9a\u0e9a Manual \u0eaa\u0eb2\u0ea1\u0eb2\u0e94\u0ec0\u0eae\u0eb1\u0e94\u0ec4\u0e94\u0ec9 2 \u0eae\u0e9a\u0ec1\u0e9a\u0e9a\u0e84: \u0e84\u0ea7\u0e9a\u0e84\u0ea1\u0e9c\u0ec8\u0eb2\u0e99\u0e9a\u0ead\u0e94 \u0ec1\u0ea5\u0eb0 \u0e9c\u0ec8\u0eb2\u0e99\u0ec0\u0ea7\u0e9a\u0eb1 \u0ec4\u0e8a\u0e97\u0ecc\u0e97\u0ec8\u0eb7\u0eb5\u0e9e\u0eb1\u0e94\u0e97\u0eb0\u0e99\u0eb2\u0e82\u0e99\u0ec9\u0ebb\u0eb6 \u0ea1\u0eb2, \u0ec2\u0e94\u0e8d\u0e81\u0eb2\u0e99\u0e84\u0ea7\u0e9a\u0e84\u0ea1\u0eae\u0e9a\u0ec1\u0e9a\u0e9a\u0e9c\u0ec8\u0eb2\u0e99\u0e9a\u0ead\u0e94 \u0e9b\u0eb0\u0e81\u0ead\u0e9a\u0ea1\u0eb5 Switch \u0ec3\u0eab\u0e81\u0ec9 \u0e94\u0ebb \u0ec0\u0e9e\u0eb7\u0ec8\u0ead\u0e81\u0ecd\u0eb2\u0e99\u0e94\u0ebb \u0ea7\u0eb2\u0ec8 \u0ec0\u0ea5\u0e99\u0ec3\u0e94\u0e88\u0eb0\u0ec0\u0e9b\u0e99\u0eb1 \u0eaa\u0eb1\u0e99\u0e8d\u0eb2\u0e99\u0ec4\u0e9f\u0e82\u0ebd\u0ea7\u0eaa\u0ec8\u0ea7\u0e99\u0ec0\u0ea5\u0e99\u0ead\u0e99\u0eb7\u0ec8 \u0ec6\u0e81\u0ecd\u0e88\u0eb0\u0ec0\u0e9b\u0e99\u0eb1 \u0eaa\u0e99\u0eb1 \u0e8d\u0eb2\u0e99\u0ec4\u0e9f\u0ec1\u0e94\u0e87\u0e97\u0e99\u0eb1 \u0e97\u0eb5 \u0ec2\u0e94\u0e8d\u0e9b\u0eb0\u0e81\u0ead\u0e9a\u0ea1\u0eb5 4 \u0e9b\u0ea1\u0ec8 \u0ec3\u0eab\u0ec9\u0ec0\u0eae\u0ebb\u0eb2 \u0eaa\u0eb2\u0ea1\u0eb2\u0e94\u0e81\u0ebb\u0e94\u0ec4\u0e94\u0ec9 \u0ec2\u0e94\u0e8d\u0ec1\u0e97\u0e99\u0ec3\u0eab\u0e81\u0ec9 \u0e9a\u0eb1 \u0ec1\u0e95\u0ea5\u0ec8 \u0eb0\u0ec0\u0ea5\u0e99 \u0ec1\u0ea5\u0eb0 \u0ea1\u0eb5\u0edc\u0ec9\u0eb2\u0e88\u0ecd LCD \u0ec3\u0eab\u0ec0\u0ec9 \u0e9a\u0e87\u0ec8\u0eb7\u0eb4 \u0ea7\u0ec8\u0eb2\u0ec4\u0e94\u0ec9\u0ec0\u0e9b\u0e94\u0eb5 \u0ec0\u0ea5\u0e99\u0ec3\u0e94\u0ec0\u0e9b\u0eb1\u0e99\u0eaa\u0eb1\u0e99\u0e8d\u0eb2\u0e99\u0ec4\u0e9f\u0e82\u0ebd\u0ea7 \u0ea2\u0ec8 \u0ec0\u0e8a\u0eb4\u0ec8\u0e87\u0eb7 \u0eaa\u0eb2 \u0ea1\u0eb2\u0e94\u0eaa\u0e87\u0eb1 \u0ec0\u0e81\u0e94\u0ec4\u0e94\u0ec9\u0e88\u0eb2\u0e81\u0eae\u0e9a\u0e97\u0eb5 3. 43 \u0e94\u0ebb\u0eb1\u0e87\u0ec8 \u0ea5\u0ea1\u0ec8 \u0e99.\u0ebb\u0eb5\u0ec9 \u0eae\u0e9a\u0e97\u0eb5 3. 43 \u0e81\u0eb2\u0e99\u0e84\u0ea7\u0e9a\u0e84\u0ea1\u0ea5\u0eb0\u0e9a\u0e9a\u0ebb \u0ec4\u0e9f\u0ead\u0eb2\u0ecd \u0e99\u0eb2\u0e94\u0e9c\u0ec8\u0eb2\u0e99\u0e9a\u0ead\u0e94\u0eae\u0e9a\u0ec1\u0e9a\u0e9a Manual \u0eaa\u0ecd\u0eb2\u0ea5\u0eb1\u0e9a\u0e81\u0eb2\u0e99\u0e84\u0ea7\u0e9a\u0e84\u0ea1\u0e9c\u0eb2\u0ec8 \u0e99\u0ec0\u0ea7\u0e9a\u0eb1 \u0ec4\u0e8a\u0e97\u0ec1\u0ecc \u0e9a\u0e9a Manual \u0eae\u0e9a\u0ec1\u0e9a\u0e9a\u0e97\u0eb5\u0eaa\u0ead\u0e87 \u0ec1\u0ea1\u0ec8\u0e99\u0e81\u0ecd\u0eb2\u0e99\u0e94\u0ebb \u0ec4\u0e94\u0e95\u0ec9 \u0eb2\u0ea1\u0e88\u0e94\u0e9b\u0eb0\u0eaa\u0e87\u0ebb \u0e82\u0ead\u0e87\u0e9c\u0ec9\u0e84\u0ea7\u0e9a\u0e84\u0ea1 \u0e96\u0eb2\u0ec9 \u0ec0\u0ea5\u0e99\u0ec3\u0e94\u0ec0\u0ea5\u0e99\u0edc\u0eb7\u0ec8\u0eb6\u0e87\u0ec0\u0e9b\u0e99\u0eb1 \u0ec4\u0e9f\u0e82\u0ebd\u0e99\u0ead\u0e81\u0eb5 \u0eaa\u0eb2\u0ea1\u0ec0\u0ea5\u0e99\u0e97\u0ec0\u0eb5\u0eb7\u0ec8 \u0eab\u0ead\u0e88\u0eb0\u0ec0\u0e9b\u0e99\u0eb1 \u0ec4\u0e9f\u0ec1\u0e94\u0e87\u0e97\u0eb1\u0e99\u0e97\u0eb5 \u0ec1\u0ea5\u0eb0 \u0ec0\u0ea1\u0ead\u0ec8\u0eb7 \u0ea1\u0eb5\u0e81\u0eb2\u0e99\u0e81\u0e94\u0ebb \u0e9b\u0ec8\u0ea1 RESET \u0ea5\u0eb0\u0e9a\u0ebb\u0e9a\u0ec4\u0e9f\u0ead\u0ecd\u0eb2\u0e99\u0eb2\u0e94\u0e88\u0eb0\u0e81\u0eb1\u0e9a\u0ea1\u0eb2\u0ec0\u0e9b\u0e99\u0eb1 \u0eae\u0e9a\u0ec1\u0e9a\u0e9a\u0ead\u0e94\u0eb1 \u0e95\u0eb0\u0ec2\u0e99\u0ea1\u0eb1\u0e94\u0e97\u0eb1\u0e99\u0e97\u0eb5 \u0ec1\u0ea5\u0eb0 \u0ec0\u0eae\u0e94\u0eb1 \u0ea7\u0ebd\u0e81\u0ec2\u0e94\u0e8d\u0e9a\u0ec8\u0ecd\u0e88\u0ecd\u0eb2\u0ec0\u0e9b\u0e99\u0eb1 \u0e95\u0ead\u0ec9 \u0e87\u0eaa\u0ec8\u0ebb\u0e87\u0e84\u0ec8\u0eb2 \u0e88\u0eb2\u0e81\u0ec0\u0ea7\u0e9a\u0eb1 \u0ec4\u0e8a\u0e97\u0ecc \u0eab \u0ec2\u0ea1\u0ec0\u0e94\u0ea7 \u0ec2\u0e94\u0e8d\u0eaa\u0eb0\u0ec1\u0e94\u0e87\u0ec3\u0e99\u0eae\u0e9a\u0e97\u0eb5 3. 44 \u0e94\u0eb1\u0e87\u0ebb\u0ec8 \u0ea5\u0ec8\u0ea1\u0e99\u0ebb\u0ec9\u0eb5. \u0eae\u0e9a\u0e97\u0eb5 3. 44 \u0e81\u0eb2\u0e99\u0e84\u0ea7\u0e9a\u0e84\u0ea1\u0ea5\u0eb0\u0e9a\u0ebb\u0e9a\u0ec4\u0e9f\u0ead\u0eb2\u0e99\u0eb2\u0e94\u0e9c\u0ec8\u0eb2\u0e99\u0ec0\u0ea7\u0eb1\u0e9a\u0ec4\u0e8a\u0e97\u0ecc\u0eae\u0e9a\u0ec1\u0e9a\u0e9a Manual 45","3.3.5 \u0e82\u0e99\u0eb1\u0ec9\u0ebb \u0e95\u0ead\u0e99\u0e81\u0eb2\u0e99\u0e99\u0eb2\u0ecd \u0ec0\u0ead\u0eb2\u0ebb \u0ec2\u0ea1\u0ec0\u0e94\u0ea7\u0ec4\u0e9b\u0e99\u0eb2\u0ecd \u0ec3\u0e8a\u0ec9 \u0eab\u0e87\u0eb1 \u0e88\u0eb2\u0e99\u0e9c\u0eb2\u0ec8 \u0e99\u0e81\u0eb2\u0e99 Trained \u0ec2\u0ea1\u0ec0\u0e94\u0ea7\u0ec1\u0ea5\u0ea7\u0ec9 \u0ec1\u0ea5\u0eb0 \u0e81\u0eb2\u0e99\u0e81\u0ecd\u0eb2\u0e99\u0e94\u0ebb \u0ec4\u0e9f\u0ead\u0eb2\u0ecd \u0e99\u0eb2\u0e94\u0ec1\u0ea5\u0ec9\u0ea7 \u0ec1\u0ea1\u0e99\u0ec8 \u0e81\u0eb2\u0e99\u0e99\u0ecd\u0eb2\u0ec0\u0ead\u0eb2\u0ebb \u0eaa\u0ead\u0e87 \u0ea2\u0ec8\u0eb2\u0e87\u0e99\u0ebb\u0eb1\u0ec9\u0e99\u0ec0\u0e82\u0eb2\u0ebb\u0ec9 \u0ea1\u0eb2\u0ec0\u0e8a\u0ec8\u0ead\u0eb7 \u0ea1\u0ec2\u0e8d\u0e87\u0e81\u0eb1\u0e99 \u0ec0\u0e8a\u0eb4\u0ec8\u0e87\u0eb7 \u0e82\u0ec9\u0eb1\u0e99\u0ebb \u0e95\u0ead\u0e99\u0e99\u0ec9\u0ec1\u0eb5\u0ebb \u0ea1\u0ec8\u0e99\u0e88\u0eb0\u0eaa\u0eb0\u0ec1\u0e94\u0e87\u0ec3\u0eab\u0ec9\u0ec0\u0eab\u0eb1\u0e99\u0ea7\u0ec8\u0eb2\u0e81\u0eb2\u0e99\u0e99\u0eb2\u0ecd \u0ec0\u0ead\u0eb2\u0ebb \u0ec2\u0ea1\u0ec0\u0e94\u0ea7\u0ea1\u0eb2\u0e99\u0eb2\u0ecd \u0ec3\u0e8a\u0ec9\u0ec1\u0e9a\u0e9a\u0ec3\u0e94 \u0ec1\u0ea5\u0eb0 \u0ea1\u0e9c\u0eb5 \u0ebb\u0e99\u0e81\u0eb2\u0e99\u0e99\u0ecd\u0eb2\u0ec3\u0e8a\u0ec1\u0ec9 \u0e99\u0ea7\u0ec3\u0e94 \u0eab \u0e88\u0eb0\u0ec4\u0e94\u0e9c\u0ec9 \u0ebb\u0e99\u0eae\u0e9a\u0eb1 \u0ec1\u0e9a\u0e9a\u0ec3\u0e94 \u0ec2\u0e94\u0e8d\u0ea1\u0eb5\u0e82\u0ebb\u0eb1\u0ec9\u0e99\u0e95\u0ead\u0e99\u0ea5\u0eb2\u0e8d\u0ea5\u0eb0\u0ead\u0ebd\u0e94\u0e97\u0ec4\u0ec8\u0eb5\u0eb7 \u0e94\u0ec9\u0e82\u0ebd\u0e99\u0ec4\u0ea7\u0ec9\u0ec3\u0e99\u0eab\u0ebb\u0ea7\u0e82\u0ecd\u0ec9 3.1.1 \u0eae\u0e9a \u0e97\u0eb5 3. 3 \u0e82\u0ec9\u0e99\u0ebb\u0eb1 \u0e95\u0ead\u0e99 Detection \u0e81\u0ec8\u0ead\u0e99\u0edc\u0ec9\u0eb2\u0e99.\u0ec9\u0ebb\u0eb5 \u0e82\u0ebb\u0eb1\u0ec9\u0e99\u0e95\u0ead\u0e99\u0e99\u0ecd\u0eb2\u0e82\u0ec9\u0ecd\u0ea1\u0e99\u0ea7\u0e94\u0eb4 \u0eb5\u0ec2\u0ead\u0ec0\u0e82\u0ec9\u0ebb\u0eb2\u0ea5\u0eb0\u0e9a\u0e9a\u0ebb \u0ec0\u0e9e\u0eb7\u0ec8\u0ead\u0ec0\u0eae\u0eb1\u0e94 Detection 1) \u0e99\u0ecd\u0eb2\u0ec0\u0ead\u0eb2\u0ebb \u0ea7\u0e94\u0eb4 \u0ec2\u0eb5 \u0ead\u0e97\u0eb7\u0e9a\u0ec8\u0eb5 \u0e99\u0eb1 \u0e97\u0e81\u0eb6 \u0ec4\u0ea7\u0ec9 \u0eab \u0e99\u0eb2\u0ecd \u0ea1\u0eb2\u0e88\u0eb2\u0e81\u0e81\u0ec9\u0ead\u0e87\u0ea7\u0e87\u0ebb \u0e88\u0ead\u0e99\u0e9b\u0e94\u0eb4 \u0ead\u0eb1\u0e9a\u0ec2\u0eab\u0e94\u0ea5\u0e87\u0ebb Google Colab. 2) \u0ead\u0e9a\u0eb1 \u0ec2\u0eab\u0e94\u0ec2\u0ea1\u0ec0\u0e94\u0ea7\u0e97\u0ec8\u0e9c\u0eb7\u0eb5 \u0ec8\u0eb2\u0e99\u0e81\u0eb2\u0e99 Trained \u0ec3\u0e99\u0eab\u0ebb\u0ea7\u0e82\u0ec9\u0ecd 3.3.2 \u0ea5\u0e87\u0ebb \u0ec3\u0e99 Google Colab. 3) \u0e99\u0ecd\u0eb2\u0ec3\u0e8a\u0ec9 Google Colab \u0ec3\u0e99\u0e81\u0eb2\u0e99\u0ec0\u0eae\u0e94\u0eb1 Detection \u0eaa\u0ea7\u0ec8 \u0e99\u0e81\u0eb2\u0e99\u0e82\u0ebd\u0e99\u0ec2\u0e84\u0e94\u0e95\u0ea7\u0ebb \u0ea2\u0eb2\u0ec8 \u0e87 \u0ec1\u0ea1\u0e99\u0ec8 \u0ea2\u0ec3\u0ec8 \u0e99 \u0ec0\u0ead\u0e81\u0eb0\u0eaa\u0eb2\u0e99\u0e8a\u0ec9\u0ead\u0e99\u0e97\u0eb2\u0ec9 \u0e8d. \u0e95\u0ea7\u0ebb \u0ea2\u0eb2\u0ec8 \u0e87: \u0ea7\u0e94\u0eb4 \u0eb5\u0ec2\u0ead\u0e81\u0ead\u0ec8 \u0e99 Detection \u0ec3\u0e99\u0e99\u0ec9\u0ebb\u0eb5\u0ec1\u0ea1\u0ec8\u0e99\u0ec4\u0e94\u0e9a\u0ec9 \u0e99\u0eb1 \u0e97\u0e81\u0eb6 \u0ec4\u0ea7\u0ec9\u0e94\u0ec9\u0ea7\u0e8d\u0e81\u0ead\u0ec9 \u0e87\u0e96\u0ec8\u0eb2\u0e8d\u0ea1\u0e96 \u0eaa\u0eb0\u0e96\u0eb2\u0e99\u0e97\u0eb7\u0eb5\u0ec8\u0ec1\u0ea1\u0ec8\u0e99 \u0ec4\u0e9f \u0ead\u0ecd\u0eb2\u0e99\u0eb2\u0e94\u0e9a\u0eb2\u0ec9 \u0e99\u0eab\u0e94\u0eb1 \u0eaa\u0eb0\u0e94\u0eb5 \u0e95\u0e94\u0eb1 \u0e81\u0eb1\u0e9a\u0e97\u0eb0\u0e99\u0eb2\u0ea5\u0eb2\u0ea7\u0eab\u0ea7\u0ebd\u0e94, \u0e97\u0eb0\u0e99\u0eb2\u0e84\u0eb2\u0e99\u0ea5\u0eb2\u0ea7\u0e9d\u0ea3\u0eb1\u0ebb\u0ec8\u0e87, \u0e97\u0eb0\u0e99\u0eb2\u0e84\u0eb2\u0e99\u0eab\u0ea7\u0ebd\u0e94\u0e95\u0eb4\u0e99 \u0ec1\u0ea5\u0eb0 ITCity, \u0ec0\u0e8a\u0ec8\u0eb4\u0eb7\u0e87 \u0eaa\u0eb2\u0ea1\u0eb2\u0ec0\u0e82\u0eb2\u0ebb\u0ec9 \u0ec0\u0e9a\u0e87\u0ec8\u0eb4\u0eb7 \u0ea7\u0eb4\u0e94\u0eb5\u0ec2\u0ead\u0ec0\u0e95\u0ea1\u0eb1 \u0ec4\u0e94\u0ec9\u0e97\u0ec8\u0ea5\u0eb5\u0eb7 \u0e87\u0ec9\u0eb5\u0ebb YouTube (https:\/\/youtu.be\/cyTEG4Fr66k) \u0eab QRCode (\u0e81) \u0e94\u0ec9\u0eb2\u0e99\u0ea5\u0ec8\u0ea1. \u0ec2\u0e94\u0e8d\u0ec4\u0e94\u0e95\u0ec9 \u0eb1\u0e94\u0eae\u0e9a\u0e95\u0ea7\u0ebb \u0ea2\u0eb2\u0ec8 \u0e87\u0ea1\u0eb2\u0eaa\u0eb0\u0ec1\u0e94\u0e87\u0ec3\u0e99\u0eae\u0e9a\u0e97\u0eb5 3. 44 (\u0e82) \u0ec0\u0e8a\u0e87\u0eb7\u0eb4\u0ec8 \u0ec0\u0e9b\u0eb1\u0e99\u0ec0\u0eaa\u0ec9\u0ebb\u0e99\u0eb1 \u0e97\u0eb2\u0e87\u0e97\u0eb5\u0eb7\u0e82\u0ec8 \u0eb5\u0eb7\u0ec8\u0ea1\u0eb2\u0ec1\u0e95\u0ec0\u0ec8 \u0eaa\u0e99\u0ebb\u0eb1\u0ec9 \u0e97\u0eb2\u0e87\u0e95\u0eb0\u0eab\u0eb2\u0e94\u0ec0\u0e8a\u0eb2\u0ebb\u0ec9 \u0e96\u0eb0\u0edc\u0ebb\u0e99 \u0ea5\u0ec9\u0eb2\u0e99\u0e8a\u0ec9\u0eb2\u0e87 \u0e94\u0ebb\u0e87\u0ec8\u0eb1 \u0ea5\u0ea1\u0ec8 \u0e99\u0ebb\u0ec9\u0eb5. (\u0e81) (\u0e82) \u0eae\u0e9a\u0e97\u0eb5 3. 45 \u0e9e\u0eb2\u0e9a\u0e97\u0eb5\u0e95\u0ec8\u0eb7 \u0eb1\u0e94\u0e88\u0eb2\u0e81\u0ea7\u0e94\u0eb4 \u0eb5\u0ec2\u0ead\u0e81\u0ead\u0ec8 \u0e99 Detection \u0eab\u0e87\u0eb1 \u0e88\u0eb2\u0e81\u0e99\u0eb2\u0ecd \u0ea7\u0eb4\u0e94\u0eb5\u0ec2\u0ead\u0ec0\u0e82\u0ec9\u0ebb\u0eb2\u0ec4\u0e9b\u0ec3\u0eab\u0ec9\u0ec2\u0ea1\u0ec0\u0e94\u0ea7\u0ec0\u0eae\u0e94\u0eb1 Detection \u0e81\u0eaa\u0ecd \u0eb2\u0ea1\u0eb2\u0e94\u0eaa\u0eb1\u0e87\u0ec0\u0e81\u0e94\u0ec0\u0eab\u0eb1\u0e99\u0ec4\u0e94\u0ec9\u0ea7\u0ec8\u0eb2 \u0eaa\u0eb2\u0ea1\u0eb2\u0e94\u0e88\u0eb2\u0ecd \u0ec1\u0e99\u0e81 \u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0ea5\u0e94\u0ebb \u0e9e\u0eb2\u0e8d\u0ec3\u0e99 Dataset \u0e97\u0ec0\u0ec8\u0eb7\u0eb5 \u0eae\u0eb2\u0ebb \u0ec4\u0e94\u0ec9 Trained \u0ec2\u0ea1\u0ec0\u0e94\u0ea7\u0ec4\u0e9b 8 \u0e8a\u0e94\u0eb8 \u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0e82\u0ec9\u0ea1\u0ecd \u0e99, \u0ec1\u0e95\u0ec3\u0ec8 \u0e99\u0e99\u0ebb\u0ec9\u0eb5\u0e9a\u0ec8\u0ecd\u0ec4\u0e94\u0ec9\u0e99\u0eb1\u0e9a\u0e88\u0eb2\u0ecd \u0e99\u0ea7\u0e99\u0ea5\u0ebb\u0e94\u0e97\u0e87\u0eb1 \u0edd\u0e94\u0ebb , \u0e88\u0ecd\u0eb2\u0e99\u0ea7\u0e99\u0ea5\u0e94\u0ebb \u0ec1\u0e95\u0ea5\u0ec8 \u0eb0\u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0e82\u0ead\u0e87\u0e8a\u0e94\u0eb8 \u0e82\u0ecd\u0ea1\u0ec9 \u0e99 \u0ec2\u0e94\u0e8d\u0ea1\u0eb5\u0ea5\u0eb2\u0e8d\u0ea5\u0eb0\u0ead\u0ebd\u0e94\u0eae\u0e9a\u0e97\u0eb5 3. 45 \u0e94\u0eb1\u0ebb\u0ec8\u0e87\u0ea5\u0ea1\u0ec8 \u0e99\u0ec9\u0ebb\u0eb5. \u0e95\u0ea7\u0ebb \u0ea2\u0eb2\u0ec8 \u0e87: \u0ea7\u0eb4\u0e94\u0eb5\u0ec2\u0ead\u0eab\u0eb1\u0e87 Detection \u0eaa\u0eb0\u0ec1\u0e94\u0e87\u0ec3\u0eab\u0ec9\u0ec0\u0eab\u0e99\u0eb1 \u0ec4\u0e94\u0ec9\u0ea7\u0eb2\u0ec8 \u0ec0\u0ea1\u0ea7\u0ec2\u0e94\u0e97\u0e9c\u0eb5\u0eb7\u0ec8 \u0eb2\u0ec8 \u0e99\u0e81\u0eb2\u0e99 Trained \u0ea1\u0eb2\u0ec1\u0ea1\u0ec8\u0e99 \u0eaa\u0eb2\u0ea1\u0eb2\u0e94\u0e81\u0ea7\u0e94\u0e88\u0eb1\u0e9a\u0ea7\u0eb1\u0e94\u0e96\u0eb8\u0ec4\u0e94\u0ec9 \u0ec2\u0e94\u0e8d\u0ec3\u0e99\u0e99\u0ebb\u0eb5\u0ec9\u0ec1\u0ea1\u0ec8\u0e99\u0ec4\u0e94\u0ec9\u0e95\u0e94\u0eb1 \u0ec0\u0ead\u0eb2\u0ebb \u0eae\u0e9a\u0ead\u0ead\u0e81\u0ea1\u0eb2\u0eaa\u0eb0\u0ec1\u0e94\u0e87 \u0ec0\u0e8a\u0e87\u0eb7\u0eb4\u0ec8 \u0e9b\u0eb0\u0e81\u0ead\u0e9a\u0e94\u0ec9\u0ea7\u0e8d\u0eaa\u0ead\u0e87\u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0e82\u0ec9\u0ecd\u0ea1\u0e99\u0e84: \u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0e82\u0ecd\u0ea1\u0ec9 \u0e99\u0ea5\u0ebb\u0e94 Car \u0e88\u0eb2\u0e99\u0ea7\u0e99\u0eaa\u0ead\u0e87\u0e84\u0e99\u0eb1 \u0ea5\u0ebb\u0e94 (\u0ea5\u0ebb\u0e94\u0e84\u0eb1\u0e99\u0e97\u0edc\u0eb5 \u0ec8\u0e87\u0eb6\u0eb7 \u0eaa\u0eb2\u0ea1\u0eb2\u0e94\u0e81\u0ea7\u0e94\u0e88\u0eb1\u0e9a\u0e84\u0ea7\u0eb2\u0ea1\u0e96\u0e81\u0e95\u0ead\u0ec9 \u0e87\u0ec4\u0e94\u0ec9 89% \u0ec1\u0ea5\u0eb0 \u0ea5\u0ebb\u0e94\u0e84\u0e99\u0eb1 \u0e97\u0eb5\u0eaa\u0ead\u0e87\u0eaa\u0eb2\u0ea1\u0eb2\u0e94\u0e81\u0ea7\u0e94\u0e88\u0eb1\u0e9a\u0e84\u0ea7\u0eb2\u0ea1\u0e96\u0e81\u0e95\u0ead\u0ec9 \u0e87\u0ec4\u0e94\u0ec9 90%) \u0ec1\u0ea5\u0eb0 \u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0e82\u0ea1\u0ecd\u0ec9 \u0e99\u0ea5\u0ebb\u0e94 Truck \u0e88\u0eb2\u0ecd \u0e99\u0ea7\u0e99\u0eab\u0ec9\u0eb2\u0e84\u0e99\u0eb1 \u0ea5\u0ebb\u0e94 (\u0ea5\u0ebb\u0e94\u0e84\u0eb1\u0e99\u0e97\u0eb5 \u0edc\u0eb7\u0eb6\u0e87\u0ec8 \u0eaa\u0eb2\u0ea1\u0eb2\u0e94\u0e81\u0ea7\u0e94\u0e88\u0eb1\u0e9a\u0e84\u0ea7\u0eb2\u0ea1\u0e96\u0e81\u0e95\u0ead\u0ec9 \u0e87\u0ec4\u0e94\u0ec9 89%, \u0ea5\u0ebb\u0e94\u0e84\u0eb1\u0e99\u0e97\u0eaa\u0eb5 \u0ead\u0e87\u0eaa\u0eb2\u0ea1\u0eb2\u0e94\u0e81\u0ea7\u0e94\u0e88\u0eb1\u0e9a\u0e84\u0ea7\u0eb2\u0ea1\u0e96\u0e81\u0e95\u0ead\u0ec9 \u0e87\u0ec4\u0e94\u0ec9 78%, \u0ea5\u0e94\u0ebb \u0e84\u0e99\u0eb1 \u0e97\u0eb5 46","\u0eaa\u0eb2\u0ea1\u0eaa\u0eb2\u0ea1\u0eb2\u0e94\u0e81\u0ea7\u0e94\u0e88\u0eb1\u0e9a\u0e84\u0ea7\u0eb2\u0ea1\u0e96\u0e81\u0e95\u0ec9\u0ead\u0e87\u0ec4\u0e94\u0ec9 31%, \u0ea5\u0ebb\u0e94\u0e84\u0eb1\u0e99\u0e97\u0eaa\u0eb5 \u0eb5\u0eb7\u0eaa\u0ec8 \u0eb2\u0ea1\u0eb2\u0e94\u0e81\u0ea7\u0e94\u0e88\u0e9a\u0eb1 \u0e84\u0ea7\u0eb2\u0ea1\u0e96\u0e81\u0e95\u0ec9\u0ead\u0e87\u0ec4\u0e94\u0ec9 79% \u0ec1\u0ea5\u0eb0 \u0ea5\u0ebb\u0e94\u0e84\u0eb1\u0e99 \u0e97\u0eb5\u0eab\u0eb2\u0ec9 \u0eaa\u0eb2\u0ea1\u0eb2\u0e94\u0e81\u0ea7\u0e94\u0e88\u0e9a\u0eb1 \u0e84\u0ea7\u0eb2\u0ea1\u0e96\u0e81\u0e95\u0ec9\u0ead\u0e87\u0ec4\u0e94\u0ec9 74%) \u0ec2\u0e94\u0e8d\u0ea1\u0eb5\u0ea5\u0eb2\u0e8d\u0ea5\u0eb0\u0ead\u0ebd\u0e94\u0ec3\u0e99\u0eae\u0e9a\u0e97\u0eb5 3. 46 (\u0e82) \u0ec0\u0e8a\u0e87\u0eb4\u0eb7\u0ec8 \u0eaa\u0eb2\u0ea1\u0eb2\u0e94\u0ec0\u0e82\u0eb2\u0ebb\u0ec9 \u0ec0\u0e9a\u0e87\u0ec8\u0eb7\u0eb4 \u0ea7\u0e94\u0eb4 \u0ec2\u0eb5 \u0ead \u0ec0\u0e95\u0eb1\u0ea1\u0ec4\u0e94\u0e97\u0ec9 \u0eb5\u0ec8\u0eb7 (https:\/\/youtu.be\/7eTm3SS_5WU) \u0eab \u0eaa\u0eb0\u0ec1\u0e81\u0e99 QRCode (\u0e81) \u0e94\u0eb2\u0ec9 \u0e99\u0ea5\u0ea1\u0ec8 \u0e99.\u0ec9\u0ebb\u0eb5 (\u0e81) (\u0e82) \u0eae\u0e9a\u0e97\u0eb5 3. 46 \u0e9e\u0eb2\u0e9a\u0ea7\u0e94\u0eb4 \u0ec2\u0eb5 \u0ead\u0eab\u0eb1\u0e87 Detection \u0e9c\u0eb2\u0ec8 \u0e99\u0e81\u0eb2\u0e99 Implement \u0e95\u0ebb\u0ea7\u0e88\u0eb4\u0e87\u0ec0\u0eab\u0eb1\u0e99\u0ec4\u0e94\u0ec9\u0ea7\u0eb2\u0ec8 \u0ec2\u0ea1\u0ec0\u0e94\u0ea7\u0e97\u0eb5\u0ec8\u0e99\u0eb7 \u0eb2\u0ecd \u0ec3\u0e8a\u0ec9 Algorithm \u0e82\u0ead\u0e87 YOLOv5 \u0ea1\u0e84\u0eb5 \u0ea7\u0eb2\u0ea1 \u0ec4\u0ea7\u0ec3\u0e99\u0e81\u0eb2\u0e99\u0e81\u0ea7\u0e94\u0e88\u0eb1\u0e9a\u0ea7\u0e94\u0eb1 \u0e96\u0eb8 \u0ec1\u0ea5\u0eb0 \u0ea1\u0e84\u0eb5 \u0ea7\u0eb2\u0ea1\u0e96\u0e81\u0e95\u0ec9\u0ead\u0e87\u0e97\u0ec8\u0eaa\u0eb7\u0eb5 \u0e87\u0eaa\u0ebb\u0ea1\u0e84\u0ea7\u0e99. \u0eaa\u0ea7\u0ec8 \u0e99\u0e81\u0eb2\u0e99\u0eaa\u0e87\u0ebb\u0ec8 \u0e84\u0eb2\u0ec8 \u0e9c\u0ec8\u0eb2\u0e99 Broker MQTT \u0ec1\u0ea1\u0e99\u0ec8 \u0ea1\u0eb5 \u0e84\u0ea7\u0eb2\u0ea1\u0ec4\u0ea7\u0ec1\u0e9a\u0e9a Real time \u0ec1\u0ea5\u0eb0 \u0e84\u0ea7\u0eb2\u0ea1\u0e96\u0e81\u0e95\u0ead\u0ec9 \u0e87\u0e95\u0eb2\u0ea1\u0e81\u0eb2\u0e99\u0eaa\u0ebb\u0ec8\u0e87\u0e84\u0ec8\u0eb2\u0e88\u0eb4\u0e87\u0ec3\u0e99\u0eab\u0ea7\u0ebb \u0e82\u0e97\u0ecd\u0ec9 \u0eb5 3.3.4 \u0ec0\u0e96\u0eb4\u0e87\u0ea2\u0ec8\u0eb2\u0e87\u0ec3\u0e94\u0e81\u0e95\u0ecd \u0eb2\u0ea1\u0e8d\u0e87\u0eb1 \u0e9a\u0ec8\u0ecd\u0e97\u0e99\u0eb1 \u0ec4\u0e94\u0ec9\u0ea1\u0eb5\u0e81\u0eb2\u0e99\u0e99\u0eb1\u0e9a\u0e88\u0eb2\u0ecd \u0e99\u0ea7\u0e99\u0ea5\u0e94\u0ebb \u0ec1\u0ea5\u0eb0 \u0eaa\u0e87\u0ebb\u0ec8 \u0e84\u0ec8\u0eb2\u0e88\u0eb4\u0e87\u0e82\u0ead\u0e87\u0ea5\u0e94\u0ebb \u0ec1\u0e95\u0ea5\u0ec8 \u0eb0\u0ec0\u0ea5\u0e99\u0ec4\u0e9b\u0e8d\u0eb1\u0e87\u0eaa\u0e94\u0e84\u0eb4\u0e94\u0ec4\u0ea5\u0ec8 \u0ec0\u0e9e\u0ec8\u0ead\u0eb7 \u0ea5\u0eb0\u0e9a\u0eb2\u0e8d\u0ea5\u0ebb\u0e94\u0ec3\u0eab\u0ec9\u0ec0\u0edc\u0eb2\u0eb0\u0eaa\u0ea1\u0ebb \u0e97\u0eb7\u0ec8\u0eaa\u0eb5 \u0e94 \u0ec0\u0e8a\u0eb7\u0e87\u0eb4\u0ec8 \u0ec4\u0e94\u0e82\u0ec9 \u0ebd\u0e99\u0ea5\u0eb2\u0e8d\u0ea5\u0eb0\u0ead\u0ebd\u0e94\u0ec4\u0ea7\u0ec9\u0ec3\u0e99\u0e9e\u0eb2\u0e81\u0e97\u0eb5 5 \u0eaa\u0eb0\u0eab\u0e9a\u0eb8 \u0e9c\u0e99\u0ebb \u0ec3\u0e99\u0e81\u0eb2\u0e99\u0eaa\u0eb6\u0e81\u0eaa\u0eb2. 47","\u0e9e\u0eb2\u0e81\u0e97\u0eb5 4 \u0e9c\u0e99\u0ebb \u0e81\u0eb2\u0e99\u0eaa\u0e81\u0eb6 \u0eaa\u0eb2 \u0ec1\u0ea5\u0eb0 \u0e81\u0eb2\u0e99\u0eaa\u0ebb\u0e99\u0e97\u0eb0\u0e99\u0eb2 4.1 \u0e9c\u0e99\u0ebb \u0e81\u0eb2\u0e99\u0eaa\u0e81\u0eb6 \u0eaa\u0eb2 4.1.1 \u0e9c\u0e99\u0ebb \u0e81\u0eb2\u0e99\u0eaa\u0e81\u0eb6 \u0eaa\u0eb2\u0e82\u0e99\u0eb1\u0ebb\u0ec9 \u0e95\u0ead\u0e99\u0e81\u0eb2\u0e99\u0e81\u0ea7\u0e94\u0e88\u0e9a\u0eb1 \u0ea7\u0e94\u0eb1 \u0e96\u0eb8 (Object detection) \u0e81\u0eb2\u0e99\u0eaa\u0ec9\u0eb2\u0e87\u0ec1\u0e9a\u0e9a\u0e88\u0ecd\u0eb2\u0eae\u0ead\u0e87\u0e81\u0eb2\u0e99\u0e81\u0ea7\u0e94\u0e88\u0e9a\u0eb1 \u0ea7\u0eb1\u0e94\u0e96\u0eb8\u0ec2\u0e94\u0e8d\u0e81\u0eb2\u0e99\u0eaa\u0ec9\u0eb2\u0e87 Dataset \u0e88\u0ecd\u0eb2\u0e99\u0ea7\u0e99\u0eae\u0e9a\u0e9e\u0eb2\u0e9a\u0e97\u0e87\u0eb1 \u0edd\u0ebb\u0e94 1,524 \u0eae\u0e9a\u0e9e\u0eb2\u0e9a\u0ec1\u0e9a\u0e87\u0ec8 \u0ec0\u0e9b\u0eb1\u0e99 8 \u0e8a\u0e94\u0eb8 \u0e82\u0ecd\u0ec9\u0ea1\u0e99\u0e84: 1 \u0e8a\u0eb8\u0e94\u0e82\u0ecd\u0ea1\u0ec9 \u0e99\u0eae\u0e9a\u0e9e\u0eb2\u0e9a\u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0ea5\u0e94\u0ebb Tuktuk, 2 \u0e8a\u0eb8\u0e94\u0e82\u0ec9\u0ecd\u0ea1\u0e99\u0eae\u0e9a\u0e9e\u0eb2\u0e9a\u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0ea5\u0e94\u0ebb Motorbike, 3 \u0e8a\u0eb8\u0e94\u0e82\u0ecd\u0ec9\u0ea1\u0e99\u0eae\u0e9a\u0e9e\u0eb2\u0e9a\u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0ea5\u0e94\u0ebb Truck, 4 \u0e8a\u0eb8\u0e94\u0e82\u0ecd\u0ec9\u0ea1\u0e99\u0eae\u0e9a\u0e9e\u0eb2\u0e9a\u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0ea5\u0e94\u0ebb Jumbo, 5 \u0e8a\u0eb8\u0e94\u0e82\u0ecd\u0ec9\u0ea1\u0e99\u0eae\u0e9a \u0e9e\u0eb2\u0e9a\u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0ea5\u0ebb\u0e94 Skylab, 6 \u0e8a\u0eb8\u0e94\u0e82\u0ec9\u0ecd\u0ea1\u0e99\u0eae\u0e9a\u0e9e\u0eb2\u0e9a\u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0ea5\u0e94\u0ebb Car, 7 \u0e8a\u0e94\u0eb8 \u0e82\u0ecd\u0ec9\u0ea1\u0e99\u0eae\u0e9a\u0e9e\u0eb2\u0e9a\u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0ea5\u0e94\u0ebb Bus \u0ec1\u0ea5\u0eb0 8 \u0e8a\u0e94\u0eb8 \u0e82\u0ecd\u0ec9\u0ea1\u0e99\u0eae\u0e9a\u0e9e\u0e9e\u0eb2\u0e9a\u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0ea5\u0ebb\u0e94 Van. \u0ec0\u0e8a\u0eb4\u0eb7\u0ec8\u0e87\u0ea1\u0eb5\u0e84\u0ec8\u0eb2\u0eaa\u0eb0\u0ec0\u0ea5\u0e8d\u0ec8 \u0e84\u0ea7\u0eb2\u0ea1\u0e96\u0e81\u0e95\u0ead\u0ec9 \u0e87\u0ea2\u0ec8 (mAP) 0.849 \u0eab 84.5% \u0e82\u0ead\u0e87\u0e81\u0eb2\u0e99\u0eae\u0ebd\u0e99\u0eae\u0ec9 \u0ec2\u0ea1\u0ec0\u0e94\u0ea7\u0e94\u0ea7\u0ec9 \u0e8d Algorithm \u0e82\u0ead\u0e87 YOLOv5 \u0ec2\u0e94\u0e8d\u0ec1\u0e9a\u0ec8\u0e87\u0e9c\u0ebb\u0e99\u0e81\u0eb2\u0e99\u0eae\u0ebd\u0e99\u0eae\u0e82\u0ec9 \u0ead\u0e87\u0ec2\u0ea1\u0ec0\u0e94\u0ea7\u0ec3\u0e99\u0e95\u0eb2\u0e95\u0eb0\u0ea5\u0eb2\u0e87\u0e97\u0eb5 4. 1 \u0e94\u0e87\u0ec8\u0ebb\u0eb1 \u0ea5\u0ec8\u0ea1\u0e99.\u0eb5\u0ec9\u0ebb \u0e95\u0eb2\u0e95\u0eb0\u0ea5\u0eb2\u0e87\u0e97\u0eb5 4. 1: \u0e9c\u0e99\u0ebb \u0e81\u0eb2\u0e99 Training model YOLOv5 No. Classes Precision Recall mAP 1 Tuktuk 0.974 0.863 0.916 0.617 0.741 2 Motorbike 0.876 0.67 0.701 0.937 0.945 3 Truck 0.67 0.82 0.866 0.601 0.768 4 Jumbo 0.927 0.919 0.95 0.791 0.908 5 Skylab 0.933 0.777 0.849 6 Car 0.87 7 Bus 0.976 8 Van 0.938 \u0e84\u0ec8\u0eb2\u0eaa\u0eb0\u0ec0\u0ea5\u0ec8\u0e8d: 0.896 1) \u0e81\u0ea3\u0eb2\u0e9a\u0eaa\u0eb0\u0ec1\u0e94\u0e87\u0e9c\u0e99\u0ebb \u0e84\u0eb2\u0ec8 \u0e82\u0ead\u0e87\u0e81\u0eb2\u0e99 Training model \u0eaa\u0e87\u0eb1 \u0ec0\u0e81\u0e94\u0ec0\u0eab\u0eb1\u0e99\u0ec4\u0e94\u0ec9\u0ea7\u0ec8\u0eb2\u0e84\u0ec8\u0eb2 Loss \u0eab\u0e94\u0eb8 \u0ea5\u0ebb\u0e87\u0ec3\u0e99\u0ec1\u0e95\u0ec8\u0ea5\u0eb0\u0eae\u0ead\u0e9a\u0e81\u0eb2\u0e99 Train \u0e88\u0eb2\u0e81\u0eae\u0ead\u0e9a\u0e97\u0eb5 1 \u0e88\u0ebb\u0e99\u0eae\u0ead\u0e94\u0eae\u0ead\u0e9a\u0e9a\u0e97\u0eb5 150 \u0ec1\u0ea5\u0eb0 \u0e84\u0eb2\u0ec8 \u0e82\u0ead\u0e87 Precision, Recall \u0ec1\u0ea5\u0eb0 mAP \u0ea1\u0e84\u0eb5 \u0eb2\u0ec8 \u0eaa\u0e87\u0e82\u0ebb\u0eb6\u0e99\u0ec9 \u0ec3\u0e99\u0ec1\u0e95\u0ec8\u0ea5\u0eb0\u0eae\u0ead\u0e9a \u0ec2\u0e94\u0e8d\u0eaa\u0eb0\u0ec1\u0e94\u0e87\u0ec3\u0e99\u0eae\u0e9a\u0e97\u0eb5 4. 1 \u0ea5\u0ec8\u0ea1\u0e99\u0ec9\u0ebb\u0eb5. \u0eae\u0e9a\u0e97\u0eb5 4. 1 \u0e81\u0ea3\u0eb2\u0e9a\u0eaa\u0eb0\u0ec1\u0e94\u0e87\u0e9c\u0ebb\u0e99\u0ea5\u0ea7\u0ea1\u0e81\u0eb2\u0e99\u0eae\u0ebd\u0e99\u0eae\u0ec9\u0e82\u0ead\u0e87\u0ec2\u0ea1\u0ec0\u0e94\u0ea7 48","\u0e9c\u0e99\u0ebb \u0e82\u0ead\u0e87\u0e81\u0eb2\u0e99\u0eae\u0ebd\u0e99\u0eae\u0e97\u0ec9 \u0eaa\u0ec8\u0eb5\u0eb7 \u0eb2\u0ea1\u0eb2\u0e94\u0ead\u0eb0\u0e97\u0e9a\u0eb4 \u0eb2\u0e8d\u0ec4\u0e94\u0ec9\u0e8a\u0eb1\u0e94\u0ec0\u0e88\u0e99 \u0ec1\u0ea5\u0eb0 \u0ec0\u0eab\u0e99\u0eb1 \u0e9e\u0eb2\u0e9a\u0eab\u0eb2\u0e8d\u0e97\u0eaa\u0eb5\u0eb7\u0ec8 \u0e94\u0ec1\u0ea1\u0ec8\u0e99\u0eaa\u0eb2\u0ea1\u0eb2\u0e94\u0ec0\u0e9a\u0eb7\u0eb4\u0ec8\u0e87\u0ec4\u0e94\u0ec9 \u0e88\u0eb2\u0e81\u0e9c\u0ebb\u0e99\u0e82\u0ead\u0e87 Confusion Metrix \u0eab \u0e81\u0eb2\u0e99\u0e9b\u0eb0\u0ec0\u0ea1\u0e99\u0eb5 \u0e9c\u0e99\u0ebb \u0e81\u0eb2\u0e99\u0eae\u0ebd\u0e99\u0eae\u0e82\u0ec9 \u0ead\u0e87\u0ec2\u0ea1\u0ec0\u0e94\u0ea7\u0ec0\u0eae\u0ebb\u0eb2 \u0ec0\u0e8a\u0eb7\u0eb4\u0e87\u0ec8 \u0eaa\u0eb1\u0e87\u0ec0\u0e81\u0e94\u0ec0\u0eab\u0e99\u0eb1 \u0ec4\u0e94\u0ec9\u0ea7\u0ec8\u0eb2\u0e9b\u0eb0\u0ec0\u0e9e\u0e94 \u0ea5\u0ebb\u0e94 Bus \u0ea1\u0eb5\u0e84\u0ea7\u0eb2\u0ea1\u0e84\u0eb2\u0ec9 \u0e8d\u0e84 Van \u0ea2\u0ec8 0.10 \u0eab 10%, \u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0ea5\u0e94\u0ebb Car \u0ea1\u0eb5\u0e84\u0ea7\u0eb2\u0ea1\u0e84\u0ec9\u0eb2\u0e8d\u0e84\u0e97\u0e87\u0eb1 \u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0ea5\u0ebb\u0e94 Truck \u0ec1\u0ea5\u0eb0 Van \u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0ea5\u0ebb\u0e94 Jumbo \u0ea1\u0e84\u0eb5 \u0ea7\u0eb2\u0ea1\u0e84\u0eb2\u0ec9 \u0e8d\u0e84\u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0ea5\u0e94\u0ebb Skylab \u0e99\u0ead\u0e81\u0e88\u0eb2\u0e81\u0e99\u0ec9\u0ebb\u0e99\u0eb1 \u0e9e\u0eb2\u0e9a\u0e9e\u0ec9\u0ebb\u0e99\u0eab\u0eb1\u0e87\u0e8d\u0eb1\u0e87\u0ea1\u0e9a\u0eb5 \u0e99\u0eb1 \u0eab\u0eb2\u0ea2\u0ec8 \u0ec0\u0e99\u0eb7\u0ec8\u0ead\u0e87\u0e88\u0eb2\u0e81\u0ea1\u0eab\u0eb5 \u0eb2\u0e8d \u0ea7\u0e94\u0eb1 \u0e96\u0ec3\u0eb8 \u0e99\u0eae\u0e9a\u0e94\u0ebd\u0ea7\u0e81\u0eb1\u0e99 \u0ec2\u0e94\u0e8d\u0ea1\u0ea5\u0eb5 \u0eb2\u0e8d\u0ea5\u0eb0\u0ead\u0ebd\u0e94\u0ec3\u0e99\u0eae\u0e9a\u0e97\u0eb5 4. 2 \u0e94\u0ec8\u0ebb\u0e87\u0eb1 \u0ea5\u0ea1\u0ec8 \u0e99\u0ec9\u0eb5\u0ebb. \u0eae\u0e9a\u0e97\u0eb5 4. 2 \u0e84\u0ea7\u0eb2\u0ea1\u0eaa\u0eb2\u0ecd \u0e9e\u0e99\u0eb1 \u0e82\u0ead\u0e87\u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0e82\u0ec9\u0ecd\u0ea1\u0e99\u0ec3\u0e99 Confusion Metrix 2) \u0e81\u0ea3\u0eb2\u0e9a\u0eaa\u0eb0\u0ec1\u0e94\u0e87\u0e84\u0eb2\u0ec8 \u0e82\u0ead\u0e87 F1_Curve \u0eaa\u0e87\u0eb1 \u0ec0\u0e81\u0e94\u0e84\u0ec8\u0eb2\u0eaa\u0eb0\u0ec0\u0ea5\u0ec8\u0e8d\u0ea5\u0eb0\u0eab\u0ea7\u0eb2\u0ec8 \u0e87 Precision \u0ec1\u0ea5\u0eb0 Recall \u0e88\u0eb0\u0ec0\u0eab\u0eb1\u0e99\u0ec4\u0e94\u0ec9\u0ea7\u0ec8\u0eb2\u0e84\u0eb2\u0ec8 \u0e82\u0ead\u0e87 F1 Score \u0e99\u0eb1\u0ebb\u0ec9\u0e99\u0ea1\u0eb5\u0e84\u0eb2\u0ec8 \u0ec3\u0e81\u0ec9 \u0e84\u0ebd\u0e87\u0ec0\u0e82\u0ebb\u0eb2\u0ec9 \u0eab\u0eb2 1 \u0eaa\u0eb0\u0ec1\u0e94\u0e87\u0ea7\u0ec8\u0eb2\u0ea1\u0e84\u0eb5 \u0ea7\u0eb2\u0ea1\u0e96\u0e81\u0e95\u0ead\u0ec9 \u0e87\u0e97\u0eb7\u0ec8\u0eaa\u0eb5 \u0e87\u0ec2\u0e94\u0e8d\u0ea1\u0ec0\u0eb5 \u0eaa\u0ec9\u0e99\u0eb1\u0ebb \u0eaa\u0eb0\u0ec0\u0ea5\u0e8d\u0ec8 \u0e82\u0ead\u0e87\u0e97\u0e81\u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0e82\u0ecd\u0ec9\u0ea1\u0e99\u0ea2\u0ec0\u0ec8 \u0eaa\u0ec9\u0e99\u0ebb\u0eb1 \u0eaa\u0e9f\u0eb5 \u0ec9\u0eb2\u0ec0\u0e82\u0ebb\u0eb1\u0ec9\u0ea1 \u0ec1\u0ea5\u0eb0 \u0edc\u0eb2 \u0ec3\u0e99\u0eae\u0e9a\u0e97\u0eb5 4. 3 \u0e94\u0e87\u0ebb\u0ec8\u0eb1 \u0ea5\u0ec8\u0ea1\u0e99\u0ebb\u0ec9.\u0eb5 \u0eaa\u0e94 F1_Curve = 2*[(precision*recall)\/(precision+recall)] \u0eae\u0e9a\u0e97\u0eb5 4. 3 \u0e81\u0ea3\u0eb2\u0e9a\u0eaa\u0eb0\u0ec1\u0e94\u0e87\u0e84\u0ec8\u0eb2\u0e82\u0ead\u0e87 F1 Score 49","3) \u0e81\u0ea3\u0eb2\u0e9a\u0eaa\u0eb0\u0ec1\u0e94\u0e87\u0e84\u0eb2\u0ec8 \u0e82\u0ead\u0e87 Precision \u0eaa\u0e87\u0eb1 \u0ec0\u0e81\u0e94\u0ec0\u0eab\u0eb1\u0e99\u0ec4\u0e94\u0ea7\u0ec9 \u0eb2\u0ec8 \u0e82\u0ead\u0e87 Precision \u0eab P \u0ec3\u0e81\u0e84\u0ec9 \u0ebd\u0e87\u0e81\u0e9a\u0eb1 1 \u0ec0\u0e81\u0ead\u0e9a\u0e97\u0eb1\u0e87\u0edd\u0e94\u0ebb \u0e82\u0ead\u0e87\u0ec1\u0e95\u0ec8\u0ea5\u0eb0\u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0ea5\u0ebb\u0e94 \u0ec1\u0e95\u0e8d\u0ec8 \u0eb1\u0e87 \u0ec0\u0eab\u0e99\u0eb1 \u0ec0\u0eaa\u0e99\u0eb1\u0ebb\u0ec9 \u0e82\u0ec9\u0ecd\u0ea1\u0e99\u0e82\u0ead\u0e87\u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0ea5\u0ebb\u0e94 Truck \u0e97\u0eb7\u0ec8\u0eb5\u0ea1\u0e84\u0eb5 \u0ec8\u0eb2\u0e95\u0ecd\u0eb2\u0ec8 \u0e81\u0ea7\u0eb2\u0ec8 \u0ec0\u0eaa\u0e99\u0eb1\u0ec9\u0ebb \u0e82\u0ecd\u0ec9\u0ea1\u0e99\u0e82\u0ead\u0e87\u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0ea5\u0e94\u0ebb \u0ead\u0ec8\u0eb7\u0e99\u0ec6 \u0ec0\u0e99\u0ec8\u0ead\u0eb7 \u0e87\u0e88\u0eb2\u0e81\u0ea1\u0eb5\u0e84\u0ea7\u0eb2\u0ea1\u0e84\u0eb2\u0ec9 \u0e8d\u0e84 \u0e81\u0eb1\u0e9a Car \u0ec1\u0ea5\u0eb0 Van \u0ec0\u0e96\u0eb4\u0e87\u0ea2\u0eb2\u0ec8 \u0e87\u0ec3\u0e94\u0e81\u0e95\u0ecd \u0eb2\u0ea1\u0e84\u0eb2\u0ec8 \u0eaa\u0eb0\u0ec0\u0ea5\u0e8d\u0ec8 \u0e82\u0ead\u0e87 Precision \u0e99\u0ebb\u0eb1\u0ec9\u0e99\u0e8d\u0e87\u0eb1 \u0eaa\u0e87\u0ea2\u0e84\u0ec8 \u0eb4\u0e94\u0ec0\u0e9b\u0eb1\u0e99 94.8% \u0e94\u0eb1\u0ebb\u0ec8\u0e87\u0eae\u0e9a\u0e97\u0eb5 4. 4 \u0e94\u0ebb\u0eb1\u0e87\u0ec8 \u0ea5\u0ec8\u0ea1\u0e99.\u0ec9\u0ebb\u0eb5 \u0eae\u0e9a\u0e97\u0eb5 4. 4 \u0e81\u0ea3\u0eb2\u0e9a\u0eaa\u0eb0\u0ec1\u0e94\u0e87\u0e84\u0ec8\u0eb2\u0e82\u0ead\u0e87 Precision 4) \u0e81\u0ea3\u0eb2\u0e9a\u0eaa\u0eb0\u0ec1\u0e94\u0e87\u0e84\u0eb2\u0ec8 \u0e82\u0ead\u0e87 Recall \u0eaa\u0eb1\u0e87\u0ec0\u0e81\u0e94\u0ec0\u0eab\u0e99\u0eb1 \u0ec4\u0e94\u0ea7\u0ec9 \u0ec8\u0eb2\u0ec0\u0eaa\u0e99\u0ec9\u0ebb\u0eb1 \u0eaa\u0eb0\u0ec1\u0e94\u0e87 3 \u0ec0\u0eaa\u0e99\u0eb1\u0ebb\u0ec9 \u0ea1\u0e84\u0eb5 \u0ec8\u0eb2\u0e95\u0ec8\u0eb2\u0ecd \u0e81\u0ea7\u0eb2\u0ec8 \u0edd\u0ec8\u0e84: \u0ec0\u0eaa\u0ebb\u0eb1\u0ec9\u0e99\u0e82\u0ead\u0e87\u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0ea5\u0ebb\u0e94 Car, \u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0ea5\u0e94\u0ebb Motorbike \u0ec1\u0ea5\u0eb0 \u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0ea5\u0e94\u0ebb Truck \u0ec0\u0e96\u0eb4\u0e87\u0ea2\u0ec8\u0eb2\u0e87\u0ec3\u0e94\u0e81\u0e95\u0ecd \u0eb2\u0ea1\u0e84\u0ec8\u0eb2\u0eaa\u0eb0\u0ec0\u0ea5\u0e8d\u0ec8 \u0e82\u0ead\u0e87 Recall \u0ec1\u0ea1\u0ec8\u0e99\u0ea2\u0ec8\u0e97\u0eb5\u0ec8\u0eb7 93% \u0ec2\u0e94\u0e8d\u0eaa\u0eb0\u0ec1\u0e94\u0e87\u0ec3\u0e99 \u0eae\u0e9a\u0e97\u0eb5 4. 5 \u0e94\u0e87\u0ebb\u0ec8\u0eb1 \u0ea5\u0ec8\u0ea1\u0e99\u0ebb\u0eb5\u0ec9. \u0eae\u0e9a\u0e97\u0eb5 4. 5 \u0e81\u0ea3\u0eb2\u0e9a\u0eaa\u0eb0\u0ec1\u0e94\u0e87\u0e84\u0ec8\u0eb2\u0e82\u0ead\u0e87 Recall 50","5) \u0e81\u0ea3\u0eb2\u0e9a\u0eaa\u0eb0\u0ec1\u0e94\u0e87\u0e81\u0eb2\u0e99\u0e9e\u0ea7\u0ebb \u0e9e\u0e99\u0eb1 \u0ea5\u0eb0\u0eab\u0ea7\u0eb2\u0ec8 \u0e87\u0e84\u0eb2\u0ec8 \u0e82\u0ead\u0e87 Precision \u0ec1\u0ea5\u0eb0 Recall \u0e81\u0eb2\u0e99\u0e9e\u0ea7\u0ebb \u0e9e\u0e99\u0eb1 \u0ea5\u0eb0\u0eab\u0ea7\u0eb2\u0ec8 \u0e87 Precision \u0ec1\u0ea5\u0eb0 Recall \u0e88\u0eb0\u0e8a\u0ea7\u0ec8 \u0e8d\u0ec3\u0eab\u0ec0\u0ec9 \u0eae\u0eb2\u0ebb \u0eaa\u0e87\u0eb1 \u0ec0\u0e81\u0eb1\u0e94\u0ec0\u0eab\u0eb1\u0e99\u0ec4\u0e94\u0ec9\u0ea7\u0eb2\u0ec8 \u0ea1\u0eb5\u0e84\u0eb2\u0ec8 \u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0e82\u0ea1\u0ec9\u0ecd \u0e99 \u0ec3\u0e94\u0ec0\u0e82\u0ebb\u0ec9\u0eb2\u0ec3\u0e81\u0ec9 1 \u0e99\u0ebb\u0ec9\u0eb1\u0e99\u0ec1\u0ea1\u0e99\u0ec8 \u0ea1\u0eb5\u0e84\u0eb2\u0ec8 \u0e84\u0ea7\u0eb2\u0ea1\u0e96\u0e81\u0e95\u0ec9\u0ead\u0e87\u0eaa\u0e87 \u0ec0\u0e8a\u0e87\u0ec8\u0eb4\u0eb7 \u0ea1\u0eb5\u0e84\u0ec8\u0eb2\u0e84\u0ea7\u0eb2\u0ea1\u0e96\u0e81\u0e95\u0ead\u0ec9 \u0e87\u0eaa\u0eb0\u0ec0\u0ea5\u0ec8\u0e8d\u0ea2\u0ec8 84.9% \u0ec2\u0e94\u0e8d\u0ea1\u0eb5\u0e84\u0ec8\u0eb2\u0eaa\u0e87\u0eaa\u0e94\u0ea2\u0e97\u0ec8 \u0ec8\u0eb5\u0eb7 95% \u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0ea5\u0e94\u0ebb Bus \u0ec1\u0ea5\u0eb0 \u0ea1\u0e84\u0eb5 \u0eb2\u0ec8 \u0e95\u0ecd\u0ec8\u0eb2\u0eaa\u0e94\u0ea2\u0ec8\u0e97\u0eb7\u0ec8\u0eb5 70.1% \u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0ea5\u0ebb\u0e94 Truck \u0ec0\u0e8a\u0eb7\u0ec8\u0e87\u0eb4 \u0eaa\u0eb0\u0ec1\u0e94\u0e87\u0ec3\u0e99\u0eae\u0e9a\u0e97\u0eb5\u0eb7\u0ec8 4. 6 \u0e94\u0ec8\u0eb1\u0ebb\u0e87\u0ea5\u0ec8\u0ea1\u0e99\u0ec9\u0eb5\u0ebb. \u0eae\u0e9a\u0e97\u0eb5 4. 6 \u0e81\u0ea3\u0eb2\u0e9a\u0e81\u0eb2\u0e99\u0e9e\u0ebb\u0ea7\u0e9e\u0eb1\u0e99\u0ea5\u0eb0\u0eab\u0ea7\u0ec8\u0eb2\u0e87 Precision \u0ec1\u0ea5\u0eb0 Recall 6) \u0e81\u0ea3\u0eb2\u0e9a\u0eaa\u0eb0\u0ec1\u0e94\u0e87\u0e84\u0eb2\u0ec8 \u0e82\u0ead\u0e87 mAP_0.5, mAP_0.5:0.95, Precision \u0ec1\u0ea5\u0eb0 Recall \u0e88\u0eb2\u0e81\u0eae\u0e9a\u0e97\u0eb5 4. 7 \u0eaa\u0eb2\u0ea1\u0eb2\u0e94\u0eaa\u0eb0\u0eab\u0e9a\u0eb8 \u0ec4\u0e94\u0ec9\u0ea7\u0eb2\u0ec8 \u0e84\u0ec8\u0eb2\u0e84\u0ea7\u0eb2\u0ea1\u0e96\u0e81\u0e95\u0ead\u0ec9 \u0e87\u0e82\u0ead\u0e87 Precision \u0eaa\u0e87\u0e97\u0eb7\u0eb5\u0eaa\u0ec8 \u0e94, \u0eae\u0ead\u0e87\u0ea5\u0ebb\u0e87\u0ea1\u0eb2\u0ec1\u0ea1\u0e99\u0ec8 \u0e84\u0eb2\u0ec8 \u0e82\u0ead\u0e87 mAP0.5:0.95, \u0e84\u0eb2\u0ec8 \u0e82\u0ead\u0e87 mAP_0.5 \u0ec1\u0ea5\u0eb0 \u0e84\u0eb2\u0ec8 \u0e82\u0ead\u0e87 Recall \u0e95\u0eb2\u0ea1\u0ea5\u0eb2\u0ecd \u0e94\u0e9a\u0eb1 \u0ec3\u0e88\u0ec1\u0e95\u0ea5\u0ec8 \u0eb0\u0eae\u0ead\u0e9a\u0e81\u0eb2\u0e99\u0e81\u0eb2\u0e99\u0eae\u0ebd\u0e99\u0eae\u0ec9 \u0e82\u0ead\u0e87\u0ec2\u0ea1\u0ec0\u0e94\u0ea7\u0ec1\u0e95\u0eae\u0ec8 \u0ead\u0e9a\u0e97\u0eb5 1 \u0e88\u0ebb\u0e99\u0eae\u0ead\u0e94\u0eae\u0ead\u0e9a\u0e97\u0eb5 150. \u0eae\u0e9a\u0e97\u0eb5 4. 7 \u0e81\u0ea3\u0eb2\u0e9a\u0eaa\u0eb0\u0ec1\u0e94\u0e87\u0e84\u0ec8\u0eb2\u0e84\u0ea7\u0eb2\u0ea1\u0e96\u0e81\u0e95\u0ead\u0ec9 \u0e87\u0e97\u0eb1\u0e87\u0edd\u0ebb\u0e94 7) \u0e81\u0ea3\u0eb2\u0e9a\u0eaa\u0eb0\u0ec1\u0e94\u0e87\u0e84\u0eb2\u0ec8 \u0e82\u0ead\u0e87\u0eaa\u0e99\u0ec0\u0eaa\u0e8d\u0e81\u0eb2\u0e99\u0eae\u0ebd\u0e99\u0eae\u0e82\u0ec9 \u0ead\u0e87\u0ec2\u0ea1\u0ec0\u0e94\u0ea7 \u0ec3\u0e99\u0e81\u0eb2\u0e99\u0eae\u0ebd\u0e99\u0eae\u0ec9\u0e82\u0ead\u0e87\u0ec2\u0ea1\u0ec0\u0e94\u0ea7\u0e99\u0eb1\u0ec9\u0e99\u0ebb \u0e88\u0eb0\u0ea1\u0eb5\u0e84\u0eb2\u0ec8 \u0eaa\u0e99\u0ec0\u0eaa\u0e8d \u0eab \u0ea7\u0eb2\u0ec8 Loss \u0ec3\u0e99\u0e99\u0ebb\u0eaa\u0ec9\u0eb5 \u0eb0\u0ec1\u0e94\u0e87\u0ec3\u0eab\u0ec9\u0ec0\u0eab\u0eb1\u0e99\u0e81\u0eb2\u0e99\u0eaa\u0e99\u0ec0\u0eaa\u0e8d\u0e82\u0ead\u0e87 bounding box \u0ea7\u0ebb\u0e87\u0eaa\u0eb7\u0ec8\u0eab\u0eb5 \u0ebd\u0ec8 \u0ea1\u0ead\u0ead\u0ec9 \u0ea1\u0ea7\u0eb1\u0e94\u0e96,\u0eb8 \u0e81\u0eb2\u0e99\u0eaa\u0e99\u0ec0\u0eaa\u0e8d\u0e82\u0ead\u0e87\u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0e82\u0ea1\u0ecd\u0ec9 \u0e99 \u0eab Classes \u0ec1\u0ea5\u0eb0 \u0e81\u0eb2\u0e99\u0eaa\u0e99\u0ec0\u0eaa\u0e8d\u0e82\u0ead\u0e87\u0ea7\u0e94\u0eb1 \u0e96\u0eb8 \u0eab Object \u0ec0\u0e8a\u0e87\u0ec8\u0eb7\u0eb4 \u0ea1\u0eb5\u0ea5\u0eb2\u0e8d\u0ea5\u0eb0\u0ead\u0ebd\u0e94\u0ec1\u0e95\u0ec8\u0ea5\u0eb0\u0eae\u0ead\u0e9a\u0e82\u0ead\u0e87\u0e81\u0eb2\u0e99\u0eae\u0ebd\u0e99\u0eae\u0ec9 1-150 Epoch \u0ec3\u0e99\u0eae\u0e9a\u0e97\u0eb5 4. 8 \u0e94\u0e87\u0ec8\u0ebb\u0eb1 \u0ea5\u0ea1\u0ec8 \u0e99\u0eb5\u0ebb.\u0ec9 \u0eae\u0e9a\u0e97\u0eb5 4. 8 \u0e81\u0ea3\u0eb2\u0e9a\u0e81\u0eb2\u0e99\u0eaa\u0e99\u0ec0\u0eaa\u0e8d\u0e82\u0ead\u0e87\u0e81\u0eb2\u0e99\u0eae\u0ebd\u0e99\u0eae\u0e82\u0ec9 \u0ead\u0e87\u0ec2\u0ea1\u0ec0\u0e94\u0ea7 51","8) \u0e81\u0ea3\u0eb2\u0e9a\u0eaa\u0eb0\u0ec1\u0e94\u0e87\u0e84\u0eb2\u0ec8 \u0e82\u0ead\u0e87\u0e81\u0eb2\u0e99\u0eaa\u0e99\u0ec0\u0eaa\u0e8d\u0ec3\u0e99\u0e81\u0eb2\u0e99 Validate Model \u0ec3\u0e99 Validate \u0ec2\u0ea1\u0ec0\u0e94\u0ea7\u0e99\u0ebb\u0eb1\u0ec9\u0e99\u0e88\u0eb0\u0ea1\u0eb5\u0e84\u0eb2\u0ec8 \u0eaa\u0e99\u0ec0\u0eaa\u0e8d \u0eab \u0ea7\u0eb2\u0ec8 Loss \u0ec3\u0e99\u0e99\u0ec9\u0eaa\u0ebb\u0eb5 \u0eb0\u0ec1\u0e94\u0e87\u0ec3\u0eab\u0ec9\u0ec0\u0eab\u0eb1\u0e99\u0e81\u0eb2\u0e99\u0eaa\u0e99\u0ec0\u0eaa\u0e8d\u0e82\u0ead\u0e87 bounding box \u0ea7\u0e87\u0ebb \u0eaa\u0eb7\u0eab\u0eb5\u0ec8 \u0ebd\u0ec8 \u0ea1\u0ead\u0ead\u0ec9 \u0ea1\u0ea7\u0eb1\u0e94\u0e96,\u0eb8 \u0e81\u0eb2\u0e99\u0eaa\u0e99\u0ec0\u0eaa\u0e8d\u0e82\u0ead\u0e87\u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0e82\u0ecd\u0ec9\u0ea1\u0e99 \u0eab Classes \u0ec1\u0ea5\u0eb0 \u0e81\u0eb2\u0e99\u0eaa\u0e99\u0ec0\u0eaa\u0e8d\u0e82\u0ead\u0e87\u0ea7\u0e94\u0eb1 \u0e96\u0eb8 \u0eab Object \u0ec0\u0e8a\u0eb7\u0eb4\u0e87\u0ec8 \u0ea1\u0eb5\u0ea5\u0eb2\u0e8d\u0ea5\u0eb0\u0ead\u0ebd\u0e94\u0e82\u0ead\u0e87\u0e81\u0eb2\u0e99 Validate Model \u0ec1\u0e95\u0ec8\u0ea5\u0eb0\u0eae\u0ead\u0e9a 1-150 Epoch \u0ec3\u0e99\u0eae\u0e9a\u0e97\u0eb5 4. 9 \u0e94\u0ec8\u0ebb\u0eb1\u0e87\u0ea5\u0ea1\u0ec8 \u0e99\u0ec9\u0eb5\u0ebb. \u0eae\u0e9a\u0e97\u0eb5 4. 9 \u0e81\u0ea3\u0eb2\u0e9a\u0eaa\u0eb0\u0ec1\u0e94\u0e87\u0e84\u0eb2\u0ec8 \u0e82\u0ead\u0e87\u0e81\u0eb2\u0e99\u0eaa\u0e99\u0ec0\u0eaa\u0e8d\u0e82\u0ead\u0e87\u0e81\u0eb2\u0e99 Validate Model 4.1.2 \u0e9c\u0ebb\u0e99\u0e81\u0eb2\u0e99\u0eaa\u0e81\u0eb6 \u0eaa\u0eb2\u0e82\u0e99\u0ebb\u0ec9\u0eb1 \u0e95\u0ead\u0e99\u0e81\u0eb2\u0e99\u0e81\u0eb2\u0ecd \u0e99\u0e94\u0ebb \u0ea5\u0eb0\u0e9a\u0e9a\u0ebb \u0ec4\u0e9f\u0ead\u0eb2\u0ecd \u0e99\u0eb2\u0e94 (Traffic Control) \u0e9c\u0eb2\u0ec8 \u0e99\u0e81\u0eb2\u0e99\u0eaa\u0e81\u0eb6 \u0eaa\u0eb2\u0e84\u0e99\u0ebb\u0ec9 \u0e84\u0ea7\u0ec9\u0eb2 \u0ec1\u0ea5\u0eb0 \u0eaa\u0ec9\u0eb2\u0e87\u0ec2\u0ea1\u0ec0\u0e94\u0ea7\u0e95\u0ebb\u0ec9\u0e99\u0ec1\u0e9a\u0e9a\u0e95\u0ea7\u0ebb \u0e88\u0e87\u0eb4 \u0e94\u0ea7\u0ec9 \u0e8d\u0e81\u0eb2\u0e99\u0e99\u0eb2\u0ecd \u0ec3\u0e8a\u0ec9 \u0ec0\u0e84\u0ead\u0ec8\u0eb7 \u0e87\u0ea1\u0e97\u0eb2\u0e87\u0e94\u0ec9\u0eb2\u0e99 IoT \u0e95\u0eb2\u0ec8 \u0e87\u0ec6\u0ec0\u0e8a\u0eb1\u0ec8\u0e99\u0ebb : LED, LCD, Arduino, NodeMCU, RealTime Clock \u0ec1\u0ea5\u0eb0 Regulator Module. \u0ec0\u0eae\u0ebb\u0eb2\u0eaa\u0eb2\u0ea1\u0eb2\u0e94 \u0e84\u0ea7\u0ea1\u0e84\u0ea1\u0ea5\u0eb0\u0e9a\u0ebb\u0e9a\u0ec4\u0e9f\u0ead\u0ecd\u0eb2\u0e99\u0eb2\u0e94\u0ec4\u0e94\u0ec9 \u0ec0\u0e8a\u0eb4\u0eb7\u0e87\u0ec8 \u0eaa\u0eb2\u0ea1\u0eb2\u0e94\u0e84\u0ea7\u0e9a\u0e84\u0ea1\u0e9c\u0ec8\u0eb2\u0e99\u0e9a\u0ead\u0e94\u0ec0\u0ead\u0e87\u0e81\u0ecd\u0ec4\u0e94\u0ec9 \u0ec1\u0ea5\u0eb0 \u0eaa\u0e87\u0ec8\u0ebb \u0e84\u0eb2\u0ec8 \u0e9c\u0ec8\u0eb2\u0e99 Broker MQTT \u0ec4\u0e94.\u0ec9 \u0ea7\u0ebb\u0e87\u0e88\u0ead\u0e99\u0ec4\u0e9f\u0e88\u0eb0\u0ec1\u0ea5\u0e99\u0ec8 \u0e95\u0eb2\u0ea1\u0ec0\u0e82\u0ea1\u0eb1 \u0ec2\u0ea1\u0e87 \u0eab \u0ec4\u0e9f\u0ead\u0eb2\u0ecd \u0e99\u0eb2\u0e94\u0e88\u0eb0\u0ec1\u0ea5\u0ec8\u0e99\u0e95\u0eb2\u0ea1\u0ec0\u0e82\u0eb1\u0ea1\u0ec2\u0ea1\u0e87\u0e84\u0e81\u0e99\u0eb1 \u0ec0\u0ea5\u0eb5\u0ec8\u0eb7\u0ea1\u0e88\u0eb2\u0e81\u0e8a\u0eb2\u0ec9 \u0e8d\u0ec4\u0e9b\u0eab\u0eb2 \u0e82\u0ea7\u0eb2\u0ec0\u0e8a\u0ebb\u0ec8\u0e99\u0eb1 : \u0ec0\u0ea5\u0ec8\u0ea1\u0eb7\u0eb5 \u0e88\u0eb2\u0e81\u0ec0\u0ea5\u0e99\u0e97\u0edc\u0eb5 \u0e87\u0eb6\u0ec8\u0eb7 \u0e95\u0ecd\u0ec8\u0ec4\u0e9b\u0e88\u0eb0\u0ec0\u0e9b\u0e99\u0eb1 \u0ec0\u0ea5\u0e99\u0e97\u0eb5\u0eaa\u0ead\u0e87 \u0e88\u0ebb\u0e99\u0eae\u0ead\u0e94\u0ec0\u0ea5\u0e99\u0eaa\u0e94\u0e97\u0eb2\u0ec9 \u0e8d\u0e82\u0ead\u0e87\u0e88\u0eb2\u0ecd \u0e99\u0ea7\u0e99\u0ec4\u0e9f\u0ead\u0eb2\u0ecd \u0e99\u0eb2\u0e94\u0ec1\u0e95\u0ec8\u0ea5\u0eb0\u0e9a\u0ead\u0ec8 \u0e99 \u0ec0\u0e8a\u0eb4\u0e87\u0ec8\u0eb7 \u0ec0\u0eae\u0ebb\u0eb2\u0eaa\u0eb2\u0ea1\u0eb2\u0e94\u0eaa\u0ec8\u0ebb\u0e87\u0e84\u0eb2\u0ec8 \u0e82\u0ead\u0e87\u0ec4\u0e9f\u0e82\u0ebd\u0ea7\u0ec0\u0e82\u0eb2\u0ebb\u0ec9 \u0ec4\u0e9b\u0ec3\u0eaa\u0ec8\u0ec3\u0e99\u0ec1\u0e95\u0ea5\u0ec8 \u0eb0\u0ec0\u0ea5\u0e99\u0ec4\u0e94\u0ec9 \u0ec0\u0e99\u0ec8\u0ead\u0eb7 \u0e87\u0e88\u0eb2\u0e81\u0ea5\u0eb0\u0e9a\u0e9a\u0ebb \u0e81\u0eb2\u0e99\u0e99\u0e9a\u0eb1 \u0e88\u0eb2\u0ecd \u0e99\u0ea7\u0e99\u0ec4\u0e9f\u0ec1\u0ea1\u0e99\u0ec8 \u0ec0\u0e9b\u0e99\u0eb1 \u0e81\u0eb2\u0e99 \u0e9a\u0ea7\u0e81\u0e84\u0eb2\u0ec8 \u0e82\u0ead\u0e87\u0ec4\u0e9f\u0e82\u0ebd\u0ea7\u0e82\u0ead\u0e87\u0ec1\u0e95\u0ea5\u0ec8 \u0eb0\u0ec0\u0ea5\u0e99\u0ec3\u0eaa\u0ec8\u0e81\u0e9a\u0eb1 \u0e84\u0eb2\u0ec8 \u0ec4\u0e9f\u0ec0\u0eab\u0ead\u0e87\u0e88\u0ecd\u0eb2\u0e99\u0ea7\u0e99 3 \u0ea7\u0e99\u0eb4 \u0eb2\u0e97\u0eb5 \u0ec1\u0ea5\u0eb0 \u0e84\u0ec8\u0eb2\u0e94\u0ec0\u0eb5 \u0ea5 (Delay) \u0ea2\u0ec8 1-2 \u0ea7\u0e99\u0eb4 \u0eb2\u0e97\u0eb5 \u0e88\u0eb0\u0ec4\u0e94\u0ec9\u0e88\u0ecd\u0eb2\u0e99\u0ea7\u0e99\u0ec4\u0e9f\u0ec1\u0e94\u0e87\u0e82\u0ead\u0e87\u0ec0\u0ea5\u0e99\u0e97\u0ea5\u0eb7\u0eb5\u0ec8 \u0e96\u0ecd \u0ec9\u0eb2 \u0ec2\u0e94\u0e8d\u0ea1\u0eb5\u0ea5\u0eb2\u0e8d\u0ea5\u0eb0\u0ead\u0ebd\u0e94\u0ec3\u0e99\u0eae\u0e9a\u0e97\u0eb5 4. 10 \u0e94\u0ebb\u0ec8\u0eb1\u0e87\u0ea5\u0ec8\u0ea1\u0e99\u0eb5\u0ec9\u0ebb. \u0eae\u0e9a\u0e97\u0eb5 4. 10 \u0eaa\u0eb0\u0ec1\u0e94\u0e87\u0e81\u0eb2\u0e99\u0e81\u0eb2\u0ecd \u0e99\u0e94\u0ebb \u0ec0\u0ea5\u0e99 \u0ec1\u0ea5\u0eb0 \u0e84\u0ec8\u0eb2 Default 52","\u0e81\u0eb2\u0e99\u0ec1\u0e97\u0e99\u0e84\u0ec8\u0eb2\u0e95\u0ebb\u0ea7\u0ead\u0e99\u0eb1 \u0eaa\u0ead\u0e99\u0e97\u0eb7\u0eaa\u0eb5\u0ec8 \u0eb0\u0ec1\u0e94\u0e87\u0e9c\u0eb2\u0ec8 \u0e99\u0edc\u0eb2\u0ec9 \u0e88\u0ecd LCD \u0ec0\u0e8a\u0eb4\u0ec8\u0eb7\u0e87\u0e81\u0eb2\u0ecd \u0e99\u0e94\u0ebb \u0ec4\u0ea7\u0e94\u0ec9 \u0e87\u0ebb\u0eb1\u0ec8 \u0e99\u0ebb\u0eb5:\u0ec9 \u25aa \u0ec1\u0e97\u0e99\u0e84\u0ec8\u0eb2\u0ec0\u0ea5\u0e99\u0edc\u0eb7\u0e87\u0ec8\u0eb6 \u0e94\u0ec9\u0ea7\u0e8d L1 \u25aa \u0ec1\u0e97\u0e99\u0e84\u0ec8\u0eb2\u0ec0\u0ea5\u0e99\u0eaa\u0ead\u0e87\u0e94\u0ec9\u0ea7\u0e8d L2 \u25aa \u0ec1\u0e97\u0e99\u0e84\u0ec8\u0eb2\u0ec0\u0ea5\u0e99\u0eaa\u0eb2\u0ea1\u0e94\u0ea7\u0ec9 \u0e8d L3 \u25aa \u0ec1\u0e97\u0e99\u0e84\u0eb2\u0ec8 \u0ec0\u0ea5\u0e99\u0eaa\u0eb7\u0e94\u0ec8\u0eb5 \u0ea7\u0ec9 \u0e8d L4 \u25aa \u0ec1\u0e97\u0e99\u0e84\u0eb2\u0ec8 \u0e88\u0ecd\u0eb2\u0e99\u0ea7\u0e99\u0ec4\u0e9f\u0ec1\u0e94\u0e87\u0e82\u0ead\u0e87\u0ec0\u0ea5\u0e99\u0edc\u0eb7\u0eb6\u0ec8\u0e87\u0e94\u0ec9\u0ea7\u0e8d L1R \u25aa \u0ec1\u0e97\u0e99\u0e84\u0ec8\u0eb2\u0e88\u0eb2\u0ecd \u0e99\u0ea7\u0e99\u0ec4\u0e9f\u0ec0\u0eab\u0ead\u0e87\u0e82\u0ead\u0e87\u0ec0\u0ea5\u0e99\u0edc\u0eb7\u0ec8\u0e87\u0eb6 \u0e94\u0ea7\u0ec9 \u0e8d L1Y \u25aa \u0ec1\u0e97\u0e99\u0e84\u0ec8\u0eb2\u0e88\u0eb2\u0ecd \u0e99\u0ea7\u0e99\u0ec4\u0e9f\u0e82\u0ebd\u0ea7\u0ec0\u0ea5\u0e99\u0edc\u0e87\u0ec8\u0eb7\u0eb6 \u0e94\u0ea7\u0ec9 \u0e8d L1G \u25aa \u0ec1\u0e97\u0e99\u0e84\u0ec8\u0eb2\u0e88\u0ecd\u0eb2\u0e99\u0ea7\u0e99\u0ec4\u0e9f\u0ec1\u0e94\u0e87\u0e82\u0ead\u0e87\u0ec0\u0ea5\u0e99\u0eaa\u0ead\u0e87\u0e94\u0ec9\u0ea7\u0e8d L2R \u25aa \u0ec1\u0e97\u0e99\u0e84\u0eb2\u0ec8 \u0e88\u0ecd\u0eb2\u0e99\u0ea7\u0e99\u0ec4\u0e9f\u0ec0\u0eab\u0ead\u0e87\u0e82\u0ead\u0e87\u0ec0\u0ea5\u0e99\u0eaa\u0ead\u0e87\u0e94\u0ea7\u0ec9 \u0e8d L2Y \u25aa \u0ec1\u0e97\u0e99\u0e84\u0eb2\u0ec8 \u0e88\u0ecd\u0eb2\u0e99\u0ea7\u0e99\u0ec4\u0e9f\u0e82\u0ebd\u0ea7\u0ec0\u0ea5\u0e99\u0eaa\u0ead\u0e87\u0e94\u0ec9\u0ea7\u0e8d L2G \u25aa \u0ec1\u0e97\u0e99\u0e84\u0eb2\u0ec8 \u0e88\u0ecd\u0eb2\u0e99\u0ea7\u0e99\u0ec4\u0e9f\u0ec1\u0e94\u0e87\u0e82\u0ead\u0e87\u0ec0\u0ea5\u0e99\u0eaa\u0eb2\u0ea1\u0e94\u0ec9\u0ea7\u0e8d L3R \u25aa \u0ec1\u0e97\u0e99\u0e84\u0ec8\u0eb2\u0e88\u0eb2\u0ecd \u0e99\u0ea7\u0e99\u0ec4\u0e9f\u0ec0\u0eab\u0ead\u0e87\u0e82\u0ead\u0e87\u0ec0\u0ea5\u0e99\u0eaa\u0eb2\u0ea1\u0e94\u0ea7\u0ec9 \u0e8d L3Y \u25aa \u0ec1\u0e97\u0e99\u0e84\u0ec8\u0eb2\u0e88\u0eb2\u0ecd \u0e99\u0ea7\u0e99\u0ec4\u0e9f\u0e82\u0ebd\u0ea7\u0ec0\u0ea5\u0e99\u0eaa\u0eb2\u0ea1\u0e94\u0ec9\u0ea7\u0e8d L3G \u25aa \u0ec1\u0e97\u0e99\u0e84\u0eb2\u0ec8 \u0e88\u0eb2\u0ecd \u0e99\u0ea7\u0e99\u0ec4\u0e9f\u0ec1\u0e94\u0e87\u0e82\u0ead\u0e87\u0ec0\u0ea5\u0e99\u0eaa\u0e94\u0eb5\u0eb7\u0ec8 \u0ec9\u0ea7\u0e8d L4R \u25aa \u0ec1\u0e97\u0e99\u0e84\u0eb2\u0ec8 \u0e88\u0eb2\u0ecd \u0e99\u0ea7\u0e99\u0ec4\u0e9f\u0ec0\u0eab\u0ead\u0e87\u0e82\u0ead\u0e87\u0ec0\u0ea5\u0e99\u0eaa\u0e94\u0eb5\u0eb7\u0ec8 \u0ea7\u0ec9 \u0e8d L4Y \u25aa \u0ec1\u0e97\u0e99\u0e84\u0ec8\u0eb2\u0e88\u0eb2\u0ecd \u0e99\u0ea7\u0e99\u0ec4\u0e9f\u0e82\u0ebd\u0ea7\u0ec0\u0ea5\u0e99\u0eaa\u0eb7\u0ec8\u0e94\u0eb5 \u0ea7\u0ec9 \u0e8d L4G \u0e81\u0ea5\u0ecd \u0eb0\u0e99\u0ec0\u0eb5 \u0ea5\u0ec8\u0ea1\u0eb7\u0eb5 \u0e95\u0e99\u0ec9\u0ebb \u0e88\u0eb2\u0e81 L1 \u0ec3\u0eab\u0ec9\u0e84\u0ec8\u0eb2 L1G = 40s\u2019, L2G = 25s\u2019 L3G = 40s\u2019 \u0ec1\u0ea5\u0eb0 L4G = 35s\u2019 \u25aa \u0e88\u0ecd\u0eb2\u0e99\u0ea7\u0e99\u0ea5\u0ecd\u0e96\u0ec9\u0eb2 L2R = L1G + L1Y => 40s\u2019 + 3s\u2019 => 43s\u2019 + Delay \u25aa \u0e88\u0ecd\u0eb2\u0e99\u0ea7\u0e99\u0ea5\u0ecd\u0e96\u0eb2\u0ec9 L3R = L2R + L2G + L2Y => 43\u2019s + 25s\u2019 + 3s\u2019 => 71\u2019s + Delay \u25aa \u0e88\u0eb2\u0ecd \u0e99\u0ea7\u0e99\u0ea5\u0ecd\u0e96\u0ec9\u0eb2 L4R = L3R + L3G+L3Y => 71\u2019s + 40s\u2019 + 3\u2019s => 114 + Delay * Delay time = 1s\u2019 \u2013 2 s\u2019 \u0e81\u0ec8\u0ead\u0e99\u0ec4\u0e9f\u0e82\u0ebd\u0ea7\u0e97\u0e81\u0e84\u0eb1\u0ebb\u0ec9\u0e87\u0e82\u0ead\u0e87\u0ec1\u0e95\u0ea5\u0ec8 \u0eb0\u0ec0\u0ea5\u0e99. \u0ec0\u0ea1\u0eb7\u0ec8\u0ead\u0e84\u0ebb\u0e9a\u0eae\u0ead\u0e9a\u0ea7\u0ebd\u0e99\u0e88\u0eb0\u0e97\u0eb2\u0ecd \u0e81\u0eb2\u0e99\u0e84\u0e99\u0e84\u0eb2\u0ec8 \u0ec0\u0ea5\u0ec8\u0ea1\u0eb5\u0eb7 \u0e95\u0ebb\u0ec9\u0e99 \u0ea5\u0eb2\u0e8d\u0ea5\u0eb0\u0ead\u0ebd\u0e94\u0ec3\u0e99\u0e82\u0ecd\u0ec9 3.3.4 (\u0edc\u0eb2\u0ec9 \u0e97\u0eb5 42) \u0ec1\u0ea5\u0eb0 \u0ec0\u0eae\u0e94\u0eb1 \u0ea7\u0ebd\u0e81 \u0e8a\u0ecd\u0ec9\u0eb2\u0ec4\u0e9b\u0ec1\u0e9a\u0e9a\u0e99\u0e99\u0ebb\u0eb1\u0ec9 \u0e95\u0eb0\u0eab\u0ead\u0e94\u0ec3\u0e99\u0ec1\u0e9a\u0e9a Automation. \u0eaa\u0ecd\u0eb2\u0ea5\u0eb1\u0e9a\u0e81\u0eb2\u0e99\u0eaa\u0eb0\u0ec1\u0e94\u0e87\u0e9c\u0ebb\u0e99\u0edc\u0ec9\u0eb2 LCD \u0ec3\u0e99\u0ec1\u0e9c\u0e87\u0e84\u0ea7\u0e9a\u0e84\u0ea1\u0ec0\u0e9e\u0ead\u0eb7\u0ec8 \u0ec3\u0eab\u0ec9\u0eae\u0ec9\u0eaa\u0eb0\u0e96\u0eb2\u0e99\u0eb0\u0e82\u0ead\u0e87\u0ea5\u0eb0\u0e9a\u0ebb\u0e9a\u0e84\u0ea7\u0e9a\u0e84\u0ea1\u0ec4\u0e9f\u0ead\u0ecd\u0eb2 \u0e99\u0eb2\u0e94\u0ea7\u0ec8\u0eb2\u0ea2\u0ec3\u0ec8 \u0e99\u0eaa\u0eb0\u0e96\u0eb2\u0e99\u0eb0\u0ec3\u0e94 \u0ec1\u0ea5\u0eb0 \u0e8d\u0e87\u0eb1 \u0e8a\u0ec8\u0ea7\u0e8d\u0ec3\u0eab\u0ec9\u0eaa\u0eb2\u0ea1\u0eb2\u0e94\u0eaa\u0ebb\u0e87\u0ec8 \u0e84\u0eb2\u0ec8 \u0e81\u0e9a\u0eb1 \u0e84\u0e99 \u0ec0\u0e9e\u0eb7\u0ec8\u0ead\u0e88\u0eb0\u0eaa\u0eb0\u0ec1\u0e94\u0e87\u0ec3\u0e99\u0edc\u0eb2\u0ec9 \u0e82\u0ead\u0e87\u0ec0\u0ea7\u0e9a\u0eb1 \u0ec4\u0e8a\u0e97\u0ecc\u0ec4\u0e94\u0e99\u0ec9 \u0eb2\u0ecd \u0ec3\u0e99 \u0ead\u0eb2\u0e99\u0eb2\u0e84\u0ebb\u0e94. \u0e99\u0ead\u0e81\u0e88\u0eb2\u0e81\u0e97\u0eb5\u0eb7\u0ec8\u0ec4\u0e94\u0e81\u0ec9 \u0eb2\u0ec8 \u0ea7\u0ea1\u0eb2\u0e82\u0eb2\u0ec9 \u0e87\u0ec0\u0e97\u0e87\u0eb4 \u0ec1\u0ea5\u0ea7\u0ec9 \u0e99\u0ec9\u0e99\u0ebb\u0eb1 \u0e8d\u0e87\u0eb1 \u0ea1\u0eb5\u0eaa\u0eb0\u0e96\u0eb2\u0e99\u0eb0\u0e9e\u0ec0\u0eb4 \u0eaa\u0e94\u0e95\u0ea1\u0eb7\u0ec8 \u0ead\u0eb5\u0e81 \u0e97\u0eaa\u0eb5\u0ec8\u0eb7 \u0eb0\u0ec1\u0e94\u0e87\u0ec3\u0e99\u0edc\u0ec9\u0eb2\u0e88\u0ecd LCD \u0e9b\u0eb0\u0e81\u0ead\u0e9a \u0e94\u0ec9\u0ea7\u0e8d\u0e95\u0ebb\u0ea7\u0ead\u0e81\u0eb1 \u0eaa\u0ead\u0e99 \u0ec1\u0ea5\u0eb0 \u0eaa\u0eb0\u0ec1\u0e94\u0e87\u0eae\u0e9a\u0e95\u0ea7\u0ebb \u0ea2\u0ec8\u0eb2\u0e87\u0ec3\u0e99\u0eae\u0e9a\u0e97\u0eb5 4. 11 \u0e94\u0e87\u0ec8\u0ebb\u0eb1 \u0ea5\u0ea1\u0ec8 \u0e99\u0ebb:\u0eb5\u0ec9 \u25aa Date \u0ec1\u0ea1\u0ec8\u0e99\u0e9a\u0ead\u0e81\u0ea7\u0eb1\u0e99\u0e97\u0eb5 \u0e97\u0ec8\u0eb5\u0eaa\u0eb7 \u0eb0\u0ec1\u0e94\u0e87\u0ec3\u0e99\u0eae\u0e9a 4. 11 (26.12.2021) \u25aa Time \u0ec1\u0ea1\u0e99\u0ec8 \u0e9a\u0ead\u0e81\u0ec0\u0ea7\u0ea5\u0eb2 \u0e97\u0eaa\u0eb5\u0eb7\u0ec8 \u0eb0\u0ec1\u0e94\u0e87\u0ec3\u0e99\u0eae\u0e9a 4. 11 (14:59:48) \u25aa ST = Status \u0eaa\u0eb0\u0e96\u0eb2\u0e99\u0eb0 \u0e97\u0ec8\u0eb7\u0eb5\u0eaa\u0eb0\u0ec1\u0e94\u0e87\u0ec3\u0e99\u0eae\u0e9a 4. 11 (S2G) \u25aa SAF = Status All Off \u0e9b\u0e94\u0eb4 \u0ea5\u0eb0\u0e9a\u0e9a\u0ebb \u0e97\u0eb1\u0e87\u0edd\u0ebb\u0e94 \u25aa SAR = Status All Red \u0eaa\u0eb0\u0e96\u0eb2\u0e99\u0eb0\u0ec4\u0e9f\u0ec1\u0e94\u0e87 \u25aa S0Y = Status all Yellow \u0eaa\u0eb0\u0e96\u0eb2\u0e99\u0eb0\u0ec4\u0e9f\u0ec0\u0eab\u0ead\u0e87 53","\u25aa S1G = Status lane1 Green \u0eaa\u0eb0\u0e96\u0eb2\u0e99\u0eb0\u0ec4\u0e9f\u0e82\u0ebd\u0ea7\u0ec0\u0ea5\u0e99\u0edc\u0eb6\u0ec8\u0e87\u0eb7 \u25aa S2G = Status lane2 Green \u0eaa\u0eb0\u0e96\u0eb2\u0e99\u0eb0\u0ec4\u0e9f\u0e82\u0ebd\u0ea7\u0ec0\u0ea5\u0e99\u0eaa\u0ead\u0e87 \u25aa S3G = Status lane3 Green \u0eaa\u0eb0\u0e96\u0eb2\u0e99\u0eb0\u0ec4\u0e9f\u0e82\u0ebd\u0ea7\u0ec0\u0ea5\u0e99\u0eaa\u0eb2\u0ea1 \u25aa S4G = Status lane4 Green \u0eaa\u0eb0\u0e96\u0eb2\u0e99\u0eb0\u0ec4\u0e9f\u0e82\u0ebd\u0ea7\u0ec0\u0ea5\u0e99\u0eaa\u0eb7\u0eb5\u0ec8 \u25aa S1R = Status lane1 Red \u0eaa\u0eb0\u0e96\u0eb2\u0e99\u0eb0\u0ec4\u0e9f\u0ec1\u0e94\u0e87\u0ec0\u0ea5\u0e99\u0edc\u0ec8\u0eb7\u0eb6\u0e87 \u25aa S2R = Status lane2 Red \u0eaa\u0eb0\u0e96\u0eb2\u0e99\u0eb0\u0ec4\u0e9f\u0ec1\u0e94\u0e87\u0ec0\u0ea5\u0e99\u0eaa\u0ead\u0e87 \u25aa S3R = Status lane3 Red \u0eaa\u0eb0\u0e96\u0eb2\u0e99\u0eb0\u0ec4\u0e9f\u0ec1\u0e94\u0e87\u0ec0\u0ea5\u0e99\u0eaa\u0eb2\u0ea1 \u25aa S4R = Status lane4 Red \u0eaa\u0eb0\u0e96\u0eb2\u0e99\u0eb0\u0ec4\u0e9f\u0ec1\u0e94\u0e87\u0ec0\u0ea5\u0e99\u0eaa\u0eb7\u0eb5\u0ec8 \u25aa S1Y = Status lane1 Yellow \u0eaa\u0eb0\u0e96\u0eb2\u0e99\u0eb0\u0ec4\u0e9f\u0ec0\u0eab\u0ead\u0e87\u0ec0\u0ea5\u0e99\u0edc\u0ec8\u0e87\u0eb6\u0eb7 \u25aa S2Y = Status lane2 Yellow \u0eaa\u0eb0\u0e96\u0eb2\u0e99\u0eb0\u0ec4\u0e9f\u0ec0\u0eab\u0ead\u0e87\u0ec0\u0ea5\u0e99\u0eaa\u0ead\u0e87 \u25aa S3Y = Status lane3 Yellow \u0eaa\u0eb0\u0e96\u0eb2\u0e99\u0eb0\u0ec4\u0e9f\u0ec0\u0eab\u0ead\u0e87\u0ec0\u0ea5\u0e99\u0eaa\u0eb2\u0ea1 \u25aa S4Y = Status lane4 Yellow \u0eaa\u0eb0\u0e96\u0eb2\u0e99\u0eb0\u0ec4\u0e9f\u0ec0\u0eab\u0ead\u0e87\u0ec0\u0ea5\u0e99\u0eaa\u0ec8\u0eb7\u0eb5 \u0eae\u0e9a\u0e97\u0eb5 4. 11 \u0edc\u0eb2\u0ec9 \u0e88\u0ecd LCD \u0eaa\u0eb0\u0ec1\u0e94\u0e87\u0e9c\u0ebb\u0e99\u0e82\u0ead\u0e87\u0ea5\u0eb0\u0e9a\u0ebb\u0e9a\u0ec4\u0e9f\u0ead\u0eb2\u0ecd \u0e99\u0eb2\u0e94 4.2 \u0e81\u0eb2\u0e99\u0eaa\u0e99\u0ebb \u0e97\u0eb0\u0e99\u0eb2 \u0e9c\u0ec8\u0eb2\u0e99\u0e81\u0eb2\u0e99\u0e84\u0ec9\u0ebb\u0e99\u0e84\u0ea7\u0eb2\u0ec9 \u0e97\u0ebb\u0e94\u0ea5\u0ead\u0e87\u0ec3\u0e99\u0e84\u0ec9\u0eb1\u0ebb\u0e87\u0e99\u0ec0\u0ec9\u0ebb\u0eb5 \u0eab\u0e99\u0eb1 \u0ec4\u0e94\u0ec9\u0ea7\u0eb2\u0ec8 \u0e81\u0eb2\u0e99\u0e99\u0ecd\u0eb2\u0ec3\u0e8a\u0ec9 YOLOv5 \u0ec0\u0e9e\u0ead\u0ec8\u0eb7 \u0e81\u0ea7\u0e94\u0e88\u0eb1\u0e9a\u0eab\u0eb2\u0ea7\u0eb1\u0e94\u0e96\u0eb8 \u0eab \u0ea5\u0ebb\u0e94\u0e97\u0eb7\u0ea2\u0ec8\u0eb5 \u0ec8 \u0e9a\u0ea5\u0ecd \u0eb4\u0ec0\u0ea7\u0e99\u0ec4\u0e9f\u0ead\u0eb2\u0ecd \u0e99\u0eb2\u0e94 \u0ec1\u0ea5\u0eb0 \u0e81\u0eb2\u0ecd \u0e99\u0ebb\u0e94\u0ea5\u0eb0\u0e9a\u0e9a\u0ebb \u0ec4\u0e9f\u0ead\u0eb2\u0ecd \u0e99\u0eb2\u0e94\u0e94\u0ec9\u0ea7\u0e8d\u0e81\u0eb2\u0e99\u0eaa\u0ec8\u0e87\u0ebb \u0e84\u0eb2\u0ec8 \u0e9c\u0eb2\u0ec8 \u0e99 MQTT Protocol \u0e82\u0ec9\u0eb2\u0e9e\u0eb0\u0ec0\u0e88\u0ebb\u0ec9\u0eb2\u0ea1\u0e84\u0eb5 \u0ea7\u0eb2\u0ea1\u0e84\u0e94\u0eb4 \u0ec0\u0eab\u0eb1\u0e99\u0e94\u0eb1\u0ebb\u0e87\u0ec8 \u0e99\u0ebb\u0eb5:\u0ec9 \u0e9c\u0eb2\u0ec8 \u0e99\u0e81\u0eb2\u0e99\u0e99\u0eb2\u0ecd \u0ec3\u0e8a\u0ec9\u0ec0\u0e95\u0e81\u0eb1 \u0e99\u0eb4\u0e81\u0ea7\u0e97\u0eb4 \u0eb5\u0e82\u0ead\u0e87 YOLOv5 \u0e94\u0ec9\u0ea7\u0e8d\u0e81\u0eb2\u0e99\u0e81\u0ecd\u0eb2\u0e99\u0ebb\u0e94\u0e8a\u0e94\u0eb8 \u0e82\u0ecd\u0ec9\u0ea1\u0e99\u0e88\u0eb2\u0ecd \u0e99\u0ea7\u0e99\u0e97\u0eb1\u0e87\u0edd\u0ebb\u0e94 1,524 \u0eae\u0e9a\u0e9e\u0eb2\u0e9a \u0ec1\u0e9a\u0ec8\u0e87\u0ec0\u0e9b\u0eb1\u0e99\u0e8a\u0eb8\u0e94\u0e82\u0ecd\u0ea1\u0ec9 \u0e99 Training 1,069 \u0eae\u0e9a\u0e9e\u0eb2\u0e9a, \u0e8a\u0eb8\u0e94\u0e82\u0ea1\u0ecd\u0ec9 \u0e99 Validate 302 \u0eae\u0e9a\u0e9e\u0eb2\u0e9a \u0ec1\u0ea5\u0eb0 \u0e8a\u0e94\u0eb8 \u0e82\u0ecd\u0ea1\u0ec9 \u0e99 Test 53 \u0eae\u0e9a \u0e9e\u0eb2\u0e9a. \u0ec3\u0e99\u0e99\u0e99\u0eb1\u0ebb\u0ec9 \u0e81\u0eb2\u0e99 Training \u0ec1\u0ea1\u0e99\u0ec8 \u0ec3\u0e8a\u0ec9\u0ec0\u0ea7\u0ea5\u0eb2\u0ea2\u0ec8 48 \u0e99\u0eb2\u0e97\u0eb5 \u0e82\u0ec9\u0ebb\u0eb6\u0e99\u0e81\u0eb1\u0e9a\u0e88\u0ecd\u0eb2\u0e99\u0ea7\u0e99 GPU \u0e82\u0ead\u0e87 Google Colab (\u0ec2\u0e94\u0e8d \u0e82\u0eb2\u0ec9 \u0e9e\u0eb0\u0ec0\u0e88\u0ebb\u0eb2\u0ec9 \u0ec1\u0ea1\u0e99\u0ec8 \u0ec4\u0e94\u0eaa\u0ec9 \u0eb0\u0edd\u0eb1\u0e81\u0ec0\u0e9b\u0eb1\u0e99\u0eaa\u0eb0\u0ea1\u0eb2\u0e8a\u0e81\u0eb4 \u0ea5\u0eb2\u0e8d\u0ec0\u0e94\u0ead\u0e99\u0e88\u0ec8\u0eb2\u0e8d\u0ea5\u0eb2\u0e84\u0eb2 9.99 USD\/\u0ec0\u0e94\u0ead\u0e99) \u0e96\u0ec9\u0eb2\u0eab\u0eb2\u0e81\u0ec3\u0e8a\u0ec9\u0ec0\u0e84\u0ead\u0ec8\u0eb7 \u0e87\u0e84\u0ead\u0ea1\u0e9e\u0ea7\u0eb4 \u0ec0\u0e95\u0eb4 \u0e82\u0ead\u0e87\u0ec0\u0eae\u0eb2\u0ebb \u0ec0\u0ead\u0e87\u0e95\u0ead\u0ec9 \u0e87\u0e81\u0ea7\u0e94\u0eaa\u0ead\u0e9a GPU \u0ec1\u0ea5\u0eb0 \u0ead\u0eb2\u0e94\u0ec3\u0e8a\u0ec9\u0ec0\u0ea7\u0ea5\u0eb2\u0e94\u0e99\u0ebb \u0e81\u0ea7\u0eb2\u0ec8 \u0ead\u0eb5\u0e87\u0e95\u0eb2\u0ea1\u0eaa\u0eb0\u0ec0\u0e9b\u0e81\u0eb1 \u0e82\u0ead\u0e87\u0e84\u0ead\u0ea1\u0e9e\u0ea7\u0eb4 \u0ec0\u0e95\u0eb5 \u0ec0\u0e8a\u0eb7\u0eb4\u0e87\u0ec8 \u0ec4\u0e94\u0ec9\u0e84\u0eb2\u0ec8 \u0e84\u0ea7\u0eb2\u0ea1 \u0e96\u0e81\u0e95\u0ec9\u0ead\u0e87\u0eaa\u0eb0\u0ec0\u0ea5\u0ec8\u0e8d\u0ea2\u0ec8 84.9% \u0ec0\u0e8a\u0eb4\u0eb7\u0ec8\u0e87\u0eaa\u0eb2\u0ea1\u0eb2\u0e94\u0e99\u0eb2\u0ecd \u0ec4\u0e9b\u0ec3\u0e8a\u0ec9\u0e87\u0eb2\u0e99\u0e88\u0e87\u0eb4 \u0ec4\u0e94\u0ec9. \u0eab\u0e87\u0eb1 \u0e88\u0eb2\u0e81\u0e81\u0eb2\u0e99\u0eaa\u0ec9\u0eb2\u0e87\u0ec2\u0ea1\u0ec0\u0e94\u0ea7\u0e95\u0ec9\u0e99\u0ebb \u0ec1\u0e9a\u0e9a \u0ec2\u0e94\u0e8d\u0e81\u0eb2\u0e99\u0e99\u0ecd\u0eb2\u0ec3\u0e8a\u0ead\u0ec9 \u0e9b\u0eb0\u0e81\u0ead\u0e99\u0e97\u0ec8\u0eb5\u0eb7\u0eaa\u0eb2\u0ecd \u0e84\u0e99\u0eb1 \u0ea2\u0ec8 5 \u0ea2\u0eb2\u0ec8 \u0e87\u0e84: \u0e9a\u0ead\u0e94 Arduino, \u0e9a\u0ead\u0e94 NodeMCU, Regulator module, \u0e88\u0ecd LCD \u0ec1\u0ea5\u0eb0 \u0e94\u0ead\u0e81\u0ec4\u0e9f LED \u0ec0\u0e8a\u0eb4\u0eb7\u0e87\u0ec8 \u0ec3\u0eab\u0e9a\u0ec9 \u0ead\u0e94 NodeMCU \u0eae\u0eb1\u0e9a\u0e84\u0eb2\u0ec8 \u0e88\u0eb2\u0e81 Server MQTT \u0ec2\u0e94\u0e8d\u0ea1\u0eb5\u0e82\u0ec9\u0ecd\u0e88\u0ecd\u0eb2\u0e81\u0eb1\u0e94\u0e97\u0eb1\u0e87\u0ec0\u0e9a\u0ec9\u0ebb\u0ead\u0e87\u0e9a\u0ead\u0e94 NodeMCU \u0e95\u0ead\u0ec9 \u0e87\u0ea1\u0eb5 Wi-Fi \u0e97\u0ec0\u0eb5\u0ec8\u0eb7 \u0e8a\u0ead\u0eb7\u0ec8 \u0ea1\u0e95\u0ecd\u0ead\u0ec8 \u0eb4\u0e99\u0ec0\u0e95\u0eb5\u0ec0\u0e99\u0eb1\u0e94 \u0ec1\u0ea5\u0eb0 \u0ec0\u0e9a\u0ec9\u0ebb\u0ead\u0e87\u0ec2\u0ea1 \u0ec0\u0e94\u0ea7\u0e84\u0ea7\u0e9a\u0e84\u0ea1\u0e81\u0e95\u0ecd \u0ead\u0ec9 \u0e87\u0ea1\u0eb5\u0ead\u0e99\u0eb4 \u0ec0\u0e95\u0ec0\u0eb4 \u0e99\u0eb1\u0e94\u0ec0\u0e8a\u0eb1\u0ebb\u0ec8\u0e99\u0e94\u0ebd\u0ea7\u0e81\u0eb1\u0e99 \u0e94\u0ea7\u0ec9 \u0e8d\u0e81\u0eb2\u0e99\u0eaa\u0ebb\u0e87\u0ec8 \u0e84\u0ec8\u0eb2\u0e82\u0ec9\u0ecd\u0e84\u0ea7\u0eb2\u0ea1 (Publish Message) \u0e9c\u0ec8\u0eb2\u0e99 Server \u0e81\u0eb2\u0e87\u0e82\u0ead\u0e87 emqx.io \u0ec0\u0e8a\u0e87\u0eb7\u0ec8\u0eb4 \u0ec0\u0e9b\u0e99\u0eb1 Open Source \u0e94\u0e87\u0ebb\u0ec8\u0eb1 \u0e99\u0e99\u0ec9\u0ebb\u0eb1 , \u0eaa\u0eb2\u0ea1\u0eb2\u0e94\u0e9b\u0ebd\u0ec8 \u0e99\u0eae\u0e9a\u0ec1\u0e9a\u0e9a\u0e81\u0eb2\u0e99\u0eaa\u0ebb\u0ec8\u0e87\u0e82\u0e84\u0ecd\u0ec9 \u0ea7\u0eb2\u0ea1\u0ec0\u0e9b\u0eb1\u0e99\u0e9c\u0ec8\u0eb2\u0e99\u0e84\u0ec9\u0e99\u0ebb \u0e84\u0ea7\u0eb2\u0ea1\u0e96\u0ec8\u0eb7\u0eb5 \u0e82\u0ead\u0e87\u0eaa\u0e99\u0eb1 \u0e8d\u0eb2\u0e99\u0ec2\u0e97\u0ea5\u0eb0\u0eaa\u0eb1\u0e9a\u0ec1\u0e97\u0e99\u0ec0\u0e8a\u0eb1\u0ec8\u0ebb\u0e99: \u0e84\u0e99\u0ec9\u0ebb \u0eaa\u0eb1\u0e99 \u0e8d\u0eb2\u0e99 900GHz, 1800GHz \u0ec1\u0ea5\u0eb0 LTE \u0ec0\u0e9e\u0ead\u0eb7\u0ec8 \u0e9b\u0eb0\u0ea2\u0eb1\u0e94\u0e95\u0e99\u0ec9\u0ebb \u0e97\u0eb6\u0e99\u0ec4\u0e94\u0e94\u0ec9 \u0e81\u0eb5 \u0ea7\u0ec8\u0eb2. \u0ec0\u0e96\u0e87\u0eb4 \u0ea2\u0ec8\u0eb2\u0e87\u0ec3\u0e94\u0e81\u0e95\u0ecd \u0eb2\u0ea1 \u0e81\u0eb2\u0e99\u0eaa\u0ebb\u0ec8\u0e87\u0e84\u0ec8\u0eb2\u0e9c\u0ec8\u0eb2\u0e99 MQTT Protocol \u0e81\u0ecd\u0e8d\u0e87\u0eb1 \u0eaa\u0eb2\u0ea1\u0eb2\u0e94\u0e99\u0ecd\u0eb2\u0ec3\u0e8a\u0ec4\u0ec9 \u0e94\u0ec9 \u0ec1\u0ea5\u0eb0 \u0eaa\u0eb2\u0ea1\u0eb2\u0e94\u0e95\u0ecd\u0e8d\u0ec8 \u0ead\u0e94\u0ec4\u0e94\u0ec3\u0ec9 \u0e99\u0ead\u0eb2\u0e99\u0e84\u0e94\u0ebb . 54","\u0e9e\u0eb2\u0e81\u0e97\u0eb5 5 \u0eaa\u0eb0\u0eab\u0e9a\u0eb8 , \u0e82\u0e88\u0ec9\u0ecd \u0eb2\u0ecd \u0e81\u0e94\u0eb1 \u0ec1\u0ea5\u0eb0 \u0e82\u0ec9\u0ecd\u0ec1\u0e99\u0eb0\u0e99\u0eb2\u0ecd \u0ec3\u0e99\u0e81\u0eb2\u0e99\u0eaa\u0e81\u0eb6 \u0eaa\u0eb2 5.1 \u0eaa\u0eb0\u0eab\u0e9a\u0eb8 \u0e9c\u0e99\u0ebb \u0ec3\u0e99\u0e81\u0eb2\u0e99\u0eaa\u0e81\u0eb6 \u0eaa\u0eb2 \u0ec3\u0e99\u0e9a\u0e94\u0ebb \u0e84\u0ec9\u0ebb\u0e99\u0e84\u0ea7\u0ec9\u0eb2\u0e84\u0e87\u0ebb\u0ec9\u0eb1 \u0e99\u0ec9\u0eb5\u0ebb \u0ec4\u0e94\u0ec9\u0eaa\u0e81\u0eb6 \u0eaa\u0eb2\u0ec0\u0e96\u0eb4\u0e87\u0e81\u0eb2\u0e99\u0e81\u0ea7\u0e94\u0e88\u0eb1\u0e9a\u0ea7\u0eb1\u0e94\u0e96\u0eb8 (Object detection) \u0ec3\u0e99\u0e9a\u0ecd\u0ea5\u0ec0\u0eb4 \u0ea7\u0e99\u0ec4\u0e9f\u0ead\u0eb2\u0e99\u0eb2\u0e94 \u0ec0\u0e9e\u0ec8\u0eb7\u0ead\u0e99\u0eb2 \u0ec0\u0ead\u0eb2\u0ebb \u0e84\u0eb2\u0ec8 \u0e97\u0eb5\u0ec4\u0ec8\u0eb7 \u0e94\u0ec4\u0ec9 \u0e9b\u0e9b\u0e9a\u0eb1 \u0e84\u0ec8\u0eb2\u0ea5\u0eb0\u0e9a\u0e9a\u0ebb \u0e84\u0ea7\u0e9a\u0e84\u0ea1\u0ec4\u0e9f\u0ead\u0eb2\u0ecd \u0e99\u0eb2\u0e94\u0e94\u0ea7\u0ec9 \u0e8d\u0e81\u0eb2\u0e99\u0eaa\u0e87\u0ebb\u0ec8 \u0e84\u0ec8\u0eb2\u0e9c\u0ec8\u0eb2\u0e99 Broker \u0e97\u0eb5\u0eb7\u0ec8\u0ec0\u0e9b\u0eb1\u0e99 Public domain \u0ec2\u0e94\u0e8d\u0e99\u0ecd\u0eb2\u0ec3\u0e8a\u0ec9 \u0ec0\u0e9b\u0e99\u0eb1 MQTT Protocol \u0e88\u0eb2\u0e81\u0e81\u0eb2\u0e99\u0e81\u0ea7\u0e94\u0e88\u0e9a\u0eb1 \u0ea7\u0eb1\u0e94\u0e96\u0eb8\u0ec4\u0e9b\u0eab\u0eb2\u0ead\u0e9b\u0eb0\u0e81\u0ead\u0e99 IoT \u0e97\u0eb7\u0ec0\u0eb5\u0ec8 \u0eae\u0eb1\u0e94\u0edc\u0eb2\u0ec9 \u0e84\u0ea7\u0e9a\u0e84\u0ea1\u0ec4\u0e9f\u0ead\u0eb2\u0ecd \u0e99\u0eb2\u0e94 \u0ec3\u0e99\u0e99\u0eb1\u0ebb\u0e99\u0ec9 , \u0e81\u0eb2\u0e99\u0eae\u0ebd\u0e99\u0eae\u0ec9\u0e82\u0ead\u0e87\u0ec2\u0ea1\u0e94\u0ebd\u0ea7\u0ec1\u0ea1\u0ec8\u0e99\u0ec4\u0e94\u0e99\u0ec9 \u0eb2\u0ecd \u0ec3\u0e8a\u0e81\u0ec9 \u0eb2\u0e99\u0eae\u0ebd\u0e99\u0ec1\u0e9a\u0e9a\u0ec0\u0ea5\u0e81\u0eb4 \u0ec0\u0e8a\u0e87\u0ec8\u0eb4\u0eb7 (Deep Learning) \u0ec1\u0ea5\u0eb0 \u0e99\u0ecd\u0eb2\u0ec3\u0e8a\u0ec0\u0ec9 \u0e95\u0eb1\u0e81\u0e99\u0e81\u0eb4 \u0ea7\u0e97\u0eb4 \u0eb5\u0e82\u0ead\u0e87 YOLOv5 \u0ec0\u0e8a\u0eb4\u0ec8\u0e87\u0eb7 \u0ec0\u0e9b\u0e99\u0eb1 \u0e9e\u0eb2\u0e81\u0eaa\u0ec8\u0ea7\u0e99\u0e82\u0ead\u0e87\u0e84\u0ead\u0ea1\u0e9e\u0eb4\u0ea7\u0ec0\u0e95\u0eb4\u0ea7\u0ec0\u0eb5 \u0e8a\u0e99\u0eb5 (Computer Vision). \u0ec0\u0e9e\u0ead\u0ec8\u0eb7 \u0ec1\u0e81\u0ec9\u0ec4\u0e82\u0e9a\u0eb1\u0e99\u0eab\u0eb2\u0ea5\u0eb0\u0e9a\u0e9a\u0ebb \u0ec4\u0e9f\u0ead\u0ecd\u0eb2\u0e99\u0eb2\u0e94 \u0ec3\u0e99\u0e9b\u0eb1\u0e94\u0e88\u0e9a\u0e99\u0eb1 \u0e97\u0ec8\u0eb7\u0eb5\u0e8d\u0eb1\u0e87\u0e9a\u0ecd\u0ec8\u0ea1\u0eb5\u0e84\u0ea7\u0eb2\u0ea1\u0ea2\u0e94\u0eb7 \u0ea2\u0ec8\u0e99\u0e9e\u0ebd\u0e87\u0e9e\u0ecd. \u0ec2\u0e94\u0e8d\u0e81\u0eb2\u0e99\u0eaa\u0eb2\u0ec9 \u0e87\u0ec2\u0ea1\u0ec0\u0e94\u0ea7\u0e81\u0eb2\u0e99\u0e81\u0ea7\u0e94\u0e88\u0eb1\u0e9a\u0ea7\u0eb1\u0e94\u0e96\u0eb8\u0ec3\u0e99\u0e84\u0e87\u0ebb\u0eb1\u0ec9 \u0e99\u0ec9\u0eb5\u0ebb\u0ec1\u0ea1\u0ec8\u0e99\u0ec4\u0e94\u0e81\u0ec9 \u0eb2\u0ecd \u0e99\u0ebb\u0e94\u0e8a\u0eb8\u0e94\u0e82\u0ecd\u0ec9 \u0ea1\u0e99\u0e97\u0e87\u0eb1 \u0edd\u0e94\u0ebb 1,524 \u0eae\u0e9a\u0e9e\u0eb2\u0e9a \u0ec1\u0e9a\u0e87\u0ec8 \u0ec0\u0e9b\u0eb1\u0e99\u0e8a\u0e94\u0eb8 \u0e82\u0ecd\u0ea1\u0ec9 \u0e99 Training 1,069 \u0eae\u0e9a\u0e9e\u0eb2\u0e9a, \u0e8a\u0eb8\u0e94\u0e82\u0ec9\u0ecd\u0ea1\u0e99 Validate 302 \u0eae\u0e9a\u0e9e\u0eb2\u0e9a \u0ec1\u0ea5\u0eb0 \u0e8a\u0eb8\u0e94\u0e82\u0ecd\u0ea1\u0ec9 \u0e99 Test 53 \u0eae\u0e9a\u0e9e\u0eb2\u0e9a \u0e9b\u0eb0\u0e81\u0ead\u0e9a\u0ec2\u0e94\u0e8d 8 \u0e8a\u0eb8\u0e94\u0e82\u0ecd\u0ec9\u0ea1\u0e99\u0e84: 1 \u0e8a\u0eb8\u0e94\u0e82\u0ec9\u0ecd\u0ea1\u0e99\u0eae\u0e9a\u0e9e\u0eb2\u0e9a\u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0ea5\u0e94\u0ebb Tuktuk (\u0ea5\u0e94\u0ebb \u0e95\u0e81 \u0e95\u0e81), 2 \u0e8a\u0eb8\u0e94\u0e82\u0ecd\u0ea1\u0ec9 \u0e99\u0eae\u0e9a\u0e9e\u0eb2\u0e9a\u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0ea5\u0e94\u0ebb Motorbike (\u0ea5\u0e94\u0ebb \u0e88\u0eb1\u0e81), 3 \u0e8a\u0e94\u0eb8 \u0e82\u0ec9\u0ecd\u0ea1\u0e99\u0eae\u0e9a\u0e9e\u0eb2\u0e9a\u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0ea5\u0ebb\u0e94 Truck (\u0ea5\u0ebb\u0e94\u0e81\u0eb0\u0e9a\u0eb0 \u0ec1\u0ea5\u0eb0 \u0ea5\u0ebb\u0e94\u0e9a\u0eb1\u0e99\u0e97\u0e81), 4 \u0e8a\u0eb8\u0e94\u0e82\u0ecd\u0ec9\u0ea1\u0e99\u0eae\u0e9a\u0e9e\u0eb2\u0e9a\u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0ea5\u0ebb\u0e94 Jumbo (\u0ea5\u0ebb\u0e94\u0e88\u0eb2\u0ecd \u0ec2\u0e9a\u0ec9), 5 \u0e8a\u0eb8\u0e94\u0e82\u0ea1\u0ecd\u0ec9 \u0e99\u0eae\u0e9a\u0e9e\u0eb2\u0e9a\u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0ea5\u0e94\u0ebb Skylab (\u0ea5\u0ebb\u0e94\u0eaa\u0eb0\u0e81\u0eb2\u0e8d\u0ec1\u0eab\u0e9a), 6 \u0e8a\u0e94\u0eb8 \u0e82\u0ecd\u0ea1\u0ec9 \u0e99\u0eae\u0e9a\u0e9e\u0eb2\u0e9a\u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0ea5\u0ebb\u0e94 Car (\u0ea5\u0ebb\u0e94\u0ec0\u0e81\u0e87 \u0ec1\u0ea5\u0eb0 \u0ea5\u0e94\u0ebb \u0e81\u0eb0\u0e9b\u0e81), 7 \u0e8a\u0eb8\u0e94\u0e82\u0ecd\u0ea1\u0ec9 \u0e99\u0eae\u0e9a\u0e9e\u0eb2\u0e9a\u0e9b\u0eb0\u0ec0\u0e9e\u0e94 \u0ea5\u0e94\u0ebb Bus (\u0ea5\u0e94\u0ebb \u0ec0\u0ea1) \u0ec1\u0ea5\u0eb0 8 \u0e8a\u0eb8\u0e94\u0e82\u0ea1\u0ecd\u0ec9 \u0e99\u0eae\u0e9a\u0e9e\u0eb2\u0e9a\u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0ea5\u0e94\u0ebb Van (\u0ea5\u0ebb\u0e94\u0e95\u0ec9), \u0ec0\u0e8a\u0e87\u0eb7\u0ec8\u0eb4 \u0ec4\u0e94\u0e99\u0ec9 \u0ecd\u0eb2\u0ec3\u0e8a\u0e9e\u0ec9 \u0eb2\u0eaa\u0eb2\u0ec2\u0e9b\u0ea3\u0ec1\u0e81\u0ea3\u0ea1 Python 3.8 \u0ec1\u0ea5\u0eb0 Google Colab \u0ec0\u0e9b\u0eb1\u0e99 IDE \u0e94\u0ea7\u0ec9 \u0e8d\u0e81\u0eb2\u0e99\u0e81\u0eb2\u0ecd \u0e99\u0e94\u0ebb Label \u0ec1\u0ea5\u0eb0 \u0e9b\u0eb1\u0e9a\u0e82\u0eb0\u0edc\u0eb2\u0e94\u0eae\u0e9a\u0e9e\u0eb2\u0e9a\u0ec0\u0e9b\u0eb1\u0e99 416x416 Pixel \u0ec0\u0e8a\u0eb4\u0eb7\u0e87\u0ec8 \u0e9c\u0ec8\u0eb2\u0e99\u0e81\u0eb2\u0e99\u0eae\u0ebd\u0e99\u0eae\u0ec9 (Training), \u0e81\u0ea7\u0e94\u0eaa\u0ead\u0e9a (Validate) \u0ec1\u0ea5\u0eb0 \u0e97\u0ebb\u0e94\u0ea5\u0ead\u0e87 (Testing) \u0e8a\u0eb8\u0e94\u0e82\u0ecd\u0ea1\u0ec9 \u0e99. \u0ec0\u0e8a\u0e87\u0eb4\u0ec8\u0eb7 \u0ec0\u0eab\u0e99\u0eb1 \u0ec4\u0e94\u0ea7\u0ec9 \u0ec8\u0eb2\u0ea1\u0eb5 \u0e84\u0ec8\u0eb2\u0e84\u0ea7\u0eb2\u0ea1\u0e96\u0e81\u0e95\u0ead\u0ec9 \u0e87\u0e82\u0ead\u0e87\u0ec2\u0ea1\u0ec0\u0e94\u0ea7\u0ea2\u0ec8 84.9% \u0ec1\u0ea5\u0eb0 \u0e84\u0eb2\u0ec8 \u0e9c\u0eb4\u0e94\u0e9e\u0eb2\u0e94\u0ea2\u0e97\u0ec8 \u0eb5 15.1% \u0e94\u0ec8\u0ebb\u0e87\u0eb1 \u0e99\u0ec9\u0ebb\u0eb1\u0e99, \u0e88\u0eb7\u0ec8\u0e87\u0eb6 \u0eaa\u0eb0\u0eab\u0ea5\u0e9a\u0ec4\u0e94\u0ea7\u0ec9 \u0eb2\u0ec8 \u0e81\u0eb2\u0e99\u0e97\u0e94\u0ebb \u0ea5\u0ead\u0e87 \u0e94\u0eb1\u0ebb\u0e87\u0ec8 \u0e81\u0eb2\u0ec8 \u0ea7\u0ea1\u0e84\u0eb5 \u0ec8\u0eb2\u0e84\u0ea7\u0eb2\u0ea1\u0e96\u0e81\u0e95\u0ead\u0ec9 \u0e87\u0e97\u0eaa\u0eb7\u0eb5\u0ec8 \u0e87 \u0ec1\u0ea5\u0eb0 \u0eaa\u0eb2\u0ea1\u0eb2\u0e94\u0e99\u0eb2\u0ecd \u0ec4\u0e9b\u0e97\u0e94\u0ebb \u0ea5\u0ead\u0e87\u0ec3\u0e8a\u0ec4\u0ec9 \u0e94\u0ec9\u0ec3\u0e99\u0ead\u0eb2\u0e99\u0eb2\u0e84\u0e94\u0ebb . \u0e81\u0eb2\u0e99\u0eaa\u0ec9\u0eb2\u0e87\u0e95\u0ec9\u0ebb\u0e99\u0ec1\u0e9a\u0e9a\u0e88\u0eb2\u0ecd \u0ea5\u0ead\u0e87 (Prototype) \u0e97\u0eb5\u0ea1\u0ec8\u0eb7 \u0e82\u0eb5 \u0eb0\u0edc\u0eb2\u0e94\u0e99\u0ec9\u0ead\u0e8d 80x80cm \u0ec0\u0e9e\u0ec8\u0ead\u0eb7 \u0e88\u0eb2\u0ecd \u0ea5\u0ead\u0e87\u0e81\u0eb2\u0e99\u0e84\u0ea7\u0ea1\u0e84\u0ea1\u0ea5\u0eb0\u0e9a\u0e9a\u0ebb \u0ec4\u0e9e \u0ead\u0eb2\u0ecd \u0e99\u0eb2\u0e94 \u0ec2\u0e94\u0e8d\u0ec4\u0e94\u0e99\u0ec9 \u0eb2\u0ecd \u0ec3\u0e8a\u0e9a\u0ec9 \u0ead\u0e94 IoT \u0e9a\u0eb2\u0e87\u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0ec0\u0e8a\u0eb1\u0e99\u0ec8\u0ebb : \u0e9a\u0ead\u0e94 Arduino, \u0e88\u0e9e\u0ecd \u0eb2\u0e9a LCD, Realtime Clock, LED module traffic light, Voltage regulator module \u0ec1\u0ea5\u0eb0 NodeMCU esp8266. \u0ec0\u0e8a\u0ec8\u0eb4\u0eb7\u0e87\u0eaa\u0eb2\u0ea1\u0eb2\u0e94\u0e84\u0ea7\u0e9a\u0e84\u0ea1\u0e9c\u0eb2\u0ec8 \u0e99 Prototype \u0ec1\u0ea5\u0eb0 \u0e9c\u0eb2\u0ec8 \u0e99\u0ec0\u0ea7\u0e9a\u0eb1 \u0ec1\u0ead\u0e9a\u0eb1 , \u0ec0\u0e8a\u0eb7\u0e87\u0eb4\u0ec8 \u0e9b\u0eb0\u0e81\u0ead\u0e9a\u0ea1\u0eb5 2 \u0ea5\u0eb0\u0e9a\u0ebb\u0e9a\u0e84: 1. \u0ea5\u0eb0\u0e9a\u0ebb\u0e9a\u0ead\u0e94\u0eb1 \u0e95\u0eb0\u0ec2\u0e99\u0ea1\u0e94\u0eb1 (Automation) \u0eaa\u0eb2\u0ea1\u0eb2\u0e94 \u0e84\u0ea7\u0e9a\u0e84\u0ea1\u0ea5\u0eb0\u0e9a\u0e9a\u0ebb \u0ec4\u0e9f\u0ead\u0ecd\u0eb2\u0e99\u0eb2\u0e94\u0e94\u0ea7\u0ec9 \u0e8d\u0e84\u0eb2\u0ec8 \u0ea1\u0eb2\u0e94\u0e95\u0eb0\u0e96\u0eb2\u0e99 (Default) \u0ec1\u0ea5\u0eb0 \u0ec4\u0e94\u0ec9\u0e88\u0eb2\u0e81\u0e81\u0eb2\u0e99\u0e81\u0ea7\u0e94\u0e88\u0eb1\u0e9a\u0ea7\u0e94\u0eb1 \u0e96\u0eb8 \u0eab \u0e88\u0ecd\u0eb2\u0e99\u0ea7\u0e99\u0ea5\u0ebb\u0e94 \u0ec0\u0e9e\u0eb7\u0ead\u0ec8 \u0e84\u0ecd\u0eb2\u0e99\u0ea7\u0e99\u0ec2\u0e95\u0ec0\u0ea5\u0e81 \u0ec1\u0ea5\u0eb0 \u0eaa\u0ebb\u0ec8\u0e87\u0e84\u0ec8\u0eb2\u0ec4\u0e9b\u0e84\u0ea7\u0e9a\u0e84\u0ea1\u0ea5\u0eb0\u0e9a\u0e9a\u0ebb \u0ec4\u0e9f\u0ead\u0ecd\u0eb2\u0e99\u0eb2\u0e94 \u0ec1\u0ea5\u0eb0 2. \u0ea5\u0eb0\u0e9a\u0ebb\u0e9a\u0e97\u0e9a\u0ec8\u0eb7\u0eb5 \u0ecd\u0ec1\u0ec8 \u0ea1\u0ec8\u0e99\u0ead\u0eb1\u0e94\u0e95\u0eb0\u0ec2\u0e99\u0ea1\u0e94\u0eb1 (Manual) \u0ec1\u0ea1\u0e99\u0ec8 \u0ec3\u0e8a\u0e84\u0ec9 \u0e99\u0ebb \u0ec0\u0e9b\u0e99\u0eb1 \u0e9c\u0e84\u0ec9 \u0ea7\u0e9a\u0e84\u0ea1\u0ea2\u0ec8 Prototype \u0ec1\u0ea5\u0eb0 \u0eaa\u0eb2\u0ea1\u0eb2\u0e94\u0e84\u0ea7\u0e9a\u0e84\u0ea1\u0ec3\u0e99\u0ec4\u0ea5\u0e8d\u0eb0\u0ec4\u0e81 \u0eab \u0e84\u0ea7\u0e9a\u0e84\u0ea1\u0ea2\u0ec8\u0ec3\u0e99\u0eab\u0ead\u0ec9 \u0e87\u0e84\u0ea7\u0e9a\u0e84\u0ea1 \u0ec2\u0e94\u0e8d\u0e9a\u0ecd\u0ec8 \u0e88\u0ecd\u0eb2\u0ec0\u0e9b\u0e99\u0eb1 \u0e95\u0ec9\u0ead\u0e87\u0ec4\u0e9b\u0eaa\u0eb0\u0e96\u0eb2\u0e99\u0e97\u0eb7\u0eb5\u0e88\u0ec8 \u0e87\u0eb4 \u0ec0\u0e8a\u0e87\u0ec8\u0eb4\u0eb7 \u0e81\u0eb2\u0e99\u0e84\u0ea7\u0e9a\u0e84\u0ea1\u0e97\u0e87\u0eb1 \u0eaa\u0ead\u0e87\u0ec1\u0e9a\u0e9a\u0ec1\u0ea1\u0e99\u0ec8 \u0ec4\u0e94\u0ea1\u0ec9 \u0eb5\u0e81\u0eb2\u0e99\u0eaa\u0ec8\u0e87\u0ebb \u0e84\u0ec8\u0eb2\u0e9c\u0eb2\u0ec8 \u0e99 MQTT Protocol \u0e97\u0eb7\u0eb5\u0ec8\u0e9e\u0eb1\u0e94 \u0e97\u0eb0\u0e99\u0eb2\u0ec0\u0ea7\u0e9a\u0eb1 \u0ec1\u0ead\u0e9a\u0eb1 \u0e94\u0ec9\u0ea7\u0e8d React JS \u0ec0\u0e8a\u0eb7\u0ec8\u0eb4\u0e87\u0ec0\u0e9b\u0eb1\u0e99 Library \u0e82\u0ead\u0e87 JavaScript \u0eaa\u0eb2\u0ecd \u0ea5\u0eb1\u0e9a\u0e81\u0eb2\u0e99\u0eaa\u0ec9\u0eb2\u0e87 UI \u0e97\u0e9a\u0eb7\u0eb5\u0ec8 \u0e81\u0e84\u0ebb\u0e99\u0e97\u0ec8\u0ebb\u0ea7\u0ec4\u0e9b\u0eaa\u0eb2\u0ea1\u0eb2\u0e94 \u0e99\u0ecd\u0eb2\u0ec3\u0e8a\u0ec9\u0ec4\u0e94\u0ec9\u0e87\u0eb2\u0ec8 \u0e8d, \u0eaa\u0eb0\u0e94\u0ea7\u0e81\u0eaa\u0eb0\u0e9a\u0eb2\u0e8d \u0ec1\u0ea5\u0eb0 \u0e9e\u0e94\u0eb1 \u0e97\u0eb0\u0e99\u0eb2 Backend \u0ec0\u0e9b\u0eb1\u0e99 Node JS \u0ec0\u0e8a\u0eb4\u0eb7\u0e87\u0ec8 \u0ec0\u0e9b\u0e99\u0eb1 Runtime \u0e82\u0ead\u0e87 JavaScript \u0ec2\u0e94\u0e8d\u0ec4\u0e94\u0ec9\u0e9e\u0e94\u0eb1 \u0e97\u0eb0\u0e99\u0eb2\u0ec0\u0e9b\u0eb1\u0e99 API \u0ec0\u0e9e\u0eb7\u0ec8\u0ead\u0ec0\u0e9b\u0e99\u0eb1 \u0e82\u0ebb\u0ea7\u0e81\u0eb2\u0e99\u0ec0\u0e8a\u0eb7\u0ead\u0ec8 \u0ea1\u0e95\u0ea5\u0ec8\u0ecd \u0eb0\u0eab\u0ea7\u0ec8\u0eb2\u0e87 UI \u0ec1\u0ea5\u0eb0 \u0ec2\u0ea1\u0ec0\u0e94\u0ea7\u0e97\u0eb5\u0ec8\u0eb7\u0ec0\u0eae\u0ebb\u0eb2\u0ec4\u0e94\u0ec0\u0ec9 \u0eae\u0e94\u0eb1 \u0e81\u0eb2\u0e99\u0eae\u0ebd\u0e99\u0eae\u0ec9\u0ea1\u0eb2. 55","5.2 \u0e82\u0e88\u0ec9\u0ecd \u0eb2\u0ecd \u0e81\u0e94\u0eb1 \u0ec3\u0e99\u0e81\u0eb2\u0e99\u0eaa\u0e81\u0eb6 \u0eaa\u0eb2 \u25aa \u0e8d\u0eb1\u0e87\u0e9a\u0ec8\u0eaa\u0ecd \u0eb2\u0ea1\u0eb2\u0e94\u0e99\u0eb2\u0ecd \u0ec0\u0ead\u0eb2\u0ebb \u0e82\u0ecd\u0ea1\u0ec9 \u0e99\u0e88\u0eb2\u0e81\u0e81\u0eb2\u0e99\u0ec0\u0eae\u0e94\u0eb1 Detection \u0ea1\u0eb2\u0e99\u0e9a\u0eb1 \u0e88\u0eb2\u0ecd \u0e99\u0ea7\u0e99\u0ec2\u0e95\u0ec0\u0ea5\u0e81 \u0ec0\u0e9e\u0ec8\u0eb7\u0ead\u0e81\u0eb2\u0e99\u0e81\u0ecd\u0eb2\u0e99\u0e94\u0ebb \u0ea5\u0eb0\u0e9a\u0e9a\u0ebb \u0e84\u0ea7\u0e9a \u0e84\u0ea1\u0ec4\u0e9f\u0e88\u0eb0\u0ea5\u0eb0\u0e88\u0ead\u0e99\u0ec4\u0e94\u0ec9\u0ec0\u0e97\u0ec8\u0eb7\u0ead \u0ec0\u0e99\u0ec8\u0eb7\u0ead\u0e87\u0e88\u0eb2\u0e81\u0ea1\u0e82\u0eb5 \u0ecd\u0e88\u0ec9 \u0eb2\u0ecd \u0e81\u0eb1\u0e94\u0e94\u0eb2\u0ec9 \u0e99\u0ead\u0e9b\u0eb0\u0e81\u0ead\u0e99\u0e81\u0ead\u0ec9 \u0e87\u0e84\u0ea7\u0eb2\u0ea1\u0ea5\u0eb0\u0ead\u0ebd\u0e94\u0eaa\u0e87 \u0ec1\u0ea5\u0eb0 \u0eaa\u0eb0\u0e96\u0eb2\u0e99\u0e97\u0eb7\u0eb5\u0ec8\u0e95\u0eb4\u0e94\u0e95\u0eb1\u0ebb\u0e87\u0ec9 \u0e81\u0ec9\u0ead\u0e87\u0ea2\u0ec8 \u0ec0\u0e82\u0e94\u0ec4\u0e9f\u0ead\u0eb2\u0ecd \u0e99\u0eb2\u0e94\u0e8d\u0e87\u0eb1 \u0e9a\u0ec8\u0eaa\u0ecd \u0eb2\u0ea1\u0eb2\u0e94\u0ec0\u0e9a\u0e87\u0ec8\u0eb7\u0eb4 \u0ec0\u0eab\u0eb1\u0e99\u0ea5\u0e94\u0ebb \u0e82\u0ead\u0e87\u0ec1\u0e95\u0ea5\u0ec8 \u0eb0\u0ec0\u0ea5\u0e99\u0ec4\u0e94\u0ec0\u0ec9 \u0e97\u0eb7\u0ead\u0ec8 . \u25aa \u0ea5\u0eb0\u0e94\u0eb1\u0e9a\u0e84\u0ea7\u0eb2\u0ea1\u0eae\u0ec9\u0e82\u0ead\u0e87\u0e82\u0eb2\u0ec9 \u0e9e\u0eb0\u0ec0\u0e88\u0ec9\u0ebb\u0eb2\u0e8d\u0e87\u0eb1 \u0e9a\u0ecd\u0ec8\u0eab\u0eb2\u0e81\u0eab\u0eb2\u0e8d\u0ec3\u0e99\u0e94\u0ec9\u0eb2\u0e99 IoT. \u25aa \u0e82\u0eb2\u0e94 Server \u0ec3\u0e99\u0e81\u0eb2\u0e99\u0eae\u0eb1\u0e9a\u0eaa\u0ebb\u0ec8\u0e87\u0e82\u0ecd\u0ea1\u0ec9 \u0e99\u0ec1\u0e9a\u0e9a Private \u0ec0\u0e99\u0eb7\u0ead\u0ec8 \u0e87\u0e88\u0eb2\u0e81\u0ea1\u0eb5\u0e95\u0ebb\u0e99\u0ec9 \u0e97\u0e99\u0eb6 \u0eaa\u0e87. \u25aa \u0ea5\u0eb0\u0e9a\u0e9a\u0ebb \u0ec2\u0e84\u0e87\u0eaa\u0ec9\u0eb2\u0e87\u0e9e\u0ebb\u0ec9\u0e99\u0e96\u0eb2\u0e99 (Infrastructure) \u0e82\u0ead\u0e87\u0e9a\u0eb2\u0ec9 \u0e99\u0ec0\u0eae\u0eb2\u0ebb \u0ec1\u0ea1\u0e99\u0ec8 \u0e8d\u0e87\u0eb1 \u0e9a\u0e97\u0ecd\u0ec8 \u0e99\u0eb1 \u0e9e\u0ead\u0ec9 \u0ea1\u0eaa\u0ecd\u0eb2\u0ea5\u0e9a\u0eb1 \u0e81\u0eb2\u0e99\u0e99\u0ecd\u0eb2\u0ec3\u0e8a\u0ec9 Smart Traffic Control \u0ec0\u0e99\u0eb7\u0ec8\u0ead\u0e87\u0e88\u0eb2\u0e81\u0e8d\u0e87\u0eb1 \u0e82\u0eb2\u0e94\u0ec2\u0e95\u0e81\u0ead\u0ec9 \u0e87\u0e97\u0ec8\u0eb5\u0ec3\u0eb7 \u0e8a\u0ec9\u0ec3\u0e99\u0e81\u0eb2\u0e99\u0e81\u0ea7\u0e94\u0e88\u0eb1\u0e9a\u0ea7\u0e94\u0eb1 \u0e96\u0e8d\u0eb8 \u0eb1\u0e87\u0ea1\u0eb5\u0ea5\u0eb2\u0e84\u0eb2\u0ec1\u0e9e\u0e87. \u25aa \u0ea5\u0eb0\u0e9a\u0ebb\u0e9a Wi-Fi \u0e8d\u0eb1\u0e87\u0e9a\u0ecd\u0ec8\u0e84\u0ea7\u0e9a\u0e84\u0ea1\u0eab\u0eb2\u0e8d\u0e9e\u0e99\u0ec9\u0ebb \u0e97.\u0eb7\u0ec8\u0eb5 \u25aa \u0e8a\u0eb8\u0e94\u0e82\u0ec9\u0ecd\u0ea1\u0e99\u0ea7\u0e94\u0eb4 \u0ec2\u0eb5 \u0ead\u0e82\u0ead\u0e87\u0e81\u0eb2\u0e99\u0eaa\u0eb1\u0e99\u0e88\u0ead\u0e99\u0ea2\u0ec0\u0ec8 \u0e97\u0e87\u0eb4 \u0e97\u0ec9\u0ead\u0e87\u0e96\u0eb0\u0e99\u0e99\u0ebb \u0e8d\u0eb1\u0e87\u0e9a\u0ec0\u0ec8\u0ecd \u0e9b\u0e94\u0eb5 \u0ec0\u0e9b\u0e99\u0eb1 \u0eaa\u0eb2\u0e97\u0eb2\u0ea5\u0eb0\u0e99\u0eb0. 5.3 \u0e82\u0ec1\u0ec9\u0ecd \u0e99\u0eb0\u0e99\u0eb2\u0ecd \u0ec3\u0e99\u0e81\u0eb2\u0e99\u0eaa\u0e81\u0eb6 \u0eaa\u0eb2 \u0eaa\u0eb2\u0ecd \u0ea5\u0e9a\u0eb1 \u0e81\u0eb2\u0e99\u0e84\u0ec9\u0e99\u0ebb \u0e84\u0ea7\u0eb2\u0ec9 \u0ec3\u0e99\u0e84\u0eb1\u0e87\u0ec9\u0ebb \u0e99\u0e82\u0ebb\u0ec9\u0eb5 \u0eb2\u0ec9 \u0e9e\u0eb0\u0ec0\u0e88\u0ebb\u0eb2\u0ec9 \u0ec4\u0e94\u0e99\u0ec9 \u0eb2\u0ecd \u0ec3\u0e8a\u0ec9\u0e8a\u0e94\u0eb8 \u0e82\u0ecd\u0ea1\u0ec9 \u0e99 \u0ec1\u0ea1\u0e99\u0ec8 \u0e8d\u0e87\u0eb1 \u0ea1\u0e8a\u0eb5 \u0eb8\u0e94\u0e82\u0ecd\u0ea1\u0ec9 \u0e99\u0e9a\u0eb2\u0e87\u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0e97\u0e9a\u0eb7\u0ec8\u0eb5 \u0eaa\u0ec8\u0ecd \u0eb2 \u0ea1\u0eb2\u0e94\u0ec1\u0e8d\u0e81 \u0ec4\u0e94\u0ec0\u0ec9 \u0e8a\u0ec8\u0ebb\u0eb1\u0e99: \u0e81\u0eb2\u0e99\u0e99\u0e9a\u0eb1 \u0e88\u0ecd\u0eb2\u0e99\u0ea7\u0e99\u0ea5\u0ebb\u0e94, \u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0ea5\u0ebb\u0e94, \u0ea2\u0eb5\u0ec8\u0eab\u0ecd\u0ec9\u0ea5\u0e94\u0ebb \u0ea5\u0ea7\u0ea1\u0e97\u0eb1\u0e87\u0ec1\u0e8d\u0e81\u0e84\u0e99\u0ebb \u0e81\u0e9a\u0eb1 \u0ea5\u0e94\u0ebb \u0ead\u0ead\u0e81\u0e88\u0eb2\u0e81\u0e81\u0eb1\u0e99\u0e8d\u0eb1\u0e87\u0e9a\u0ecd\u0ec8\u0ec4\u0e94\u0ec9. \u0e94\u0eb1\u0ec8\u0e87\u0ebb \u0e99\u0e99\u0ebb\u0ec9\u0eb1 , \u0e88\u0eb6\u0eb7\u0ec8\u0e87 \u0ea2\u0eb2\u0e81\u0ec1\u0e99\u0eb0\u0e99\u0eb2\u0ecd \u0ec3\u0eab\u0e9c\u0ec9 \u0ec9\u0e97\u0ec8\u0eb7\u0eaa\u0eb5 \u0e99\u0ebb \u0ec3\u0e88\u0eaa\u0e9a\u0e95\u0ecd\u0ec8 \u0eab \u0e9e\u0e94\u0eb1 \u0e97\u0eb0\u0e99\u0eb2\u0e95\u0ec1\u0ecd\u0ec8 \u0ea1\u0ec8\u0e99\u0ec3\u0eab\u0ec0\u0ec9 \u0e9e\u0eb7\u0ec8\u0eb5\u0ea1\u0e88\u0ecd\u0eb2\u0e99\u0ea7\u0e99 Dataset \u0ec1\u0ea5\u0eb0 \u0e88\u0eb2\u0ecd \u0e99\u0ea7\u0e99\u0eae\u0e9a\u0e9e\u0eb2\u0e9a\u0ec3\u0eab\u0ec9\u0eab\u0eb2\u0e8d\u0e82\u0e99\u0ec9\u0ebb\u0eb6 \u0ec0\u0e9e\u0eb7\u0ec8\u0ead\u0ec3\u0eab\u0ec9\u0e84\u0ec8\u0eb2\u0e84\u0ea7\u0eb2\u0ea1\u0e96\u0e81\u0e95\u0ead\u0ec9 \u0e87\u0eaa\u0e87\u0e82\u0e99\u0ec9\u0ebb\u0eb6 \u0ec4\u0e94\u0e99\u0ec9 \u0ecd\u0eb2 \u0e99\u0ead\u0e81\u0e88\u0eb2\u0e81\u0e99\u0eb5\u0ec9\u0ebb \u0e8d\u0e87\u0eb1 \u0e99\u0ecd\u0eb2\u0ec3\u0e8a\u0ec9 MQTT Protocol \u0e97\u0ec0\u0eb7\u0eb5\u0ec8 \u0e9b\u0e99\u0eb1 Public \u0e82\u0ead\u0e87\u0e95\u0ec8\u0eb2\u0e87\u0e9b\u0eb0\u0ec0\u0e97\u0e94 \u0ec1\u0ea5\u0eb0 \u0e8d\u0e87\u0eb1 \u0e9a\u0ecd\u0ec8\u0ec4\u0e94\u0ec9\u0ea1\u0e81\u0eb5 \u0eb2\u0e99\u0eaa\u0ea1\u0ebb \u0e97\u0ebd\u0e9a\u0e81\u0e9a\u0eb1 \u0ec0\u0e95\u0e81\u0eb1 \u0e99\u0eb4\u0e81\u0ea7\u0eb4\u0e97\u0e81\u0eb5 \u0eb2\u0e99\u0ead\u0eb7\u0e99\u0ec8 \u0eab Algorithm \u0ead\u0ec8\u0eb7\u0e99\u0ec0\u0e8a\u0ebb\u0eb1\u0ec8\u0e99: SSD, RetinaNet \u0ec1\u0ea5\u0eb0 \u0ead\u0ec8\u0eb7\u0e99\u0ec6\u0e97\u0eb5\u0ec8\u0eb7 \u0ead\u0eb2\u0e94\u0ec0\u0e81\u0e94\u0eb5 \u0e82\u0ec9\u0eb6\u0ebb\u0e99\u0ec3\u0e99\u0ead\u0eb0\u0e99\u0eb2\u0e84\u0e94\u0ebb . \u0eaa\u0e94\u0e97\u0ec9\u0eb2\u0e8d\u0e99,\u0ec9\u0eb5\u0ebb \u0e82\u0ecd\u0ec1\u0e99\u0eb0\u0e99\u0eb2\u0ecd \u0ec3\u0eab\u0ec9\u0e9c\u0e97\u0ec9 \u0eb5\u0eb7\u0eaa\u0ec8 \u0ebb\u0e99\u0ec3\u0e88\u0ec0\u0e9e\u0eb5\u0eb7\u0ec8\u0ea1\u0e84\u0ea7\u0eb2\u0ea1\u0eaa\u0eb2\u0ea1\u0eb2\u0e94\u0e82\u0ead\u0e87\u0ec2\u0ea1\u0ec0\u0e94\u0ea7\u0ec3\u0eab\u0e81\u0ec9 \u0ea7\u0e94\u0e88\u0eb1\u0e9a\u0e84\u0ea7\u0eb2\u0ea1 \u0ec4\u0ea7\u0ea5\u0e94\u0ebb , \u0e9b\u0eb0\u0ec0\u0e9e\u0e94\u0ea5\u0e94\u0ebb \u0ec1\u0ea5\u0eb0 \u0eaa\u0e82\u0eb5 \u0ead\u0e87\u0ea5\u0e94\u0ebb \u0ec0\u0e9e\u0ead\u0eb7\u0ec8 \u0e99\u0eb2\u0ecd \u0ec4\u0e9b\u0ec3\u0e8a\u0e9b\u0ec9 \u0eb0\u0ec2\u0eab\u0e8d\u0e94\u0ec3\u0eab\u0ec1\u0ec9 \u0e81\u0eaa\u0ec8 \u0e87\u0eb1 \u0e84\u0ea1\u0ebb \u0ec3\u0e99\u0e9e\u0eb2\u0e8d\u0e9e\u0eb2\u0e81\u0edc\u0eb2\u0ec9 . 56","\u0ec0\u0ead\u0e81\u0eb0\u0eaa\u0eb2\u0e99\u0ead\u0eb2\u0ec9 \u0e87\u0ead\u0e87\u0eb5 \u0ea2\u0eb2\u0e97\u0ec8\u0ecd\u0e95\u0e97\u0eb2\u0ec8 \u0e99 \u0e99\u0eb2\u0e87 \u0e9b\u0eb2\u0e99\u0eb5. (2012). \u0019_Land_Traffic_\u0014\u001a_\u0014_\u0015\u0013\u0014pd\u0016f. \u0011 http:\/\/www.laogov.gov.la\/LegalDoc\/Pages\/Document.aspx?ItemID=132 Bengio, Y., Courville, A., & Vincent, P. (2013). Representation learning: A review and new perspectives. IEEE Transactions on Pattern Analysis and Machine Intelligence, 35(8). https:\/\/doi.org\/10.1109\/TPAMI.2013.50 Bochkovskiy, A., Wang, C. Y., & Liao, H. Y. M. (2020). YOLOv4: Optimal Speed and Accuracy of Object Detection. ArXiv. Builenko, V., Pakhomova, A., & Pakhomov, S. (2018). Optimization of the method for collecting source data to calculate the length of the traffic light control cycle. Transportation Research Procedia, 36, 90\u201394. https:\/\/doi.org\/10.1016\/j.trpro.2018.12.048 Cao, C., Wang, B., Zhang, W., Zeng, X., Yan, X., Feng, Z., Liu, Y., & Wu, Z. (2019). An Improved Faster R-CNN for Small Object Detection. IEEE Access, 7(August), 106838\u2013 106846. https:\/\/doi.org\/10.1109\/ACCESS.2019.2932731 Cheng, D., Messer, C. J., & Tian, Z. Z. (2003). Modification of Webster\u2019s Minimum Delay Cycle Length Equation Based on HCM 2000. TRB 2003 Annual Meeting, November 2014, 26. http:\/\/citeseerx.ist.psu.edu\/viewdoc\/download?doi=10.1.1.520.8324&rep=rep1&type=pd f Fayyad, U., Piatetsky-shapiro, G., & Smyth, P. (1996). From Data Mining to Knowledge Discovery in. 37\u201354. Huang, T. S. (1997). Computer Vision: Evolution and Promise. Report. Kayser, K., G\u00f6rtler, J., Bogovac, M., Bogovac, A., Goldmann, T., Vollmer, E., & Kayser, G. (2009). AI (artificial intelligence) in histopathology - From image analysis to automated diagnosis. Folia Histochemica et Cytobiologica, 47(3), 355\u2013361. https:\/\/doi.org\/10.2478\/v10042-009-0087-y Kibble, R. (2013). Introduction to natural language processing Undergraduate study in Computing and related programmes. Roeper Review, 1(2). Knight, J. peake. (1887). John peake knight. Minutes of the Proceedings of the Institution of Civil Engineers, 87(1887), 456\u2013458. https:\/\/doi.org\/10.1680\/imotp.1887.21323 Lin, T. Y., Maire, M., Belongie, S., Hays, J., Perona, P., Ramanan, D., Doll\u00e1r, P., & Zitnick, C. L. (2014). Microsoft COCO: Common objects in context. Lecture Notes in Computer Science (Including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 8693 LNCS(PART 5). https:\/\/doi.org\/10.1007\/978-3-319-10602-1_48 Mattern, F., & Floerkemeier, C. (2010). From the internet of computers to the internet of things. Lecture Notes in Computer Science (Including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 6462 LNCS, 242\u2013259. https:\/\/doi.org\/10.1007\/978-3-642-17226-7_15 Michie, D. (1968). \u201cMemo\u201d Functions and Machine Learning. Nature, 218(5136), 1\u20138. https:\/\/doi.org\/10.1038\/218019a0 57","Nguyen, G., Dlugolinsky, S., Bob\u00e1k, M., Tran, V., L\u00f3pez Garc\u00eda, \u00c1., Heredia, I., Mal\u00edk, P., & Hluch\u00fd, L. (2019). Machine Learning and Deep Learning frameworks and libraries for large-scale data mining: a survey. Artificial Intelligence Review, 52(1). https:\/\/doi.org\/10.1007\/s10462-018-09679-z O\u2019Shea, K., & Nash, R. (2015). An Introduction to Convolutional Neural Networks. http:\/\/arxiv.org\/abs\/1511.08458 Pi, R. (2020). DESIGN AND IMPLEMENTATION OF REAL TIME TRAFFIC LIGHT SYSTEM USING RASPBERRY PI. Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You only look once: Unified, real-time object detection. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2016-Decem. https:\/\/doi.org\/10.1109\/CVPR.2016.91 Redmon, J., & Farhadi, A. (2017). YOLO9000: Better, faster, stronger. Proceedings - 30th IEEE Conference on Computer Vision and Pattern Recognition, CVPR 2017, 2017- Janua, 6517\u20136525. https:\/\/doi.org\/10.1109\/CVPR.2017.690 Redmon, J., & Farhadi, A. (2018). YOLOv3. Tech Report. https:\/\/pjreddie.com\/media\/files\/papers\/YOLOv3.pdf Ren, S., He, K., Girshick, R., & Sun, J. (2017). Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks. IEEE Transactions on Pattern Analysis and Machine Intelligence, 39(6), 1137\u20131149. https:\/\/doi.org\/10.1109\/TPAMI.2016.2577031 Schmidhuber, J. (2015). Deep Learning in neural networks: An overview. Neural Networks, 61. https:\/\/doi.org\/10.1016\/j.neunet.2014.09.003 Sherstinsky, A. (2020). Fundamentals of Recurrent Neural Network (RNN) and Long Short- Term Memory (LSTM) network. Physica D: Nonlinear Phenomena, 404(March). https:\/\/doi.org\/10.1016\/j.physd.2019.132306 Warren, E. (2005). Legal, Ethical, and Professional Issues in Information Security. http:\/\/www.jo-mo.com\/fadoohelp\/data\/DotNet\/Ethical securty.pdf Zhu, X., Lyu, S., Wang, X., & Zhao, Q. (2021). TPH-YOLOv5: Improved YOLOv5 Based on Transformer Prediction Head for Object Detection on Drone-captured Scenarios. Proceedings of the IEEE International Conference on Computer Vision, 2021-Octob, 2778\u20132788. https:\/\/doi.org\/10.1109\/ICCVW54120.2021.00312 58","\u0ec0\u0ead\u0e81\u0eb0\u0eaa\u0eb2\u0e99\u0e8a\u0ead\u0ec9 \u0e99\u0e97\u0eb2\u0ec9 \u0e8d 1. \u0e88\u0e94\u0eb1 \u0e81\u0eb2\u0e99\u0e81\u0e9a\u0eb1 \u0e82\u0ea1\u0ecd\u0ec9 \u0e99 Dataset 1.1 \u0eaa\u0eb2\u0ec9 \u0e87\u0e9a\u0e99\u0eb1 \u0e8a\u0e82\u0eb5 \u0ead\u0e87\u0ec0\u0ea7\u0e9a\u0eb1 \u0ec4\u0e8a\u0e97\u0ecc Roboflow \u25aa \u0ec0\u0e82\u0ebb\u0ec9\u0eb2\u0eaa\u0ea5\u0ec8 \u0eb0\u0e9a\u0e9a\u0ebb \u0e94\u0ec9\u0ea7\u0e8d\u0e9a\u0eb1\u0e99\u0e8a\u0e82\u0eb5 \u0ead\u0e87 Google (Gmail) \u0e97\u0eb5\u0ec8\u0eb7\u0eaa\u0eb0\u0ec1\u0e94\u0e87\u0ec3\u0e99\u0eae\u0e9a\u0e97\u0eb5 1. 1 \u25aa \u0e9b\u0ec9\u0ead\u0e99\u0e82\u0ecd\u0ec9\u0ea1\u0e99\u0e9a\u0e99\u0eb1 \u0e8a\u0eb5 \u0ec1\u0ea5\u0eb0 \u0ea5\u0eb0\u0eab\u0eb1\u0e94\u0e9c\u0eb2\u0ec8 \u0e99 \u0eae\u0e9a\u0e97\u0eb5 1. 1 \u0eaa\u0eb2\u0ec9 \u0e87\u0e9a\u0e99\u0eb1 \u0e8a\u0eb5\u0ec3\u0edd\u0ec8 (\u0eae\u0e9a\u0e9e\u0eb2\u0e9a\u0e88\u0eb2\u0e81 https:\/\/app.roboflow.com\/) \u25aa \u0eaa\u0ec9\u0eb2\u0e87 Project \u0ec3\u0edd\u0ec0\u0ec8 \u0e9e\u0eb7\u0ead\u0ec8 \u0ec0\u0e81\u0eb1\u0e9a\u0e81\u0ecd\u0eb2\u0e82\u0ea1\u0ec9\u0ecd \u0e99 \u0ec1\u0ea5\u0eb0 \u0eae\u0ea7\u0e9a\u0eae\u0ea7\u0ea1\u0eae\u0e9a\u0e9e\u0eb2\u0e9a\u0e82\u0ead\u0e87\u0ec0\u0eae\u0ebb\u0eb2 \u0e94\u0ec9\u0ea7\u0e8d\u0e81\u0eb2\u0e99\u0e81\u0e94\u0ebb \u0e97\u0eb7\u0ec8\u0e9b\u0eb5 \u0ec8\u0ea1 Create New Project \u0e97\u0ec8\u0eaa\u0eb7\u0eb5 \u0eb0\u0ec1\u0e94\u0e87\u0ec3\u0e99\u0eae\u0e9a\u0e97\u0eb5 1. 2 \u0e94\u0ebb\u0e87\u0ec8\u0eb1 \u0ea5\u0ec8\u0ea1\u0e99\u0ebb\u0eb5.\u0ec9 \u0eae\u0e9a\u0e97\u0eb5 1. 2 \u0eaa\u0ec9\u0eb2\u0e87 Project \u0ec3\u0edd\u0ec3\u0ec8 \u0e99 Roboflow 59","\u25aa \u0e95\u0eb1\u0e87\u0ec9\u0ebb \u0e8a\u0e82\u0eb7\u0ec8 \u0ead\u0e87 Project, \u0ec0\u0ea5\u0ead\u0e81\u0ea5\u0eb2\u0e8d\u0ec0\u0e8a\u0eb1\u0e99 \u0ec1\u0ea5\u0eb0 \u0e95\u0e87\u0ec9\u0ebb\u0eb1 \u0e8a\u0eb7\u0e82\u0ec8 \u0ead\u0e87\u0e84\u0ea5\u0eb2\u0e94\u0ec3\u0e99\u0eae\u0e9a\u0e97\u0eb5 1. 3 \u0ec1\u0ea1\u0e99\u0ec8 \u0ec4\u0e94\u0e95\u0ec9 \u0ebb\u0e87\u0ec8\u0eb1 \u0e8a\u0ec8\u0ea7\u0eb7 \u0eb2\u0ec8 Local- CarCar-In-Laos, \u0ec0\u0ea5\u0ead\u0e81\u0ea5\u0eb2\u0e8d\u0ec0\u0e8a\u0e99\u0eb1 \u0ec0\u0e9b\u0eb1\u0e99 Public Domain \u0ec1\u0ea5\u0eb0 Project Type \u0ec0\u0e9b\u0eb1\u0e99\u0eae\u0e9a\u0ec1\u0e9a\u0e9a Object Detection (Bounding Box). \u0eae\u0e9a\u0e97\u0eb5 1. 3 \u0e82\u0e99\u0ec9\u0ebb\u0eb1 \u0e95\u0ead\u0e99\u0e81\u0eb2\u0e99\u0eaa\u0ec9\u0eb2\u0e87 Project \u0ec3\u0edd\u0ec8 \u25aa \u0ead\u0eb1\u0e9a\u0ec2\u0eab\u0e94\u0eae\u0e9a\u0e9e\u0eb2\u0e9a, \u0eaa\u0eb2\u0ec9 \u0e87 Labelling \u0ec1\u0ea5\u0eb0 \u0ec0\u0eae\u0e94\u0eb1 Annotate \u0ec3\u0e99\u0ec1\u0e95\u0ec8\u0ea5\u0eb0\u0eae\u0e9a\u0e9e\u0eb2\u0e9a\u0e82\u0ead\u0e87\u0ec0\u0eae\u0eb2\u0ebb \u0ec0\u0e9e\u0ead\u0eb7\u0ec8 \u0ec1\u0e8d\u0e81\u0ea7\u0eb2\u0ec8 \u0ec1\u0e95\u0ea5\u0ec8 \u0eb0\u0eae\u0e9a\u0ec1\u0ea1\u0e99\u0ec8 \u0ea1\u0ea7\u0eb5 \u0e94\u0eb1 \u0e96\u0ec3\u0eb8 \u0e94\u0ea2\u0ec3\u0ec8 \u0e99\u0e99\u0eb1\u0ebb\u0e99\u0ec9 \u0eab \u0ec1\u0ea1\u0ec8\u0e99\u0e84\u0ea3\u0eb2\u0e94\u0ec3\u0e94 \u0ec0\u0e8a\u0eb7\u0eb4\u0ec8\u0e87\u0eaa\u0eb0\u0ec1\u0e94\u0e87\u0ec3\u0e99\u0eae\u0e9a\u0e97\u0eb5 1. 4 \u0e81\u0eb2\u0e99\u0ead\u0eb1\u0e9a\u0ec2\u0eab\u0e94\u0eae\u0e9a \u0e9e\u0eb2\u0e9a. \u0eae\u0e9a\u0e97\u0eb5 1. 4 \u0ead\u0eb1\u0e9a\u0ec2\u0eab\u0e94\u0e82\u0ecd\u0ea1\u0ec9 \u0e99\u0eae\u0e9a\u0e9e\u0eb2\u0e9a 60","\u25aa Export \u0e82\u0ea1\u0ec9\u0ecd \u0e99 Dataset \u0e88\u0eb2\u0e81 Roboflow \u0ec0\u0e9e\u0ead\u0ec8\u0eb7 \u0e99\u0ecd\u0eb2\u0ec0\u0e82\u0eb2\u0ec9\u0ebb \u0ea1\u0eb2\u0ec3\u0e8a\u0ec3\u0ec9 \u0e99 Google colab \u25aa Export dataset \u0e88\u0eb2\u0e81 Roboflow \u0ec0\u0e9e\u0eb7\u0ead\u0ec8 \u0e99\u0eb2\u0ecd \u0ec3\u0e8a\u0ec9\u0e81\u0e9a\u0eb1 Algorithm YOLOv5 \u0ec2\u0e94\u0e8d\u0e81\u0eb2\u0e99\u0ec0\u0e82\u0ebb\u0ec9\u0eb2\u0e97\u0eb7\u0eb5\u0ec8 Export < \u0ec0\u0ea5\u0ead\u0e81 Format \u0ec0\u0e9b\u0eb1\u0e99 YOLO v5 PyTorch < \u0ec0\u0ea5\u0ead\u0e81 Show download code < Continue < Done. \u0ec2\u0e94\u0e8d\u0e88\u0eb0\u0ec4\u0e94\u0ec9 Code Python \u0ec0\u0e8a\u0ec8\u0eb4\u0eb7\u0e87\u0e88\u0eb0\u0e9a\u0e87\u0eb1 api_key \u0ec4\u0ea7\u0ec9 \u0e94\u0ebb\u0eb1\u0ec8\u0e87\u0eae\u0e9a\u0e97\u0eb5 1. 5 \u0ea5\u0ea1\u0ec8 \u0e99.\u0ec9\u0ebb\u0eb5 \u0eae\u0e9a\u0e97\u0eb5 1. 5 \u0e99\u0ecd\u0eb2\u0e8a\u0e94\u0eb8 \u0e82\u0ea1\u0ec9\u0ecd \u0e99\u0ead\u0ead\u0e81\u0ea1\u0eb2\u0e99\u0eb2\u0ecd \u0ec3\u0e8a\u0ec9 (YOLOv5) \u25aa Export dataset \u0e88\u0eb2\u0e81 Roboflow \u0ec0\u0e9e\u0ead\u0ec8\u0eb7 \u0e99\u0eb2\u0ecd \u0ec3\u0e8a\u0e81\u0ec9 \u0eb1\u0e9a Algorithm Fast R-CNN \u0ec2\u0e94\u0e8d\u0e81\u0eb2\u0e99\u0ec0\u0e82\u0ec9\u0ebb\u0eb2\u0e97\u0ec8\u0eb5\u0eb7 Export < \u0ec0\u0ea5\u0ead\u0e81 Format \u0ec0\u0e9b\u0eb1\u0e99 COCO JSON < \u0ec0\u0ea5\u0ead\u0e81 Show download code < Continue < Done. \u0ec2\u0e94\u0e8d\u0e88\u0eb0\u0ec4\u0e94\u0ec9 Code Python curl \u0ea1\u0eb2\u0e94\u0e87\u0ec8\u0eb1\u0ebb \u0eae\u0e9a\u0e97\u0eb5 1. 6 \u0ea5\u0ea1\u0ec8 \u0e99\u0ebb\u0eb5\u0ec9. \u0eae\u0e9a\u0e97\u0eb5 1. 6 \u0e99\u0ecd\u0eb2\u0e8a\u0e94\u0eb8 \u0e82\u0ec9\u0ecd\u0ea1\u0e99\u0ead\u0ead\u0e81\u0ea1\u0eb2\u0e99\u0eb2\u0ecd \u0ec3\u0e8a\u0ec9 (Fast R-CNN) 1.2 Coding \u0eaa\u0eb2\u0ecd \u0ea5\u0e9a\u0eb1 \u0e81\u0eb2\u0e99\u0eae\u0ebd\u0e99\u0eae\u0ec2\u0ec9 \u0ea1\u0ec0\u0e94\u0ea7\u0e82\u0ead\u0e87 YOLOv5 \u0eaa\u0ecd\u0eb2\u0ea5\u0eb1\u0e9a Coding \u0ec1\u0ea1\u0ec8\u0e99\u0ec4\u0e94\u0ea1\u0ec9 \u0eb2\u0e88\u0eb2\u0e81 GitHub \u0e82\u0ead\u0e87 ultralytics Step 1 Clone repository ! git clone https:\/\/github.com\/ultralytics\/yolov5 # clone repo dependencies %cd yolov5 %pip install - qr requirements.txt # install %pip install - q roboflow import torch import Image, clear_output # to display images import os from IPython.display print ( f \\\"Setup complete. Using torch {torch.__version__} ( {torch.cuda.ge else 'CPU' } )\\\" t_device_properties( 0).name if torch.cuda.is_available() ) from roboflow import Roboflow rf = Roboflow(model_format= \\\"yolov5\\\" , notebook= \\\"ultralytics\\\" # set up environment os.environ[ \\\"DATASET_DIRECTORY]\\\" = \\\"\/content\/datasets\\\" ! pip install roboflow from roboflow import Roboflow ).project( \\\"local - vehicle - in - rf = Roboflow(api_key= \\\" secret key \\\" ) project = rf.workspace( \\\"boualy - thipphavong\\\" laos\\\" ) 61","dataset = project.version( 1).download( \\\"yolov5\\\" ) Step 2 Train model YOLOv5 ! python train.py -- img 416 -- batch 16 -- epochs 150 -- data {dataset.location}\/data.yaml -- weights yolov5s.pt \u00b1cache Result \u0eaa\u0eb0\u0ec1\u0e94\u0e87\u0ec1\u0e95\u0eae\u0ec8 \u0ead\u0e9a\u0e97\u0eb5 0-10 \u0ec1\u0ea5\u0eb0 140-149 Epoch gpu_mem box obj cls labels img_size 0\/149 1.57G 0.08664 0.02734 0.058 39 416: 100% 67\/67 [00:13<00:00, 4.86it\/s] Class Images Labels P R [email protected] [email protected]:.95: 100% 10\/10 [00:01<00:00, 5.70it\/s] all 302 516 0.229 0.412 0.134 0.0554 Epoch gpu_mem box obj cls labels img_size 1\/149 1.93G 0.06556 0.02254 0.04747 40 416: 100% 67\/67 [00:10<00:00, 6.54it\/s] Class Images Labels P R [email protected] [email protected]:.95: 100% 10\/10 [00:01<00:00, 7.21it\/s] all 302 516 0.199 0.559 0.267 0.0989 Epoch gpu_mem box obj cls lab els img_size 2\/149 1.93G 0.06041 0.02133 0.04159 46 416: 100% 67\/67 [00:10<00:00, 6.69it\/s] Class Images Labels P R [email protected] [email protected]:.95: 100% 10\/10 [00:01<00:00, 7.21it\/s] all 302 516 0.262 0.589 0.356 0.179 Epoch gpu_mem box obj cls labels img_size 3\/149 1.93G 0.05423 0.01988 0.03693 47 416: 100% 67\/67 [00:09<00:00, 6.78it\/s] Class Images Labels P R [email protected] [email protected]:.95: 100% 10\/10 [00:01<00:00, 7.53it\/s] all 302 516 0.299 0.625 0.417 0.264 Epoch gpu_mem box obj cls labels img_size 4\/149 1.93G 0.04835 0.01941 0.03497 41 416: 100% 67\/67 [00:09<00:00, 6.76it\/s] Class Images Labels P R [email protected] [email protected]:.95: 100% 10\/10 [00:01<00:00, 7.12it \/s] all 302 516 0.359 0.681 0.487 0.302 Epoch gpu_mem box obj cls labels img_size 5\/149 1.93G 0.04507 0.01946 0.03273 38 416: 100% 67\/67 [00:10<00:00, 6.70it\/s] Class Images Labels P R [email protected] [email protected]:.95: 100% 10\/10 [00:01<00:00, 7.33it\/s] all 302 516 0.4 0.677 0.548 0.356 Epoch gpu_mem box obj cls labels img_size 62","6\/149 1.93G 0.04323 0.01897 0.03207 54 416: 100% 67\/67 [00:09<00:00, 6.73it\/s] Class Images Labels P R [email protected] [email protected]:.95: 100% 10\/10 [00:01<00:00, 7.57it\/s] all 302 516 0.511 0.595 0.549 0.359 Epoch gpu_mem box obj cls lab els img_size 7\/149 1.93G 0.04158 0.01869 0.03095 45 416: 100% 67\/67 [00:09<00:00, 6.76it\/s] Class Images Labels P R [email protected] [email protected]:.95: 100% 10\/10 [00:01<00:00, 7.29it\/s] all 302 516 0.569 0.624 0.593 0.391 Epoch gpu_mem box obj cls labels img_size 8\/149 1.93G 0.04081 0.01856 0.02899 54 416: 100% 67\/67 [00:09<00:00, 6.72it\/s] Class Images Labels P R [email protected] [email protected]:.95: 100% 10\/10 [00:01<00:00, 7.51it\/s] all 302 516 0.604 0.639 0.628 0.409 Epoch gpu_mem box obj cls labels img_size 9\/149 1.93G 0.03899 0.01809 0.02878 54 416: 100% 67\/67 [00:10<00:00, 6.69it\/s] Class Images Labels P R [email protected] [email protected]:.95: 100% 10\/10 [00:01<00:00, 7.58it\/s] all 302 516 0.466 0.606 0.542 0.347 Epoch gpu_mem box obj cls labels img_size 10\/149 1.93G 0.039 0.01777 0.028 64 416: \u00ab\u00ab\u00ab \u00ab\u00ab\u00ab 100% 67\/67 [00:09<00:00, 6.79it\/s] \u00ab\u00ab\u00ab Class Images Labels P R [email protected] [email protected]:.95: 100% 10\/10 [00:01<00:00, 7.60it\/s] all 302 516 0.562 0.729 0.668 0.456 \u00ab\u00ab\u00ab\u00ab\u00ab\u00ab\u00ab\u00ab \u00ab \u00ab \u00ab\u00ab\u00ab\u00ab\u00ab\u00ab\u00ab\u00ab \u00ab \u00ab\u00ab\u00ab\u00ab\u00ab\u00ab\u00ab\u00ab Epoch gpu_mem box obj cls labels img_size s img_size 140\/149 1.93G 0.02032 0.0113 0.004056 47 416: 100% 67\/67 [00:09<00:00, 6.80it\/s] Class Images Labels P R [email protected] [email protected]:.95: 100% 10\/10 [00:01<00:00, 7.77it\/s] all 302 516 0.905 0.762 0.846 0.674 Epoch gpu_mem box obj cls labels img_size 141\/149 1.93G 0.01954 0.01143 0.004552 49 416: 100% 67\/67 [00:09<00:00, 6.77it\/s] Class Images Labels P R [email protected] [email protected]:.95: 100% 10\/10 [00:01<00:00, 7.58it\/s] all 302 516 0.883 0.782 0.848 0.676 Epoch gpu_mem box obj cls label 63","142\/149 1.93G 0.01962 0.01153 0.003958 48 416: 100% 67\/67 [00:09<00:00, 6.78it\/s] Class Images Labels P R [email protected] [email protected]:.95: 100% 10\/10 [00:01<00:00, 7.76it\/s] all 302 516 0.911 0.765 0.849 0.673 Epoch gpu_mem box obj cls labels img_size 143\/149 1.93G 0.0194 0.01158 0.00398 48 416: 100% 67\/67 [00:09<00:00, 6.84it\/s] Class Images Labels P R [email protected] [email protected]:.95: 100% 10\/10 [00:01<00:00, 7.73it\/s] all 302 516 0.891 0.782 0.85 0.675 Epoch gpu_mem box obj cls labels img_size 144\/149 1.93G 0.02009 0.01126 0.004545 39 416: 100% 67\/67 [00:09<00:00, 6.84it\/s] Class Images Labels P R [email protected] [email protected]:.95: 100% 10\/10 [00:01<00:00, 7.71it\/s] all 302 516 0.889 0.792 0.849 0.676 Epoch gpu_mem box obj cls labels img_size 145\/149 1.93G 0.01934 0.01182 0.003775 42 416: 100% 67\/67 [00:09<00:00, 6.90it\/s] Class Images Labels P R [email protected] [email protected]:.95: 100% 10\/10 [00:01<00:00, 7.76it\/s ] all 302 516 0.884 0.795 0.851 0.677 Epoch gpu_mem box obj cls labels img_size 146\/149 1.93G 0.01949 0.01131 0.00472 62 416: 100% 67\/67 [00:09<00:00, 6.80it\/s] Class Images Labels P R [email protected] [email protected]:.95: 100% 10\/10 [00:01<00:00, 6.99it\/s] all 302 516 0.893 0.791 0.853 0.677 Epoch gpu_mem box obj cls labels img_size 147\/149 1.93G 0.01918 0.01187 0.004303 48 416: 100% 67\/67 [00:09<00:00, 6.86it\/s] Class Images Labels P R [email protected] [email protected]:.95: 100% 10\/10 [00:01<00:0 0, 7.63it\/s] all 302 516 0.918 0.768 0.853 0.678 Epoch gpu_mem box obj cls labels img_size 148\/149 1.93G 0.01966 0.01164 0.004794 42 416: 100% 67\/67 [ 00:09<00:00, 6.79it\/s] Class Images Labels P R [email protected] [email protected]:.95: 100% 10\/10 [00:01<00:00, 7.70it\/s] all 302 516 0.91 0.773 0.853 0.676 Epoch gpu_mem box obj cls labels img_size 149\/149 1.93G 0.01871 0.01124 0.004028 42 416: 100% 67\/67 [00:09<00:00, 6.81it\/s] Class Images Labels P R [email protected] [email protected]:.95: 100% 10\/10 [00:01<00:00, 7.63it\/s] all 302 516 0.909 0.773 0.851 0.676 150 epochs completed in 0.484 hours. Optimizer stripped from runs\/train\/exp\/weights\/last.pt, 14.4MB 64","Optimizer stripped from runs\/train\/exp\/wei ghts\/best.pt, 14.4MB Validating runs\/train\/exp\/weights\/best.pt... Fusing layers... Model summary: 213 layers, 7031701 parameters, 0 gradients, 15.9 GFLOPs Class Images Labels P R [email protected] [email protected]:.95: 100% 10\/10 [00:03<00:00, 3.27it\/s] all 302 516 0.896 0.777 0.849 0.68 Bus 302 45 0.976 0.919 0.95 0.804 Car 302 100 0.87 0.601 0.768 0.596 Jumbo 302 63 0.927 0.937 0.945 0.78 Motorbike 302 94 0.876 0.617 0.741 0.482 Skylab 302 34 0.933 0.82 0.866 0.72 Truck 302 94 0.67 0.67 0.701 0.526 Tuktuk 302 43 0.974 0.863 0.916 0.775 Van 302 43 0.938 0.791 0.908 0.757 Results saved to runs\/train\/exp Step 3 \u0e99\u0eb2\u0ecd \u0ec3\u0e8a\u0ec9 TensorBoard \u0eaa\u0eb0\u0ec1\u0e94\u0e87\u0e81\u0ea3\u0eb2\u0e9a\u0e95\u0eb2\u0ec8 \u0e87\u0ec6 %load_ext tensorboard %tensorboard -- logdir runs \u0eae\u0e9a\u0e97\u0eb5 1. 7 TensorBoard \u0eaa\u0ecd\u0eb2\u0ea5\u0e9a\u0eb1 \u0e81\u0eb2\u0e99\u0eae\u0ebd\u0e99\u0eae\u0ec9\u0e82\u0ead\u0e87\u0ec2\u0ea1\u0ec0\u0e94\u0ea7\u0e94\u0ea7\u0ec9 \u0e8d YOLOv5 65","Step 4 \u0eaa\u0eb0\u0ec1\u0e94\u0e87\u0e9c\u0ebb\u0e99 Test \u0e82\u0ead\u0e87\u0ec2\u0ea1\u0ec0\u0e94\u0ea7 -- img 416 -- ): #a ! python detect.py -- weights runs\/train\/exp\/weights\/best.pt conf 0.1 -- source {dataset.location}\/test\/images import glob import Image, display from IPython.display Step 5 \u0e9a\u0e81\u0eb1 \u0e97\u0e81\u0eb6 \u0e81\u0eb2\u0e99\u0eae\u0ebd\u0e99\u0eae\u0e82\u0ec9 \u0ead\u0e87\u0ec2\u0ea1\u0ec0\u0e94\u0ea7\u0ec4\u0ea7\u0ec0\u0ec9 \u0e9e\u0ead\u0eb7\u0ec8 \u0e99\u0eb2\u0ecd \u0ec4\u0e9b\u0ec3\u0e8a\u0e95\u0ec9 \u0ecd\u0ec8 for imageName in glob.glob( '\/content\/yolov5\/runs\/detect\/exp\/*.jpg' ssuming JPG display(Image(filename=imageName)) print ( \\\" \\\\ n\\\" ) #export your model's weights for future use from google.colab import files files.download( '.\/runs\/train\/exp\/weights\/best.pt' ) 1.3 Coding \u0eaa\u0eb2\u0ecd \u0ea5\u0e9a\u0eb1 \u0e81\u0eb2\u0e99\u0eae\u0ebd\u0e99\u0eae\u0ec2\u0ec9 \u0ea1\u0ec0\u0e94\u0ea7\u0e82\u0ead\u0e87 Fast R-CNN # install dependencies: (use cu101 because colab has CUDA 10.1) ! pip install - U torch== 1.5 torchvision== 0.6 - f https:\/\/download.pytorch.org\/whl\/cu101\/torch_stable.html ! pip install cython pyyaml== 5.1 ! pip install - U 'git+https:\/\/github.com\/cocodataset\/cocoapi.git#subdirectory=PythonAP I' import torch, torchvision print (torch.__version__, torch.cuda.is_available()) ! gcc -- version # opencv is pre - installed on colab # install detectron2: ! pip install detectron2== 0.1.3 - f https:\/\/dl.fbaipublicfiles.com\/detectron2\/wheels\/cu101\/torch1 .5 \/index .html # Setup detectron2 logger import detectron2 from detectron2.utils.logger import setup_logger setup_logger() # import some common libraries import numpy as np import cv2 import random from google.colab.patches import cv2_imshow # import some common detectron2 utilities from detectron2 import model_zoo 66","from detectron2.engine import DefaultPredictor from from detectron2.config import get_cfg from from detectron2.utils.visualizer import Visualizer detectron2.data import MetadataCatalog detectron2.data.catalog import DatasetCatalog Dataset \u0e88\u0eb2\u0e81 Roboflow ! curl - L \\\"https:\/\/app.roboflow.com\/ds\/M6gOE0fX7N?key=DTZAYCk6xZ\\\" > roboflow.zi p; unzip roboflow.zip; rm roboflow.zip from detectron2.data.datasets import register_coco_instances register_coco_instances( \\\"my_dataset_train\\\" , {}, \\\"\/content\/train\/_annota tions.coco.json \\\" , \\\"\/content\/train\\\" ) register_coco_instances( \\\"my_dataset_val\\\" , {}, \\\"\/content\/valid\/_annotati ons.coco.json\\\" , \\\"\/content\/valid\\\" ) register_coco_instances( \\\"my_dataset_test\\\" , {}, \\\"\/content\/test\/_annotati ons.coco.json\\\" , \\\"\/content\/test\\\" ) #visualize training data my_dataset_train_metadata = MetadataCatalog.get( \\\"my_dataset_train\\\" ) dataset_dicts = DatasetCatalog.get( \\\"my_dataset_train\\\" ) import random import Visualizer from detectron2.utils.visualizer for d in random.sample(dataset_dicts, 10) : img = cv2.imread(d[ \\\"file_name\\\" ]) visualizer = Visualizer(img[:, :, :: - 1], metadata=my_dataset_train_metadata, scale= 0.5 ) vis = visualizer.draw_dataset_dict(d) cv2_imshow(vis.get_image()[:, :, :: - 1]) from detectron2.engine import DefaultTrainer from detectron2.evaluation import COCOEvaluator class CocoTrainer ( DefaultTrainer ): @classmethod ( cls , cfg , dataset_name , output_folder =None): def build_evaluator if output_folder is None: os.makedirs( \\\"coco_eval\\\" , exist_ok= True ) output_folder = \\\"coco_eval\\\" return COCOEvaluator(dataset_name, cfg, False , output_folder) 67","# select from modelzoo here: https:\/\/github.com\/facebookresearch\/detect ron2\/blob\/master\/MODEL_ZOO.md#coco - object - detection - baselines from detectron2.config import get_cfg #from detectron2.evaluation.coco_evaluation import COCOEvaluator import os cfg = get_cfg() cfg.merge_from_file(model_zoo.get_config_file( \\\"COCO- Detection\/faster_rcnn_X_101_32x8d_FPN_3x.yaml\\\" )) cfg.DATASETS.TRAIN = ( \\\"my_dataset_train\\\" cfg.DATASETS.TEST = ( \\\"my_dataset_val\\\" ,) ,) cfg.DATALOADER.NUM_WORKERS= 4 \\\"COCO- cfg.MODEL.WEIGHTS = model_zoo.get_checkpoint_url( ) Detection\/faster_rcnn_X_101_32x8d_FPN_3x.yaml\\\" cfg.SOLVER.IMS_PER_BATCH = 4 cfg.SOLVER.BASE_LR = 0.001 cfg.SOLVER.WARMUP_ITERS = 1000 cfg.SOLVER.MAX_ITER = 1500 cfg.SOLVER.STEPS = ( 1000 , 1500 ) cfg.SO LVER.GAMMA= 0.05 cfg.MODEL.ROI_HEADS.BATCH_SIZE_PER_IMAGE = 64 cfg.MODEL.ROI_HEADS.NUM_CLASSES = 9 cfg.TEST.EVAL_PERIOD = 500 os.makedirs(cfg.OUTPUT_DIR, exist_ok= True ) trainer = CocoTrainer(cfg) False ) trainer.resume_or_load(resume= trainer.train() Result Running per image evaluation... Evaluate annotation type *bbox* DONE (t=0.44s). Accumulating evaluation results... DONE (t=0.16s). Average Precision (AP) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.649 Average Precision (AP) @[ IoU=0.50 | area= all | maxDets=100 ] = 0.827 Average Precision (AP) @[ IoU=0.75 | area= all | maxDets=100 ] = 0.754 Average Precisi on (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.127 Average Precision (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.389 68","Average Precision (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.743 Average Recall (AR) @[ IoU= 0.50:0.95 | area= all | maxDets= 1 ] = 0.606 Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 10 ] = 0.743 Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.745 Average Recall (AR) @[ IoU=0.50:0.95 | area = small | maxDets=100 ] = 0.302 Average Recall (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.567 Average Recall (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.815 [07\/15 18:35:51 d2.evaluation.coco_evaluation]: Evaluation results for bbox: | AP | AP50 | AP75 | APs | APm | APl | |: ------ :|: ------ :|: ------ :|: ------ :|: ------ :|: ------ :| | 64.872 | 82.741 | 75.366 | 12.691 | 38.927 | 74.335 | [07\/15 18:35:51 d2.evaluation.coco_evaluation]: Per - catego ry bbox AP: | category | AP | category | AP | category | AP | |: ----------- |: ------- |: ----------- |: ------- |: ----------- |: ------- | | Vehicle | nan | Bus | 81.147 | Car | 56.943 | | Jumbo | 71.350 | Motorbike | 49 .955 | Skylab | 62.149 | | Truck | 56.948 | Tuktuk | 68.883 | Van | 71.605 | [07\/15 18:35:51 d2.engine.defaults]: Evaluation results for my_dataset_val in csv format: [07\/15 18:35:51 d2.evaluation.testing]: copypaste: Task: bbox [07\/15 18:35:51 d2.evaluation.testing]: copypaste: AP,AP50,AP75,APs,APm,APl [07\/15 18:35:51 d2.evaluation.testing]: copypaste: 64.8724,82.7406,75.3659,12.6912,38.9275,74.3352 [07\/15 18:35:51 d2. utils.events]: eta: 0:00:01 iter: 1499 total_loss: 0.241 loss_cls: 0.082 loss_box_reg: 0.163 loss_rpn_cls: 0.000 loss_rpn_loc: 0.003 time: 1.1784 data_time: 0.0215 lr: 0.000050 max_mem: 7206M [07\/15 18:35:51 d2.engine.hooks]: Overall training sp eed: 1497 iterations in 0:29:25 (1.1792 s \/ it) [07\/15 18:35:51 d2.engine.hooks]: Total training time: 0:31:48 (0:02:23 on hooks) 69","\u0e99\u0eb2\u0ecd \u0ec3\u0e8a\u0ec9 TensorBoard \u0eaa\u0eb0\u0ec1\u0e94\u0e87\u0e81\u0ea3\u0eb2\u0e9a\u0e95\u0eb2\u0ec8 \u0e87\u0ec6 %load_ext tensorboard %tensorboard -- logdir output \u0eae\u0e9a\u0e97\u0eb5 1. 8 TensorBoard \u0eaa\u0ecd\u0eb2\u0ea5\u0eb1\u0e9a\u0e81\u0eb2\u0e99\u0eae\u0ebd\u0e99\u0eae\u0ec9\u0e82\u0ead\u0e87\u0ec2\u0ea1\u0ec0\u0e94\u0ea7\u0e94\u0ea7\u0ec9 \u0e8d Fast R-CNN #test evaluation from detectron2.data import DatasetCatalog, MetadataCatalog, build_dete ction_test_loader from detectron2.evaluation import COCOEvaluator, inference_on_dataset cfg.MODEL.WEIGHTS = os.path. join(cfg.OUTPUT_DIR, \\\"model_final.pth\\\" ) cfg.MODEL.ROI_HEADS.SCORE_THRESH_TEST= 0.85 predictor = DefaultPredictor(cfg) evaluator = COCOEvaluator( \\\"my_dataset_test\\\" , cfg, False , output_dir= \\\".\/ output\/\\\" ) val_loader = build_detection_test_loader(cfg, \\\"my_datase t_test\\\" ) inference_on_dataset(trainer.model, val_loader, evaluator) [07\/15 18:37:35 d2.data.datasets.coco]: Loaded 153 images in COCO format from \/content\/test\/_annotations.coco.json [07\/15 18:37:35 d2.data.build]: Distribution of instances among all 9categories: | category | #instances | category | #instances | category | #instances | |:----------:|:-------------|:----------:|:-------------|:----------:|:-------------| | Vehicle | 0 | Bus | 17 | Ca9r | 3 | | Jumbo | 32 | Motorbike | 41 | Skylab | 18 | | Truck | 41 | Tuktuk | 23 | Van | 14 | || || || | total | 225 | | || | [07\/15 18:37:35 d2.data.common]: Serializing 153 elements to byte tensors and concatenating them all ... [07\/15 18:37:35 d2.data.common]: Serialized dataest takes 0.05 MiB [07\/15 18:37:35 d2.evaluation.evaluator]: Start inference on 153 images [07\/15 18:37:37 d2.evaluation.evaluator]: Inference done 11\/153. 0.1468 s \/ img. ETA=0:00:21 [07\/15 18:37:42 d2.evaluation.evaluator]: Inference done 45\/153. 0.1469 s\/ img. ETA=0:00:16 [07\/15 18:37:47 d2.evaluation.evaluator]: Inference done 79\/153. 0.1471 s \/ img. ETA=0:00:11 [07\/15 18:37:52 d2.evaluation.evaluator]: Inference done 113\/153. 0.1471 s \/ img. ETA=0:00:05 [07\/15 18:37:57 d2.evaluation.evaluator]: Inference done 147\/153. 0.1470 s \/ img. ETA=0:00:00 [07\/15 18:37:58 d2.evaluation.evaluator]: Total inference time: 0:00:22.178860 (0.149857 s \/ img per device, on 1 devices) 70","[07\/15 18:37:58 d2.evaluation.evaluator]: Total inference pure compute time: 0:00:21 (01.47016 s \/ img per device, on 1 devices) [07\/15 18:37:58 d2.evaluation.coco_evaluation]: Preparing results for COCO format ... [07\/15 18:37:58 d2.evaluation.coco_evaluation]: Saving results to .\/output\/coco_instances_results.json [07\/15 18:37:58 d2.evaluation.coco_evaluation]: Evaluating predictions ... Loading and preparing results... DONE (t=0.00s) creating index... index created! Running per image evaluation... Evaluate annotation type *bbox* DONE (t=0.26s). Accumulating evaluation results... DONE(t=0.09s). Average Precision (AP) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.676 Average Precision (AP) @[ IoU=0.50 | area= all | maxDets=100 ] = 0.879 Average Precision (AP) @[ IoU=0.75 | area= all | maxDets=100 ] = 0.762 Average Precision (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.447 Average Precision (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.371 Average Precision (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.755 Average Recall A(R) @[ IoU=0.50:0.95 | area= all | maxDets= 1 ] = 0.658 Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 10 ] = 0.773 Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.773 Average Recall (AR) @[ IoU=0.500.9: 5 | area= small | maxDets=100 ] = 0.500 Average Recall (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.571 Average Recall (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.828 [07\/15 18:37:58 d2.evaluation.coco_evaluation]: Evalaution results for bbox: | AP | AP50 | AP75 | APs | APm | APl | |:------:|:------:|:------:|:------:|:------:|:------:| | 67.604 | 87.904 | 76.209 | 44.728 | 37.114 | 75.514 | [07\/15 18:37:58 d2.evaluation.coco_evaluation]: Pe-rcategory bbox AP: | category | AP | category | AP | category | AP | |:-----------|:-------|:-----------|:-------|:-----------|:-------| | Vehicle | nan | Bus | 84.203 | Car | 60.873 | | Jumbo | 81.185 | Motorbike 5|6.838 | Skylab | 55.863 | | Truck | 63.018 | Tuktuk | 68.756 | Van | 70.094 | OrderedDict([('bbox', {'AP': 67.60393709791292, 'AP-Bus': 84.2032060348892, 'AP-Car': 60.87342847695613, 'AP-Jumbo': 81.18537441979493, 'AP-Motorbike': 56.83831494733154, 'AP-Skylab': 55.86314225929952, 'AP-Truck': 63.01772174746256, 'AP-Tuktuk': 68.75596722656022, 'AP-Van': 70.0943416710092, 'AP-Vehicle': nan, 'AP50': 87.90379841199467, 'AP75': 76.20889871226565, 'APl': 75.51369294387194, 'APm': 37.11353253573466, 'APs': 44.727722772277225})]) 71","%ls .\/output\/ cfg.MODEL.WEIGHTS = os.path.join(cfg.OUTPUT_DIR, \\\"model_final.pth\\\" ) thresho cfg.DATASETS.TEST = ( \\\"my_dataset_test\\\" , ) cfg.MODEL.ROI_HEADS.SCORE_THRESH_TEST= 0.7 # set the testing ld for this model predictor = DefaultPredictor(cfg) test_metadata = MetadataCatalog.get( \\\"my_dataset_test\\\" ) from detectron2.utils.visualizer import ColorMode import glob for imageName in glob.glob( '\/content\/test\/*jpg' ): \\\"instances\\\" ].to( \\\"cpu\\\" )) im = cv2.imread(imageName) outputs = predictor(im) v = Visualizer(im[:, :, :: - 1], metadata=test_metadata, scale= 0.8 ) out = v.draw_instance_predictions(outputs[ cv2_imshow(out.get_image()[:, :, :: - 1]) 1.4 Coding \u0eaa\u0eb2\u0ecd \u0ea5\u0e9a\u0eb1 \u0e81\u0eb2\u0e99\u0e99\u0eb2\u0ecd \u0ec0\u0ead\u0eb2\u0ebb \u0ec2\u0ea1\u0ec0\u0e94\u0ea7\u0ea1\u0eb2\u0ec3\u0e8a\u0ec9 Login \u0ec0\u0e82\u0ebb\u0eb2\u0ec9 \u0e99\u0eb2\u0ecd \u0ec3\u0e8a\u0ec9 Google Colab \u0eaa\u0ec9\u0eb2\u0e87 Workbook \u0ec1\u0ea5\u0eb0 Connect \u0eab\u0eb2 Server #Clone YOLOv5 \u0ea1\u0eb2\u0e88\u0eb2\u0e81 Github \u0e82\u0ead\u0e87 ultralytics ! git clone https:\/\/github.com\/ultralytics\/yolov5 # clone %cd yolov5 %pip install - qr requirements.txt # install import torch # checks import utils display = utils.notebook_init() #Connect \u0eab\u0eb2 Google drive \u0e82\u0ead\u0e87\u0ec0\u0eae\u0ebb\u0eb2\u0ec0\u0ead\u0e87 from google.colab import drive drive.mount( '\/content\/drive' ) #\u0ead\u0eb1\u0e9a\u0ec2\u0eab\u0e94 yolov5s.pt \u0ec0\u0e8a\u0e87\u0eb7\u0eb4\u0ec8 \u0ec1\u0ea1\u0ec8\u0e99\u0ec2\u0ea1\u0ec0\u0e94\u0ea7\u0e97\u0ec0\u0eb5\u0ec8\u0eb7 \u0eae\u0ebb\u0eb2\u0ec4\u0e94\u0ec9 Trained \u0ea1\u0eb2 #\u0ead\u0e9a\u0eb1 \u0ec2\u0eab\u0e94\u0ea7\u0eb4\u0e94\u0ec2\u0eb5 \u0ead\u0e81\u0ec8\u0ead\u0e99\u0e81\u0eb2\u0e99 Detect \u0ec3\u0eaa\u0ec8, \u0e84\u0ea7\u0e99\u0e88\u0eb0 zip file \u0e81\u0ead\u0ec8 \u0e99\u0ead\u0e9a\u0eb1 \u0ec2\u0eab\u0e94 \u0e8a\u0eb7\u0ec8 File Sample .mp4 ! python detect.py -- weights ..\/yolov5s.pt -- img 640 -- conf 0.25 -- source ..\/ Sample .mp4 72","#\u0e9c\u0e99\u0ebb \u0e82\u0ead\u0e87\u0e81\u0eb2\u0e99 Detect \u0eab\u0e87\u0eb1 \u0e88\u0eb2\u0e81\u0e99\u0ec9\u0ebb\u0eb1\u0e99\u0e94\u0eb2\u0ea7\u0ec2\u0eab\u0e94\u0ead\u0ead\u0e81\u0ea1\u0eb2\u0e99\u0ecd\u0eb2\u0ec3\u0e8a\u0ec9 detect: weights=['..\/yolov5s.pt'], source=..\/Sample.mp4, data=data\/coco128.yaml, imgsz=[640, 640], conf_thres=0.25, iou_thres=0.45, max_det=1000, device=, view_img=False, save_txt=False, save_conf=False, save_crop=False, nosave=False, classes=None, agnostic_nms=False, augment=False, visualize=False, update=False, project=runs\/detect, name=exp, exist_ok= False, line_thickness=3, hide_labels=False, hide_conf=False, half=False, dnn=False YOLOv5 \u33c5 v6.1 - 276 - gc768919 Python - 3.7.13 torch - 1.11.0+cu113 CUDA:0 (Tesla P100 - PCIE- 16GB, 16281MiB) Fusing layers... Model summary: 213 layers, 7031701 parameters, 0 grad ients, 15.8 GFLOPs video 1\/1 (1\/629) \/content\/yolov5\/Sample.mp4: 384x640 1 Car, 1 Motorbike, 4 Trucks, Done. (0.016s) video 1\/1 (2\/629) \/content\/yolov5\/Sample.mp4: 384x640 2 Motorbikes, 4 Trucks, Done. (0.012s) video 1\/1 (3\/629) \/content\/yolov5\/Sample.mp4: 384x640 1 Car, 1 Motorbike, 4 Trucks, Done. (0.012s) video 1\/1 (4\/629) \/content\/yolov5\/Sample.mp4: 384x640 1 Car, 1 Motorbike, 4 Trucks, Done. (0.012s) video 1\/1 (5\/629) \/content\/yolov5\/Sample.mp4: 384x640 1 Car, 2 Motorbikes, 4 Trucks, Done. (0.011s) vid eo 1\/1 (6\/629) \/content\/yolov5\/Sample.mp4: 384x640 2 Cars, 2 Motorbikes, 4 Trucks, Done. (0.011s) video 1\/1 (7\/629) \/content\/yolov5\/Sample.mp4: 384x640 1 Car, 2 Motorbikes, 4 Trucks, Done. (0.011s) video 1\/1 (8\/629) \/content\/yolov5\/Sample.mp4: 384x640 1 Ca r, 2 Motorbikes, 4 Trucks, Done. (0.012s) video 1\/1 (9\/629) \/content\/yolov5\/Sample.mp4: 384x640 3 Motorbikes, 4 Trucks, Done. (0.015s) video 1\/1 (10\/629) \/content\/yolov5\/Sample.mp4: 384x640 3 Motorbikes, 3 Trucks, Done. (0.011s) \u00ab\u00ab\u00ab\u00ab\u00ab\u00ab\u00ab\u00ab\u00ab\u00ab\u00ab\u00ab\u00ab \u00ab\u00ab\u00ab\u00ab\u00ab\u00ab\u00ab\u00ab\u00ab\u00ab\u00ab\u00ab\u00ab \u00ab\u00ab\u00ab\u00ab\u00ab\u00ab\u00ab\u00ab\u00ab\u00ab\u00ab\u00ab\u00ab video 1\/1 (610\/629) \/content\/yolov5\/Sample.mp4: 384x640 2 Motorbikes, 2 Trucks, Done. (0.011s) video 1\/1 (611\/629) \/content\/yolov5\/Sample.mp4: 384x640 2 Motorbikes, 1 Truck, Done. (0.011s) video 1\/1 (612\/629) \/content\/yolov5\/Sample.mp4: 384x640 2 Motorbikes, 2 Trucks, Done. (0.012s) video 1\/1 (613\/629) \/content\/yolov5\/Sample.mp4: 384x640 2 Motorbikes, 2 Trucks, Done. (0.011s) video 1\/1 (614\/629) \/content\/yolov5\/Sample.mp4: 384x640 2 Motorbikes, 1 Truc k, Done. (0.011s) video 1\/1 (615\/629) \/content\/yolov5\/Sample.mp4: 384x640 1 Motorbike, 1 Truck, Done. (0.011s) video 1\/1 (616\/629) \/content\/yolov5\/Sample.mp4: 384x640 1 Motorbike, 1 Truck, Done. (0.011s) video 1\/1 (617\/629) \/content\/yolov5\/Sample.mp4: 384x 640 2 Motorbikes, 1 Truck, Done. (0.011s) video 1\/1 (618\/629) \/content\/yolov5\/Sample.mp4: 384x640 1 Motorbike, 1 Truck, Done. (0.011s) video 1\/1 (619\/629) \/content\/yolov5\/Sample.mp4: 384x640 1 Motorbike, 1 Truck, Done. (0.011s) 73","video 1\/1 (620\/629) \/content \/yolov5\/Sample.mp4: 384x640 2 Motorbikes, 1 Truck, Done. (0.012s) video 1\/1 (621\/629) \/content\/yolov5\/Sample.mp4: 384x640 1 Motorbike, 1 Truck, Done. (0.011s) video 1\/1 (622\/629) \/content\/yolov5\/Sample.mp4: 384x640 2 Motorbikes, 1 Truck, Done. (0.012s) vid eo 1\/1 (623\/629) \/content\/yolov5\/Sample.mp4: 384x640 2 Motorbikes, 1 Truck, Done. (0.011s) video 1\/1 (624\/629) \/content\/yolov5\/Sample.mp4: 384x640 3 Motorbikes, 2 Trucks, Done. (0.013s) 1 video 1\/1 (625\/629) \/content\/yolov5\/Sample.mp4: 384x640 2 Motorbikes, Truck, Done. (0.011s) video 1\/1 (626\/629) \/content\/yolov5\/Sample.mp4: 384x640 2 Motorbikes, 1 Truck, Done. (0.012s) video 1\/1 (627\/629) \/content\/yolov5\/Sample.mp4: 384x640 2 Motorbikes, 1 Truck, Done. (0.011s) video 1\/1 (628\/629) \/content\/yolov5\/Sample.m p4: 384x640 2 Motorbikes, 1 Truck, Done. (0.011s) video 1\/1 (629\/629) \/content\/yolov5\/Sample.mp4: 384x640 2 Motorbikes, 1 Truck, Done. (0.011s) Speed: 0.4ms pre - process, 11.6ms inference, 1.3ms NMS per image at shape (1, 3, 640, 640) Results saved to runs\/detect\/exp7 2. \u0e88\u0e94\u0eb1 \u0e81\u0eb2\u0e99\u0e81\u0e9a\u0eb1 \u0e9a\u0ead\u0e94 IoT 2.1 Code \u0eaa\u0eb2\u0ea5\u0e9a\u0eb1 \u0e81\u0eb2\u0e99\u0eae\u0e9a\u0eb1 \u0eaa\u0ec8\u0e87\u0ebb \u0e82\u0ea1\u0eb9\u0ec9 \u0e99 #include <ESP8266WiFi.h> #include <PubSubClient.h> #include <SoftwareSerial.h> \/\/ WiFi const char *ssid = \\\"User name FiWi\\\"; \/\/ Enter your WiFi name const char *password = \\\"Password\\\"; \/\/ Enter WiFi password \/\/ MQTT Broker const char *mqtt_broker = \\\"broker.emqx.io\\\"; const char *topic = \\\"laotraffic\\\"; const int mqtt_port = 1883; char MS; WiFiClient espClient; PubSubClient client(espClient); void setup() { Serial1.begin(115200); \/\/ Set software serial baud to 115200; Serial.begin(9600); \/\/ connecting to a WiFi network WiFi.begin(ssid, password); while (WiFi.status() != WL_CONNECTED) { delay(500); Serial.println(\\\"Connecting to WiFi..\\\"); } Serial.println(\\\"Connected to the WiFi network\\\"); 74","\/\/connecting to a mqtt broker client.setServer(mqtt_broker, mqtt_port); client.setCallback(callback); while (!client.connected()) { String client_id = \\\"esp8266-client-\\\"; client_id += String(WiFi.macAddress()); Serial.printf(\\\"The client %s connects to the public mqtt broker\\\\n\\\", client_id.c_str()); if (client.connect(client_id.c_str())) { Serial.println(\\\"Public emqx mqtt broker connected\\\"); } else { Serial.print(\\\"failed with state \\\"); Serial.print(client.state()); delay(2000); } } \/\/ publish and subscribe client.publish(topic, \\\"hello emqx\\\"); client.subscribe(topic); } void callback(char *topic, byte *payload, unsigned int length) { for (int i = 0; i < length; i++) { MS = ((char) payload[i]); Serial.print(\\\"MS: \\\"); Serial.println(MS); Serial1.write(MS); } } void loop() { client.loop(); } 2.2 Code \u0eaa\u0eb2\u0ecd \u0ea5\u0e9a\u0eb1 \u0e81\u0eb2\u0e99\u0e9b\u0eb0\u0ea1\u0ea7\u0e99\u0e9c\u0e99\u0ebb \u0ec0\u0e9e\u0ead\u0ec8\u0eb7 \u0eaa\u0e87\u0ec8\u0ebb\u0eb1 \u0ec3\u0eab\u0ec4\u0ec9 \u0e9f\u0ec1\u0e94\u0e87\u0ec0\u0eae\u0e94\u0eb1 \u0ea7\u0ebd\u0e81 #include <avr\/wdt.h> #include <LiquidCrystal_I2C.h> LiquidCrystal_I2C lcd(0x27,20,4); #include <Wire.h> #include <DS3231.h> DS3231 rtc(SDA, SCL); Time t; int pre_time; unsigned long prev_time = 0; int count1=0; int count=0; 75","int G1=22, Y1=24, R1=26; int G2=28, Y2=30, R2=32; int G3=34, Y3=36, R3=38; int G4=40, Y4=42, R4=44; int b1 = 3; \/\/Road 1 int b2 = 4; \/\/Road 2 int b3 = 5; \/\/Road 3 int b4 = 6; \/\/Road 4 int b5 = 2; \/\/Auto char MS; int AM; int road1,road2,road3,road4; void setup() { Serial.begin(115200); while(!Serial){} for(int i = 22; i<= 50; i++) { pinMode(i,OUTPUT); digitalWrite(i,HIGH); } for(int i = 2; i<=7; i++) { pinMode(i,INPUT_PULLUP); } lcd.begin(); rtc.begin(); delay(2000); wdt_enable(WDTO_8S); } void loop() { printTimeLCD(); 76","while (Serial.available()) { MS =(Serial.read()); Serial.println(MS); } wdt_reset(); AM = digitalRead(b5); if (MS =='A'){ printTimeLCD(); SAF(); dispStatus(\\\"SAF\\\");\/\/ALL OFF delay(1000); } if(MS =='B'){ S0Y(); dispStatus(\\\"SOY\\\");\/\/ALL SOY } if ( MS == 'D' || !AM){ printTimeLCD(); road1 = digitalRead(b1); road2 = digitalRead(b2); road3 = digitalRead(b3); road4 = digitalRead(b4); SAR();\/\/all red dispStatus(\\\"SAR\\\"); if } if( MS == 'E' || !road1) { S1G();\/\/green road1 dispStatus(\\\"S1G\\\"); } if( MS == 'F' || !road2) { 77","S2G();\/\/green road2 dispStatus(\\\"S2G\\\"); } if( MS == 'G' || !road3) { S3G();\/\/green road3 dispStatus(\\\"S3G\\\"); } if( MS == 'H'|| !road4) { S4G();\/\/green road4 dispStatus(\\\"S4G\\\"); } if( MS == 'C' && AM){ t = rtc.getTime(); if(t.sec != pre_time) { count1++; printTimeLCD(); pre_time = t.sec; if(count1==2) { S1G(); dispStatus(\\\"S1G\\\"); } else if(count1==39) { S1Y(); dispStatus(\\\"S1Y\\\"); } else if(count1==42) { S1R(); 78","dispStatus(\\\"S1R\\\"); } else if(count1==44) { S2G(); dispStatus(\\\"S2G\\\"); } else if(count1==71) { S2Y(); dispStatus(\\\"S2Y\\\"); } else if(count1==74) { S2R(); dispStatus(\\\"S2R\\\"); } else if(count1==76) { S3G(); dispStatus(\\\"S3G\\\"); } else if(count1==93) { S3Y(); dispStatus(\\\"S3Y\\\"); } else if(count1==96) { S3R(); dispStatus(\\\"S3R\\\"); } else if(count1==98) 79","{ S4G(); dispStatus(\\\"S4G\\\"); } else if(count1==120) { S4Y(); dispStatus(\\\"S4Y\\\"); } else if(count1==123) { S4R(); dispStatus(\\\"S4R\\\"); count=0; } } } lcd.setCursor(0,3); lcd.print(\\\"MS: \\\"); lcd.print(MS); } void dispStatus(String ST) { lcd.setCursor(0,2); lcd.print(\\\"STATUS: \\\"); lcd.print(ST); } void printTimeLCD() { lcd.setCursor(0,0); lcd.print(\\\"DATE : \\\"); lcd.print(rtc.getDateStr()); 80","lcd.setCursor(0,1); lcd.print(\\\"TIME : \\\"); lcd.print(rtc.getTimeStr()); } void SAF() { digitalWrite(G1,LOW); digitalWrite(Y1,LOW); digitalWrite(R1,LOW); digitalWrite(G2,LOW); digitalWrite(Y2,LOW); digitalWrite(R2,LOW); digitalWrite(G3,LOW); digitalWrite(Y3,LOW); digitalWrite(R3,LOW); digitalWrite(G4,LOW); digitalWrite(Y4,LOW); digitalWrite(R4,LOW); } void SAR() { digitalWrite(G1,LOW); digitalWrite(Y1,LOW); digitalWrite(R1,HIGH); digitalWrite(G2,LOW); digitalWrite(Y2,LOW); digitalWrite(R2,HIGH); digitalWrite(G3,LOW); digitalWrite(Y3,LOW); digitalWrite(R3,HIGH); digitalWrite(G4,LOW); digitalWrite(Y4,LOW); digitalWrite(R4,HIGH); 81","} void S0Y() { digitalWrite(G1,LOW); digitalWrite(Y1,HIGH); digitalWrite(R1,LOW); digitalWrite(G2,LOW); digitalWrite(Y2,HIGH); digitalWrite(R2,LOW); digitalWrite(G3,LOW); digitalWrite(Y3,HIGH); digitalWrite(R3,LOW); digitalWrite(G4,LOW); digitalWrite(Y4,HIGH); digitalWrite(R4,LOW); delay(1000); digitalWrite(G1,LOW); digitalWrite(Y1,LOW); digitalWrite(R1,LOW); digitalWrite(G2,LOW); digitalWrite(Y2,LOW); digitalWrite(R2,LOW); digitalWrite(G3,LOW); digitalWrite(Y3,LOW); digitalWrite(R3,LOW); digitalWrite(G4,LOW); digitalWrite(Y4,LOW); digitalWrite(R4,LOW); delay(1000); } void S1G() { digitalWrite(G1,HIGH); 82","digitalWrite(Y1,LOW); digitalWrite(R1,LOW); digitalWrite(G2,LOW); digitalWrite(Y2,LOW); digitalWrite(R2,HIGH); digitalWrite(G3,LOW); digitalWrite(Y3,LOW); digitalWrite(R3,HIGH); digitalWrite(G4,LOW); digitalWrite(Y4,LOW); digitalWrite(R4,HIGH); } void S1Y() { digitalWrite(G1,LOW); digitalWrite(Y1,HIGH); digitalWrite(R1,LOW); digitalWrite(G2,LOW); digitalWrite(Y2,LOW); digitalWrite(R2,HIGH); digitalWrite(G3,LOW); digitalWrite(Y3,LOW); digitalWrite(R3,HIGH); digitalWrite(G4,LOW); digitalWrite(Y4,LOW); digitalWrite(R4,HIGH); } void S1R() { digitalWrite(G1,LOW); digitalWrite(Y1,LOW); digitalWrite(R1,HIGH); digitalWrite(G2,LOW); 83","digitalWrite(Y2,LOW); digitalWrite(R2,HIGH); digitalWrite(G3,LOW); digitalWrite(Y3,LOW); digitalWrite(R3,HIGH); digitalWrite(G4,LOW); digitalWrite(Y4,LOW); digitalWrite(R4,HIGH); } void S2G() { digitalWrite(G1,LOW); digitalWrite(Y1,LOW); digitalWrite(R1,HIGH); digitalWrite(G2,HIGH); digitalWrite(Y2,LOW); digitalWrite(R2,LOW); digitalWrite(G3,LOW); digitalWrite(Y3,LOW); digitalWrite(R3,HIGH); digitalWrite(G4,LOW); digitalWrite(Y4,LOW); digitalWrite(R4,HIGH); } void S2Y() { digitalWrite(G1,LOW); digitalWrite(Y1,LOW); digitalWrite(R1,HIGH); digitalWrite(G2,LOW); digitalWrite(Y2,HIGH); digitalWrite(R2,LOW); digitalWrite(G3,LOW); 84","digitalWrite(Y3,LOW); digitalWrite(R3,HIGH); digitalWrite(G4,LOW); digitalWrite(Y4,LOW); digitalWrite(R4,HIGH); } void S2R() { digitalWrite(G1,LOW); digitalWrite(Y1,LOW); digitalWrite(R1,HIGH); digitalWrite(G2,LOW); digitalWrite(Y2,LOW); digitalWrite(R2,HIGH); digitalWrite(G3,LOW); digitalWrite(Y3,LOW); digitalWrite(R3,HIGH); digitalWrite(G4,LOW); digitalWrite(Y4,LOW); digitalWrite(R4,HIGH);} void S3G(){ digitalWrite(G1,LOW); digitalWrite(Y1,LOW); digitalWrite(R1,HIGH); digitalWrite(G2,LOW); digitalWrite(Y2,LOW); digitalWrite(R2,HIGH); digitalWrite(G3,HIGH); digitalWrite(Y3,LOW); digitalWrite(R3,LOW); digitalWrite(G4,LOW); digitalWrite(Y4,LOW); digitalWrite(R4,HIGH);} 85","void S3Y(){ digitalWrite(G1,LOW); digitalWrite(Y1,LOW); digitalWrite(R1,HIGH); digitalWrite(G2,LOW); digitalWrite(Y2,LOW); digitalWrite(R2,HIGH); digitalWrite(G3,LOW); digitalWrite(Y3,HIGH); digitalWrite(R3,LOW); digitalWrite(G4,LOW); digitalWrite(Y4,LOW); digitalWrite(R4,HIGH);} void S3R(){ digitalWrite(G1,LOW); digitalWrite(Y1,LOW); digitalWrite(R1,HIGH); digitalWrite(G2,LOW); digitalWrite(Y2,LOW); digitalWrite(R2,HIGH); digitalWrite(G3,LOW); digitalWrite(Y3,LOW); digitalWrite(R3,HIGH); digitalWrite(G4,LOW); digitalWrite(Y4,LOW); digitalWrite(R4,HIGH);} void S4G(){ digitalWrite(G1,LOW); digitalWrite(Y1,LOW); digitalWrite(R1,HIGH); digitalWrite(G2,LOW); digitalWrite(Y2,LOW); digitalWrite(R2,HIGH); 86","digitalWrite(G3,LOW); digitalWrite(Y3,LOW); digitalWrite(R3,HIGH); digitalWrite(G4,HIGH); digitalWrite(Y4,LOW); digitalWrite(R4,LOW);} void S4Y(){ digitalWrite(G1,LOW); digitalWrite(Y1,LOW); digitalWrite(R1,HIGH); digitalWrite(G2,LOW); digitalWrite(Y2,LOW); digitalWrite(R2,HIGH); digitalWrite(G3,LOW); digitalWrite(Y3,HIGH); digitalWrite(R3,HIGH); digitalWrite(G4,LOW); digitalWrite(Y4,HIGH); digitalWrite(R4,LOW);} void S4R(){ digitalWrite(G1,LOW); digitalWrite(Y1,LOW); digitalWrite(R1,HIGH); digitalWrite(G2,LOW); digitalWrite(Y2,LOW); digitalWrite(R2,HIGH); digitalWrite(G3,LOW); digitalWrite(Y3,LOW); digitalWrite(R3,HIGH); digitalWrite(G4,LOW); digitalWrite(Y4,LOW); digitalWrite(R4,HIGH);} 87","3. \u0e81\u0eb2\u0e99\u0e84\u0ea7\u0ea1\u0e84\u0ea1\u0ea5\u0eb0\u0e9a\u0e9a\u0ebb \u0ec4\u0e9f\u0ead\u0eb2\u0ecd \u0e99\u0eb2\u0e94\u0e94\u0ea7\u0ec9 \u0e8d\u0ec0\u0ea7\u0e9a\u0eb1 \u0ec4\u0e8a\u0e97\u0ecc 3.1 Node JS (Server backend) \u25aa \u0ec0\u0e82\u0ec9\u0eb2\u0ebb \u0ec4\u0e9b\u0e94\u0eb2\u0ea7\u0ec2\u0eab\u0e94 Node JS \u0eae\u0e9a\u0e97\u0eb5 1. 9 \u0eae\u0e9a\u0e9b\u0eb0\u0e81\u0ead\u0e9a\u0e81\u0eb2\u0e99\u0e94\u0eb2\u0ea7\u0ec2\u0eab\u0e94 NodeJS (\u0eae\u0e9a\u0e9e\u0eb2\u0e9a\u0e88\u0eb2\u0e81 https:\/\/nodejs.org\/) \u25aa \u0ec0\u0eae\u0e94\u0eb1 \u0e81\u0eb2\u0e99\u0e95\u0eb4\u0e94\u0e95\u0eb1\u0ec9\u0ebb\u0e87 \u0ec1\u0ea5\u0eb0 Start Node JS \u0ec3\u0e99\u0ec0\u0e84\u0ec8\u0eb7\u0ead\u0e87\u0e82\u0ead\u0e87\u0ec0\u0eae\u0eb2\u0ebb \u0ec4\u0e94\u0ec9\u0ec0\u0ea5\u0e8d\u0eb5 \u25aa \u0e99\u0ecd\u0eb2\u0ec3\u0e8a\u0ec2\u0ec9 \u0e9b\u0ea3\u0ec1\u0e81\u0ea3\u0ea1 SQLite \u25aa \u0e99\u0ecd\u0eb2\u0ec3\u0e8a\u0ec9\u0ec2\u0e9b\u0ea3\u0ec1\u0e81\u0ea3\u0ea1 Visual Studio Code \u0ec3\u0e99\u0e81\u0eb2\u0e99\u0e82\u0ebd\u0e99\u0ec2\u0e84\u0e94 const mqtt = require('mqtt') const express = require('express') const app = express() const app_port = 5500 const host = 'broker.emqx.io' const port = '1883' const clientId = `mqtt_${Math.random().toString(16).slice(3)}` const connectUrl = `mqtt:\/\/${host}:${port}` const topic = 'laotraffic' const topic_lane1 = 'laotrafficlane1' const topic_lane2 = 'laotrafficlane2' const topic_lane3 = 'laotrafficlane3' const topic_lane4 = 'laotrafficlane4' app.get('\/', (req, res) => { res.json({ data: 'server is runing' }) }) const client = mqtt.connect(connectUrl, { clientId, clean: true, connectTimeout: 1000, 88"]