Thông tin tài liệu
lOMoARcPSD|16911414 ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC CƠNG NGHỆ THƠNG TIN KHOA MẠNG MÁY TÍNH VÀ TRUYỀN THƠNG VŨ HÀ ANH KHĨA LUẬN TỐT NGHIỆP XÂY DỰNG ỨNG DỤNG PHÁT HIỆN LỬA DỰA TRÊN MÔ HÌNH HỌC SÂU TRÊN JETSON NANO Fire Detection Application Based on Deep Learning for Jetson Nano KỸ SƯ NGÀNH MẠNG MÁY TÍNH VÀ TRUYỀN THƠNG TP HỒ CHÍ MINH, NĂM 2021 Downloaded by Nguynhavy Ha Vy (Ntkphuong205@gmail.com) lOMoARcPSD|16911414 ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC CƠNG NGHỆ THƠNG TIN KHOA MẠNG MÁY TÍNH VÀ TRUYỀN THƠNG VŨ HÀ ANH – 17520258 KHÓA LUẬN TỐT NGHIỆP XÂY DỰNG ỨNG DỤNG PHÁT HIỆN LỬA DỰA TRÊN MƠ HÌNH HỌC SÂU TRÊN JETSON NANO Fire Detection Application Based on Deep Learning for Jetson Nano KỸ SƯ NGÀNH MẠNG MÁY TÍNH VÀ TRUYỀN THƠNG GIẢNG VIÊN HƯỚNG DẪN TS Lê Kim Hùng TP HỒ CHÍ MINH, NĂM 2021 Downloaded by Nguynhavy Ha Vy (Ntkphuong205@gmail.com) lOMoARcPSD|16911414 THÔNG TIN HỘI ĐỒNG CHẤM KHĨA LUẬN TỐT NGHIỆP Hội đồng chấm khóa luận tốt nghiệp, thành lập theo Quyết định số …………………… ngày ………………… Hiệu trưởng Trường Đại học Công nghệ Thông tin Downloaded by Nguynhavy Ha Vy (Ntkphuong205@gmail.com) lOMoARcPSD|16911414 ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH CỘNG HỊA XÃ HỘI CHỦ NGHĨA VIỆT NAM TRƯỜNG ĐẠI HỌC Độc Lập - Tự Do - Hạnh Phúc CÔNG NGHỆ THÔNG TIN TP HCM, ngày … tháng … năm 2021 NHẬN XÉT KHÓA LUẬN TỐT NGHIỆP (CỦA CÁN BỘ HƯỚNG DẪN) Tên khóa luận: XÂY DỰNG ỨNG DỤNG PHÁT HIỆN LỬA DỰA TRÊN MÔ HÌNH HỌC SÂU TRÊN JETSON NANO FIRE DETECTION APPLICATION BASED ON DEEP LEARNING FOR JETSON NANO Nhóm SV thực hiện: Vũ Hà Anh Cán hướng dẫn: 17520258 Downloaded by Nguynhavy Ha Vy (Ntkphuong205@gmail.com) TS Lê Kim Hùng lOMoARcPSD|16911414 Đánh giá Khóa luận Về báo cáo: Số trang Số chương Số bảng số liệu Số hình vẽ Số tài liệu tham khảo Sản phẩm Một số nhận xét hình thức báo cáo: Về nội dung nghiên cứu: Về chương trình ứng dụng: Downloaded by Nguynhavy Ha Vy (Ntkphuong205@gmail.com) lOMoARcPSD|16911414 Về thái độ làm việc sinh viên: Đánh giá chung: Khóa luận đạt/khơng đạt yêu cầu khóa luận tốt nghiệp kỹ sư/ cử nhân, xếp loại Giỏi/ Khá/ Trung bình Điểm sinh viên: Vũ Hà Anh /10 Người nhận xét Downloaded by Nguynhavy Ha Vy (Ntkphuong205@gmail.com) lOMoARcPSD|16911414 ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH CỘNG HỊA XÃ HỘI CHỦ NGHĨA VIỆT NAM TRƯỜNG ĐẠI HỌC Độc Lập - Tự Do - Hạnh Phúc CÔNG NGHỆ THÔNG TIN TP HCM, ngày … tháng … năm 2021 NHẬN XÉT KHÓA LUẬN TỐT NGHIỆP (CỦA CÁN BỘ PHẢN BIỆN) Tên khóa luận: XÂY DỰNG ỨNG DỤNG PHÁT HIỆN LỬA DỰA TRÊN MƠ HÌNH HỌC SÂU TRÊN JETSON NANO FIRE DETECTION APPLICATION BASED ON DEEP LEARNING FOR JETSON NANO Nhóm SV thực hiện: Vũ Hà Anh Cán phản biện: 17520258 Downloaded by Nguynhavy Ha Vy (Ntkphuong205@gmail.com) TS Phan Xuân Thiện lOMoARcPSD|16911414 Đánh giá Khóa luận Về báo cáo: Số trang Số chương Số bảng số liệu Số hình vẽ Số tài liệu tham khảo Sản phẩm Một số nhận xét hình thức báo cáo: Về nội dung nghiên cứu: Về chương trình ứng dụng: Downloaded by Nguynhavy Ha Vy (Ntkphuong205@gmail.com) lOMoARcPSD|16911414 Về thái độ làm việc sinh viên: Đánh giá chung: Khóa luận đạt/khơng đạt u cầu khóa luận tốt nghiệp kỹ sư/ cử nhân, xếp loại Giỏi/ Khá/ Trung bình Điểm sinh viên: Vũ Hà Anh /10 Người nhận xét Downloaded by Nguynhavy Ha Vy (Ntkphuong205@gmail.com) lOMoARcPSD|16911414 Lời Cảm Ơn Lời đầu tiên, nhóm xin trân trọng cảm ơn quý thầy, cô công tác giảng dạy khoa Mạng máy tính Truyền thơng, tồn thể thầy, khác cơng tác trường Đại học Công nghệ Thông tin – ĐHQG HCM truyền đạt kiến thức, học, kinh nghiệm quý báu cho nhóm suốt quãng thời gian bốn năm vừa qua Và xếp thời gian, chương trình hợp lý để nhóm có hội hồn thành khóa luận tốt nghiệp tốt Nhóm xin kính chúc khoa Mạng máy tính Truyền thơng nói riêng trường Đại học Cơng nghệ Thơng tin nói chung thành công rực rỡ đường giảng dạy đào tạo nhân tài, niềm tin vững cho hệ sinh viên đường giáo dục Đặc biệt, nhóm xin gửi lời cảm ơn chân thành đến giảng viên hướng dẫn, TS Lê Kim Hùng Nhờ kinh nghiệm, học quý báu chia sẻ từ thầy, thầy quan tâm giúp đỡ nhóm giải vấn đề phát sinh, khó khăn q trình thực Nhờ có thầy, nhóm có hội hồn thành tốt khóa luận tốt nghiệp Tiếp theo, nhóm xin cảm ơn phía gia đình ln ln tin tưởng, động viên nhóm suốt q trình học tập trường Đại học Công nghệ Thông tin – ĐHQG HCM, giúp nhóm có thêm nguồn lượng để đến ngày hơm Cuối cùng, nhóm nhóm xin gửi lời cảm ơn đến anh, chị bạn sinh viên trường Đại học Công nghệ Thông tin – ĐHQG HCM ln nhiệt tình hỗ trợ, chia sẻ ý kiến góp ý cho nhóm quãng thời gian thực khóa luận Downloaded by Nguynhavy Ha Vy (Ntkphuong205@gmail.com) lOMoARcPSD|16911414 ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH CỘNG HỊA XÃ HỘI CHỦ NGHĨA VIỆT NAM TRƯỜNG ĐẠI HỌC Độc Lập - Tự Do - Hạnh Phúc CÔNG NGHỆ THÔNG TIN ĐỀ CƯƠNG CHI TIẾT TÊN ĐỀ TÀI: - Tiếng Việt: Xây dựng ứng dụng phát lửa dựa mơ hình học sâu thiết bị Jetson Nano Tiếng Anh: Fire detection application based on deep learning for Jetson Nano Cán hướng dẫn: TS Lê Kim Hùng Thời gian thực hiện: Từ ngày: 01/03/2021 đến ngày: 03/07/2021 Sinh viên thực hiện: Vũ Hà Anh – 17520258 - 0366765835 Nội dung đề tài: o Đề tài thực xây dựng úng dụng nhận dạng phát lửa, giải phương pháp thuật toán học sâu Ứng dụng xây dựng dựa mô hình huấn luyện từ tập liệu phổ biến cung cấp từ nhiều nguồn tin cậy Khi camera hoạt động, nhận diện lửa cháy o Trong đề tài này, nhóm em phân tích đánh giá mơ hình nhận diện lửa phổ biến Từ đó, lựa chọn mơ hình có hiệu suất cao đáng tin cậy để tối ưu hóa thực thiết bị nhúng o Đối tượng nghiên cứu: Mơ hình Deep Learning, thiết bị nhúng Jetson Nano camera o Kết mong muốn đạt được: Giải toán nhận diện lửa máy tính có cấu hình thấp Tối ưu hóa mơ hình cách hồn thiện để tiết kiệm tài ngun máy tính Mơ hình có khả phát lửa thời gian thực Kế hoạch thực hiện: Giai đoạn (03/2021 - 04/2021): Chuẩn bị liệu đầu vào, nghiên cứu model phổ biến cho tốn Object Detection, từ tìm model tối ưu để triển khai Giai đoạn chủ yếu triển khai Laptop Downloaded by Nguynhavy Ha Vy (Ntkphuong205@gmail.com) lOMoARcPSD|16911414 Giai đoạn (04/2021 – 05/2021): Tối ưu hóa model định dạng tflite, TensorRT, sử dụng giải pháp Deepstream để chạy thời gian thực Thực thi Model thiết bị Jetson Nano Giai đoạn (05/2021 – 06/2021): Triển khai hệ thống phát lửa lên Web Server thư viện Flask python Tổng hợp tài liệu để chuẩn bị báo cáo khóa luận Giai đoạn (07/2021): Viết báo cáo, chuẩn bị báo cáo khóa luận tốt nghiệp trước hội đồng Xác nhận CBHD TP HCM, ngày 05 tháng 04 năm 2021 (Ký tên ghi rõ họ tên) Sinh viên (Ký tên ghi rõ họ tên) Downloaded by Nguynhavy Ha Vy (Ntkphuong205@gmail.com) lOMoARcPSD|16911414 MỤC LỤC TÓM TẮT ĐỀ TÀI CHƯƠNG : MỞ ĐẦU 1.1 Đặt vấn đề 1.2 Mục tiêu đề tài 1.3 Đối tượng nghiên cứu kết mong muốn 1.4 Các đề tài liên quan đến nghiến cứu CHƯƠNG : CƠ SỞ LÝ THUYẾT 2.1 Các khái niệm thị giác máy tính máy học 2.1.1 Bài toán phát vật thể (Object Detection) 2.1.1.1 Giới thiệu thị giác máy tính 2.1.1.2 Định nghĩa Object Detection 2.1.2 Khái niệm Deep Learning Machine Learning 2.1.2.1 Machine Learning (Máy học) 2.1.2.2 Deep Learning ( Học sâu ) 2.2 Các thuật ngữ đề tài 11 2.3 Mơ hình Yolo 13 2.3.1 Giới thiệu mạng Yolo ( Yolo Network ) 13 2.3.2 Lịch sử phát triển Yolo 13 2.3.3 Các đánh giá Yolo 14 2.3.4 Kiến trúc mạng Yolo 15 2.3.5 Nguyên lý hoạt động Yolo 18 2.3.5.1 Các cơng thức tính tốn Yolo 19 2.4 Tensorflow – TensorRT 23 2.4.1 Giới thiệu Tensorflow 23 2.4.2 TensorRT 24 2.4.2.1 Định nghĩa TensorRT 24 2.4.2.2 Chu trình chuyển đổi sang TensorRT 25 Downloaded by Nguynhavy Ha Vy (Ntkphuong205@gmail.com) lOMoARcPSD|16911414 2.5 Thiết bị Jetson Nano 26 2.5.1 Giới thiệu chung 26 2.5.2 Cấu hình chi tiết 27 2.6 Giao thức MQTT ( Message Queuing Telnhómetry) 27 2.6.1 Khái niệm MQTT 27 2.6.2 Tính đặc điểm bật 28 2.6.3 Mơ hình hoạt động MQTT 29 2.6.3.1 Thành phần chế hoạt động 29 2.6.3.2 Kiến trúc MQTT 30 2.7 Điện toán biên (Edge Computing) 31 2.7.1 Giới thiệu Edge Computing 31 2.7.2 Nguyên lý hoạt động 32 2.8 Thingsboard 33 CHƯƠNG : MƠ HÌNH ỨNG DỤNG 35 3.1 Mô tả mơ hình 35 3.1.1 Cách thành phần 35 3.1.2 Nguyên lý hoạt động 36 3.1.3 Lý thực ứng dụng thiết bị nhúng 37 3.2 Cài đặt thư viện môi trường cần thiết 38 3.2.1 Cài đặt thư viện tiên 38 3.2.2 Darknet 39 3.3 Chuẩn bị gán nhãn liệu đầu vào 40 3.3.1 Gán nhãn liệu 41 3.4 Cấu hình huấn luyện mơ hình 41 3.4.1 Nguyên lý hoạt động trình huấn luyện mơ hình 41 3.4.2 Cấu hình mơ hình huấn luyện 42 3.4.3 Kiểm thử mơ hình 45 3.5 Thiết lập cho Jetson Nano 46 3.5.1 Cài đặt hệ điều hành 46 Downloaded by Nguynhavy Ha Vy (Ntkphuong205@gmail.com) lOMoARcPSD|16911414 3.6 Tối ưu hóa mơ hình 47 3.6.1 Các bước thực tối ưu hóa mơ hình 47 3.6.2 Kết đạt sau tối ưu 49 3.7 Cài đặt Dashboard dựa tảng Thingsboard 52 CHƯƠNG : TRIỂN KHAI THỰC NGHIỆM VÀ ĐÁNH GIÁ KẾT QUẢ 53 4.1 Sơ đồ triển khai ứng dụng thiết bị 53 4.2 Thiết lập Streaming Server 54 4.3 Thiết lập Thingsboard 55 4.4 Thiết lập Rule chain ( điều kiện để phát cảnh báo ) 57 4.5 Đánh giá kết mơ hình 58 4.5.1 Chạy thử nghiệm mơ hình 58 4.5.2 Thông số chi tiết mơ hình thử nghiệm 64 4.6 Chạy thực nghiệm 70 CHƯƠNG : TỔNG KẾT QUÁ TRÌNH VÀ HƯỚNG PHÁT TRIỂN ĐỀ TÀI 73 5.1 Kết đạt 73 5.2 Hướng phát triển 73 TÀI LIỆU THAM KHẢO 75 Downloaded by Nguynhavy Ha Vy (Ntkphuong205@gmail.com) lOMoARcPSD|16911414 Danh mục hình ảnh Hình 2.1 Sơ đồ tác vụ thị giác máy tính Hình 2.2 Luồng hoạt động Machine Learning Hình 2.3 Biểu diễn mạng neural Deep Learning 10 Hình 2.4 Biểu đồ đánh giá mơ hình phổ biến 14 Hình 2.5 Kiến trúc mạng Yolo 15 Hình 2.6 Biểu diễn mơ hình hoạt dộng Yolo 18 Hình 2.7 Mơ tham số đầu đầu vào 19 Hình 2.8 Cơng thức tính IoU 20 Hình 2.9 Định vị tham số Localization Loss 22 Hình 2.10 Quá trình hình thành sản phẩm dựa TensorRT 25 Hình 2.11 Thiết bị Jetson Nano 26 Hình 2.12 Ví dụ luồng hoạt động MQTT 29 Hình 2.13 Kiến Trúc MQTT 30 Hình 2.14: Sơ đồ hoạt động Edge Computing 32 Hình 2.15 Kiến trúc Thingsboard 33 Hình 3.1 Mơ hình ứng dụng triển khai 35 Hình 3.2: Nội dung file Makefile ý nghĩa dòng lệnh cài đặt 39 Hình 3.3: Dữ liệu huấn luyện đầu vào 40 Hình 3.4 Phần mềm gán nhãn hình ảnh 41 Hình 3.5 Liên kết đường dẫn hình ảnh liệu đầu vào 42 Hình 3.6 Nội dung file cấu hình mơ hình huấn luyện 43 Hình 3.7 Kết thu sau huấn luyện mơ hình 45 Hình 3.8 Kết kiểm thử mơ hình Camera 45 Hình 3.9 Kết kiểm thử mơ hình tập Test Set 46 Hình 3.10 Hệ điều hành Jetpack 47 Hình 3.11 File onnx 48 Hình 3.12 File trt 48 Hình 3.13 So sánh kích thước mơ hình 49 Hình 3.14 Thử nghiệm mơ hình TensorRT 49 Hình 3.15 Kiến trúc mơ hình chưa tối ưu 50 Downloaded by Nguynhavy Ha Vy (Ntkphuong205@gmail.com) lOMoARcPSD|16911414 Hình 3.16 Kiến trúc mơ hình tối ưu 51 Hình 3.17 Giao diện Thingsboard sau cài đặt thành công 52 Hình 4.1 Mơ hình triển khai thực nghiệm 53 Hình 4.2 Hình ảnh Streaming Server 54 Hình 4.3 Khởi tạo thiết bị Thingsboard 55 Hình 4.4 Khởi tạo thiết bị Thingsboard 55 Hình 4.5 Lấy mã Token Thingsboard 56 Hình 4.6 Dashboard quản lý ứng dụng phát lửa 57 Hình 4.7 Rule Chain 57 Hình 4.8 Thiết lập điều kiện Rule chain 58 Hình 4.9 Kết huấn luyện YOLOv3-tiny 59 Hình 4.10 Thử nghiệm YOLOv3-tiny 60 Hình 4.11 Kết huấn luyện YOLOv4-tiny 61 Hình 4.12 Kết thử nghiệm YOLOv4-tiny 61 Hình 4.13 Kết huấn luyện YOLOv5 62 Hình 4.14 Kết thử nhiệm YOLOv5 63 Hình 4.15 Kiến trúc YOLOv5 68 Hình 4.16 Khởi động hệ thống 70 Hình 4.17 Kết thử nghiệm 71 Hình 4.18 Kết thử nghiệm 71 Hình 4.19 Thingsboard phát cảnh bảo 72 Hình 4.20 Email cảnh báo 72 Downloaded by Nguynhavy Ha Vy (Ntkphuong205@gmail.com) lOMoARcPSD|16911414 Danh mục bảng Bảng 2.1 Bảng phân lớp kiến trúc Yolo 17 Bảng 3.1 Danh sách thư viện cần cài đặt 38 Bảng 3.2 Diễn giải tham số file cấu hình 44 Bảng 4.1 Các thông số thu Laptop 64 Bảng 4.2 Các thông số thu Jetson Nano 65 Bảng diễn giải thuật ngữ viết tắt TỪ NỘI DUNG DIỄN GIẢI Trí tuệ nhân tạo AI Artificial Intelligence CUDA Compute Unified Device Architecture Kiến trúc tính tốn song song NVDIA GPU FPS Frames per second Tốc độ khung hình (Số khung hình hiển thị giây) MQTT Yolo Message Queueing Telnhómetry Giao thức truyền thơng điệp qua Transport mạng You only look once Mơ hình nhận dạng vật thể Downloaded by Nguynhavy Ha Vy (Ntkphuong205@gmail.com) lOMoARcPSD|16911414 TÓM TẮT ĐỀ TÀI Trong đề tài này, nhóm tập trung vào vấn đề sau: xây dựng mơ hình phát đám cháy áp dụng công nghệ học sâu, phát vật thể thời gian thực qua Camera, đánh giá hiệu mơ hình nhận diện vật thể triển khai ứng dụng lên bảng quản lý Web Server Các mơ hình sử dụng để phát lửa đề tài bao gồm: phiên Yolo (YOLOv3, YOLOv4, YOLOv5) tối ưu hóa định dạng TensorRT, Tflite Tuy nhiên, mơ hình thích hợp chạy thiết bị có cấu hình cao với CPU GPU mạnh, để đưa vào chạy thiết bị cấu hình thấp ta cần phải qua bước tối ưu, cấu hình thiết lập khác nhau, phương pháp trình bày sau báo cáo Thiết bị Jetson Nano phiên 2Gb sử dụng để thực thi mơ hình đề tài Với nhớ RAM có 2Gb nên thiết bị ln xảy tình trạng thiếu nhớ trình phát lửa Để đảm bảo trình diễn thơng suốt, khóa luận sử dụng số cấu trúc rút gọn mơ hình nhiên đảm bảo độ xác mức ổn định đào tạo đưa liệu vào Đồng thời, việc chuẩn bị gán nhãn liệu huấn luyện phải đảm bảo cẩn thận, nhằm tránh trường hợp mơ hình nhận diện sai vật thể Ví dụ thực thi mơ hình phát lửa, ánh đèn bóng đèn điện thường bị nhận diện nhầm, việc lựa chọn hình ảnh cần lựa chọn kỹ càng, tránh hình ảnh khiến mơ hình bị hiểu nhầm tìm kiếm vật thể Sau thực xây dựng mơ hình nói trên, kết luận đưa giải pháp sử dụng mơ hình TensorRT thiết bị Jetson Nano phương án thích hợp việc phát triển ứng dụng phát lửa thiết bị Jetson Nano Tflite chạy tốt thiết bị nhúng hãng khác Nvdia Downloaded by Nguynhavy Ha Vy (Ntkphuong205@gmail.com) lOMoARcPSD|16911414 CHƯƠNG : MỞ ĐẦU 1.1 Đặt vấn đề Hiện để phát lửa có nhiều phương pháp, ví dụ như: quan sát mắt thường người, hệ thống vệ tinh, cảm biến khơng khí MQ-135, hệ thống xử lý hình ảnh,… Quan sát mắt thường phương pháp truyền thống, nhiên không thiết thực có hỏa hoạn xảy Hệ thống vệ tinh cần thời gian quét dài cung cấp hình ảnh đám cháy theo thời gian thực Cảm biến MQ-135 mang lại nhầm lẫn khói bụi từ mơi trường bình thường khói đám cháy, việc phân biến số lượng cảm biến lớn tự nhiên khơng phù hợp với tính chất tiết kiệm chi phí Từ phương pháp ta thấy, kỹ thuật xử lý hình ảnh đem lại ưu điểm vượt trội, cần máy quay chất lượng cao, người dùng giám sát cánh rừng vài hecta, đồng thời phương pháp cung cấp chi tiết ba yếu tố đám cháy màu sắc, chuyển động kết cấu Trong đề tài này, nhóm đánh giá hiệu xây dụng mơ hình Deep Learning phát lửa ba phiên mơ hình nhận diện vật thể Yolo Sau lựa chọn mơ hình có hiệu suất cao nhất, bước tối ưu hóa thực hiện, mơ hình ban đầu hoạt động định dạng TensorRT- định dạng hỗ trợ tốt cho thiết bị hãng Nvdia Yolo mơ hình phát vật thể tiếng phổ biến với khả xử lý hình ảnh thời gian thực, vật thể nhỏ, ln có tỷ lệ phát xác thấp Tuy nhiên đề tài này, nhóm có khắc phục nhược điểm cách đưa hình ảnh lửa có kích thước nhỏ vào tệp huấn luyện, điều chỉnh thông số kích thước, độ lọc ảnh Ngồi ra, việc tối ưu mơ hình mang đến hiệu đáng kể việc tiết kiệm tài nguyên máy tính nhúng Downloaded by Nguynhavy Ha Vy (Ntkphuong205@gmail.com) ... tốn Yolo 19 2. 4 Tensorflow – TensorRT 23 2. 4.1 Giới thiệu Tensorflow 23 2. 4 .2 TensorRT 24 2. 4 .2. 1 Định nghĩa TensorRT 24 2. 4 .2. 2 Chu trình chuyển... TensorRT 25 Downloaded by Nguynhavy Ha Vy (Ntkphuong205@gmail.com) lOMoARcPSD|16911414 2. 5 Thiết bị Jetson Nano 26 2. 5.1 Giới thiệu chung 26 2. 5 .2 Cấu hình chi tiết... 20 Hình 2. 9 Định vị tham số Localization Loss 22 Hình 2. 10 Quá trình hình thành sản phẩm dựa TensorRT 25 Hình 2. 11 Thiết bị Jetson Nano 26 Hình 2. 12 Ví dụ luồng
Ngày đăng: 14/12/2022, 08:08
Xem thêm:
