PA Phạm Hoàng An

AI/ML Intern · Computer Vision AI/ML Intern · Computer Vision

Phạm Hoàng An I build ML systems from model to working demo. Tôi xây dựng hệ thống ML từ model đến demo chạy được.

ICT student at USTH focused on computer vision, real-time inference, and reproducible Python workflows. My work connects training, evaluation, demos, and clear documentation. Sinh viên ICT tại USTH, tập trung computer vision, inference thời gian thực và workflow Python có thể tái lập. Tôi kết nối training, evaluation, demo và tài liệu rõ ràng.

View Work Xem dự án Download CV Tải CV GitHub
YOLO YOLO detect detect

pose / object pose / object

bbox bbox
OpenCV OpenCV track track

geometry + motion hình học + chuyển động

fps fps
Real-time inference Inference thời gian thực infer infer

low-latency loop vòng lặp độ trễ thấp

live live
Reproducible runs Chạy tái lập reproduce tái lập

runbooks + repos runbook + repo

git git
ML workflowsWorkflow ML Training, evaluation, inference, algorithm evidenceTraining, evaluation, inference, bằng chứng thuật toán
Computer visionComputer vision Detection, tracking, homography, visual reviewDetection, tracking, homography, kiểm tra trực quan
Streaming logicLogic streaming Windowing, thresholds, voting, rejection gatesWindowing, threshold, voting, cổng từ chối
EvidenceBằng chứng Repos, runbooks, metrics, demosRepo, runbook, metric, demo

Selected work Dự án chọn lọc

Case studies built as readable algorithm systems. Case study được trình bày như hệ thống thuật toán dễ đọc.

Drive previewPreview từ Drive demo-theater
Watch Pickleball DemoXem demo Pickleball

Load the Google Drive preview inside this portfolio. Tải preview Google Drive trực tiếp trong portfolio.

Open in Drive Mở bằng Drive
12
court keypoints
4x
tracking cascade
2D
court projection

Computer Vision / Video Intelligence Computer Vision / Phân tích video

Pickleball Match Analysis Phân tích trận đấu Pickleball

ProblemVấn đề
Turn match footage into measurable signals: court geometry, ball/player tracking, and reviewable outputs.Chuyển video trận đấu thành tín hiệu có thể đo: hình học sân, tracking bóng/người chơi và output có thể kiểm tra.
ApproachCách làm
Built a Python pipeline for court keypoints, YOLO detections, temporal smoothing, homography, minimap, and heatmap export.Xây pipeline Python cho keypoint sân, YOLO detection, làm mượt theo thời gian, homography, minimap và xuất heatmap.
EvidenceBằng chứng
12 court keypoints, 4-stage ball tracking cascade, 2D court projection, annotated video output.12 keypoint sân, cascade tracking bóng 4 bước, chiếu tọa độ lên sân 2D và video output đã annotate.
Algorithm system Hệ thống thuật toán Tracking pipeline with geometry-aware review outputs. Pipeline tracking có output kiểm tra dựa trên hình học sân.
  1. 01
    Detect Detect YOLO keypoints YOLO keypoints

    Locate court, ball, and player candidates from match frames. Xác định sân, bóng và người chơi từ từng frame trận đấu.

  2. 02
    Track Track Kalman + temporal smoothing Kalman + làm mượt theo thời gian

    Stabilize detections before turning motion into useful signals. Ổn định detection trước khi chuyển chuyển động thành tín hiệu có ích.

  3. 03
    Project Chiếu tọa độ Homography Homography

    Map image-space movement onto a 2D court reference. Chuyển chuyển động trên ảnh sang mặt sân 2D tham chiếu.

  4. 04
    Review Kiểm tra Heatmap aggregation Tổng hợp heatmap

    Export minimap, heatmap, and annotated video for inspection. Xuất minimap, heatmap và video annotate để kiểm tra.

Frame loop · detection cascade · projection matrix Vòng lặp frame · detection cascade · ma trận chiếu Demo video Video demo 12 court keypoints 12 keypoint sân Minimap + heatmap Minimap + heatmap
YOLOv8-PoseOpenCVKalman FilterHomographyPython
Repository Repository Demo Demo
Streaming modelMô hình streaming signal-lab
3-5
samples
gate
threshold
cool
down state

Few-Shot Audio ML Audio ML few-shot

Open-Set Keyword Spotting Nhận diện từ khóa Open-Set

ProblemVấn đề
Detect custom keywords from a few examples while rejecting unknown audio in streaming use cases.Nhận diện từ khóa tùy chỉnh từ rất ít mẫu, đồng thời từ chối âm thanh ngoài tập trong luồng streaming.
ApproachCách làm
Implemented enrollment with prototype embeddings, thresholding, stream segmentation, voting, and cooldown control.Triển khai enrollment bằng prototype embeddings, thresholding, chia đoạn stream, voting và cooldown control.
EvidenceBằng chứng
3-5 sample enrollment, microphone streaming flow, open-set rejection, Colab/local runbooks.Đăng ký 3-5 mẫu, flow microphone streaming, cơ chế open-set rejection và runbook cho Colab/local.
Algorithm system Hệ thống thuật toán Few-shot streaming recognition with explicit rejection logic. Nhận diện streaming few-shot với logic từ chối rõ ràng.
  1. 01
    Segment Chia đoạn Sliding window stream Sliding window stream

    Split microphone audio into inference windows. Chia audio microphone thành các cửa sổ inference.

  2. 02
    Embed Embedding Prototype embeddings Prototype embeddings

    Represent each enrolled keyword with a compact prototype. Biểu diễn mỗi từ khóa đã đăng ký bằng prototype gọn.

  3. 03
    Score Chấm điểm Similarity threshold Ngưỡng similarity

    Compare stream windows against enrolled keyword prototypes. So sánh cửa sổ audio với prototype của từ khóa.

  4. 04
    Reject Từ chối Voting + cooldown Voting + cooldown

    Reduce false triggers and reject unknown audio. Giảm kích hoạt sai và từ chối âm thanh ngoài tập.

Window queue · prototype distance · threshold gate Hàng đợi window · khoảng cách prototype · cổng ngưỡng 3-5 sample enrollment Đăng ký 3-5 mẫu Open-set rejection Open-set rejection Colab/local runbooks Runbook Colab/local
PythonAudio MLEmbeddingsOpen-setStreaming
Repository Repository
Webcam inferenceInference webcam classifier-lab
10
classes
top-k
confidence
edge
TFLite path

Deep Learning / Real-Time CV Deep Learning / Computer Vision thời gian thực

Waste Classification System Hệ thống phân loại rác

ProblemVấn đề
Make waste recognition usable beyond training notebooks: image input, webcam inference, and evaluation.Đưa bài toán phân loại rác ra khỏi notebook: xử lý ảnh, inference webcam và đánh giá model.
ApproachCách làm
Combined MobileNetV2 classification and YOLOv8 detection for training, evaluation, and real-time demos.Kết hợp MobileNetV2 classification và YOLOv8 detection cho training, evaluation và demo thời gian thực.
EvidenceBằng chứng
10-class recognition, transfer learning, webcam labels, evaluation artifacts, TFLite path.Nhận diện 10 lớp, transfer learning, label webcam, artifact đánh giá và hướng chuyển sang TFLite.
Algorithm system Hệ thống thuật toán Classification system shaped for webcam and edge-ready demos. Hệ thống classification hướng tới webcam và demo edge-ready.
  1. 01
    Input Input Image / webcam stream Ảnh / webcam stream

    Handle still images and live webcam frames. Xử lý ảnh tĩnh và frame từ webcam.

  2. 02
    Infer Inference MobileNetV2 + YOLO MobileNetV2 + YOLO

    Run classification and detection paths for practical demos. Chạy luồng classification và detection cho demo thực tế.

  3. 03
    Rank Xếp hạng Top-k confidence Top-k confidence

    Surface class confidence instead of a black-box label. Hiển thị độ tin cậy theo lớp thay vì chỉ trả về nhãn.

  4. 04
    Export Xuất Evaluation + TFLite path Evaluation + hướng TFLite

    Keep a path from training artifact to lightweight inference. Giữ đường đi từ artifact training đến inference nhẹ.

Top-k rank · class route · edge export path Xếp hạng top-k · định tuyến lớp · hướng export edge 10 classes 10 lớp Webcam labels Label webcam Evaluation artifacts Artifact đánh giá
TensorFlowMobileNetV2YOLOv8TFLiteOpenCV
Repository Repository

Technical stack Kỹ năng kỹ thuật

ML systems map from model to inference evidence. Bản đồ hệ thống ML từ model đến bằng chứng inference.

Layer Tầng 01

Modeling CoreLõi mô hình

TensorFlow/Keras, PyTorch, scikit-learn, transfer learning, model evaluation.TensorFlow/Keras, PyTorch, scikit-learn, transfer learning, đánh giá model.

Layer Tầng 02

Signal + GeometryTín hiệu + hình học

YOLO, OpenCV, keypoints, tracking, homography, audio segmentation.YOLO, OpenCV, keypoints, tracking, homography, chia đoạn audio.

Layer Tầng 03

Inference SystemsHệ thống inference

Real-time loops, threshold gates, top-k confidence, webcam and microphone demos.Vòng lặp thời gian thực, cổng ngưỡng, top-k confidence, demo webcam và microphone.

Layer Tầng 04

Evaluation EvidenceBằng chứng đánh giá

Annotated outputs, heatmaps, evaluation artifacts, repo-backed demos.Output annotate, heatmap, artifact đánh giá, demo có repo kiểm tra.

Layer Tầng 05

ReproducibilityKhả năng tái lập

Python workflows, notebooks to scripts, runbooks, Git/GitHub, Linux CLI.Workflow Python, chuyển notebook thành script, runbook, Git/GitHub, Linux CLI.

Recruiter proof Bằng chứng cho recruiter

An evidence ledger for fast technical review. Evidence ledger để recruiter review kỹ thuật nhanh.

01

Repo-backed systemsHệ thống có repo kiểm tra

Each selected project links to source code and a concrete implementation path.Mỗi project chính đều có link source code và hướng triển khai cụ thể.

02

Algorithmic clarityThuật toán rõ ràng

Project evidence is presented as pipelines: detect, track, threshold, rank, reject, export.Bằng chứng project được trình bày theo pipeline: detect, track, threshold, rank, reject, export.

03

Review packageBộ hồ sơ để review

CV, LinkedIn, email, selected repos, and demo links are reachable without friction.CV, LinkedIn, email, repo chọn lọc và link demo đều dễ truy cập.

04

Demo-visible workDự án có demo để xem

The portfolio favors visible outputs: annotated video, streaming flow, webcam labels, and evaluation artifacts.Portfolio ưu tiên output nhìn được: video annotate, flow streaming, label webcam và artifact đánh giá.

Source-firstƯu tiên nguồn gốc Repo-backedCó repo kiểm tra Demo-visibleCó demo để xem

ProfileHồ sơ

ICT student preparing for AI/ML internship roles. Sinh viên ICT hướng tới vai trò AI/ML Intern.

I prefer practical ML work: define a target, train and evaluate the model, ship a runnable demo, then document the workflow so others can reproduce it. Tôi phù hợp với công việc ML thực tế: xác định mục tiêu, train và đánh giá model, làm demo chạy được, rồi viết tài liệu để người khác có thể tái lập.

Learning modeChế độ học Build, measure, explainLàm, đo, giải thích Current direction: production-minded ML demos.Định hướng hiện tại: demo ML có tư duy triển khai.

USTH - Information and Communication TechnologyUSTH - Công nghệ Thông tin và Truyền thông

Undergraduate ICT program focused on programming, AI/ML, computer vision, and applied software projects.Chương trình đại học ICT tập trung vào lập trình, AI/ML, computer vision và các dự án phần mềm ứng dụng.

Machine Learning Specialization - Stanford / DeepLearning.AIMachine Learning Specialization - Stanford / DeepLearning.AI

Coursera specialization in supervised learning, advanced learning algorithms, and practical ML foundations.Chứng chỉ Coursera về supervised learning, thuật toán học máy nâng cao và nền tảng ML thực hành.

Chu Van An High School - Informatics ClassTHPT Chu Văn An - Lớp chuyên Tin

Informatics track with early foundations in programming and computational thinking.Lớp chuyên Tin với nền tảng sớm về lập trình và tư duy tính toán.

ContactLiên hệ

Open to AI/ML internship roles. Sẵn sàng cho cơ hội AI/ML internship.

For internships, applied ML projects, or computer vision collaboration, contact me by email or LinkedIn. Liên hệ qua email hoặc LinkedIn cho internship, project applied ML hoặc hợp tác computer vision.

Available for internship reviewSẵn sàng để recruiter xem hồ sơ Best fit: AI/ML, Computer Vision, Python workflows.Phù hợp nhất: AI/ML, Computer Vision, workflow Python.
Email CV GitHub LinkedIn