ZenityX Course Outline
Workshop 2 ชั่วโมง · AI Object Detection · Claude Code

Smart Intrusion Detection
with YOLO26

ระบบตรวจจับผู้บุกรุกอัจฉริยะด้วย YOLO26 — ตรวจจับคนและรถ
แล้วแจ้งเตือนทางอีเมลพร้อมภาพและคลิป 8 วินาที

กล้องวงจรปิดยามค่ำคืนตรวจพบคนหน้าร้านพร้อมกรอบตรวจจับ

ออกแบบหลักสูตรโดยสถาบัน ZenityX

Format
Workshop 2 ชั่วโมง · สอนทีละ Prompt
วาง Prompt → AI เขียนโค้ด → รันดูผลทันที
Duration
120 นาที · 9 ช่วงการเรียน
ปูพื้น AI Detection แล้วลงมือสร้างระบบทีละเฟส
Core Tool
Claude Code + YOLO26
Python · OpenCV · Ultralytics · ffmpeg · Gmail SMTP
Core Output
ระบบกล้องแจ้งเตือนผู้บุกรุก
อีเมลพร้อมภาพ + คลิป 8 วินาที (ก่อนเหตุ 3 วิ หลังเหตุ 5 วิ)
Section 01

1. ภาพรวมหลักสูตร

Workshop 2 ชั่วโมงที่ผู้เรียนสร้างระบบกล้องวงจรปิดอัจฉริยะได้เองตั้งแต่โฟลเดอร์ว่าง โดยใช้ Claude Code เป็น AI Agent เขียนโค้ด Python + OpenCV + YOLO26 ให้ทีละเฟส ผู้เรียนเพียงวาง Prompt ที่เตรียมไว้ แล้วรันดูผลได้ทันที

เส้นเรื่องของ Workshop
จากกล้องที่ “บันทึก” แต่ไม่มีใครดู ระบบที่รู้ว่า “อะไร” เข้ามา
แล้วส่งหลักฐานถึงมือถือทันที
AI ตรวจจับคนในโซนหน้าบ้านแล้วส่งการแจ้งเตือนถึงมือถือ
กล้องวงจรปิดทั่วไป
บันทึก แต่ไม่มีใครดู
รู้ตัวเมื่อเสียหายไปแล้ว
Motion Detection
เตือนทุกอย่างที่ขยับ
ใบไม้ เงา แมว — เตือนหลอกจนคนเลิกสนใจ
AI Detection
รู้ว่า “อะไร” ขยับ
แจ้งเฉพาะคน/รถ ในโซนที่สนใจ ในเวลาที่ไม่ควรมีใคร
ใช้งานได้กับบ้านกลางคืนร้านค้าหลังปิดโกดังลานจอดรถห้อง serverแปลงเกษตร
Section 02 — 03

2. วัตถุประสงค์การเรียนรู้

เมื่อจบ Workshop ผู้เรียนจะทำสิ่งเหล่านี้ได้ด้วยตัวเอง บนเครื่องของตัวเอง

01
อธิบาย AI Object Detection ได้
แยกจาก Classification และ Segmentation ได้
02
เข้าใจว่า YOLO26 ทำงานอย่างไร
มองครั้งเดียว ทายกรอบ คลาส confidence
03
ใช้ Claude Code สร้างระบบเองทีละเฟส
สร้างด้วย Python + OpenCV + YOLO26
04
เลือกขนาดโมเดลให้เหมาะกับเครื่อง
เทียบ YOLO26 n / s / m ด้วย benchmark
05
กำหนดช่วงเวลา โซน และคลาสได้
เฝ้าระวังเฉพาะสิ่งที่สนใจ และลดการแจ้งเตือนหลอก
06
ส่งอีเมลแจ้งเตือนพร้อมหลักฐาน
ภาพ + คลิป 8 วินาที ผ่าน Gmail App Password

3. กลุ่มผู้เรียนและพื้นฐาน

กลุ่มผู้เรียน
ผู้เริ่มต้นที่อยากใช้ AI ทำระบบจริง

Claude Code เป็นผู้เขียนโค้ด
ผู้เรียนสั่งงาน รันระบบ และตรวจผลลัพธ์

  • เจ้าของกิจการ ร้านค้า และผู้ดูแลอาคาร
  • นักศึกษาและครูสายคอมพิวเตอร์
  • ไม่ต้องเขียนโค้ดเป็นก็เรียนได้
พื้นฐานที่ต้องมี
ติดตั้ง Claude Code + Python มาก่อนเข้าคลาส
  • โน้ตบุ๊ก Mac หรือ Windows (RAM 8 GB+)
  • บัญชี Gmail ที่เปิด 2-Step Verification
ไม่จำเป็นต้องมี
  • GPU — YOLO26n รันบน CPU ได้
  • กล้องจริง — ในคลาสใช้คลิปวิดีโอ
Work Styleสอนทีละ Prompt · เริ่มจากโฟลเดอร์ว่าง + คลิปทดสอบที่แจกให้
1
วาง Prompt ใน Claude CodePrompt พร้อมใช้ทุกเฟส
2
AI เขียนโค้ดให้เขียนและแก้ไฟล์ให้
3
รันดูผลทันทีเห็นกรอบบนวิดีโอจริง
Section 04

4. ผลลัพธ์หลังเรียน

ระบบที่ทำงานได้จริงบนเครื่องของผู้เรียน พร้อมต่อยอดกับกล้องจริงผ่าน webcam หรือ RTSP

สถาปัตยกรรมระบบ กล้อง เฟรมบัฟเฟอร์ YOLO26 ตัวกรอง เหตุการณ์ หลักฐาน และอีเมล
01
ตรวจจับคนและรถ
detector.py แสดงกรอบ จำนวน FPS จากไฟล์ webcam หรือ RTSP
02
ผล benchmark n / s / m
ตารางเทียบขนาดโมเดล เลือกรุ่นที่เหมาะกับเครื่อง
03
ช่วงเวลา + โซนเฝ้าระวัง
ARMED 22:00–06:00 และโซนที่วาดเองบนภาพจริง
04
กรองคลาส กันเตือนหลอก
person · car · motorcycle
ยืนยัน 3 เฟรม + cooldown 60 วิ
05
หลักฐานทุกเหตุการณ์
snapshot + คลิป 8 วิ (H.264) + event.json
06
อีเมลแจ้งเตือนจริง
Gmail SMTP ภาพในตัว + ไฟล์แนบ
ไฟล์โปรเจกต์ที่ได้กลับไป
detector.pyตัวระบบหลัก
config.yamlไฟล์ตั้งค่าระบบ
benchmark.pyเทียบขนาดโมเดล
.envเก็บรหัสลับ
CLAUDE.mdบันทึกโปรเจกต์
Section 05

5. ตารางเวลา

120 นาที — ปูพื้นความเข้าใจสั้น ๆ แล้วใช้เวลาส่วนใหญ่ลงมือสร้างระบบทีละเฟส จนส่งอีเมลแจ้งเตือนได้จริง

25 นาทีเปิดคลาส + ทฤษฎี
10Setup
75 นาทีสร้างระบบ 5 เฟส
10รันเต็ม
0:00–0:10
Introเปิดคลาสแนะนำผู้สอน · ดูผลลัพธ์ปลายทาง (อีเมลแจ้งเตือนจริง) · เป้าหมายวันนี้
0:10–0:25
LectureAI Detection & YOLO26Detection คืออะไร · YOLO26 คืออะไร ทำไมต้องใช้ ทำงานอย่างไร · ช่วยกันขโมยอย่างไร
0:25–0:35
Setup · S0เครื่องมือ + SetupClaude Code · Python · OpenCV · Ultralytics/YOLO26 · ffmpeg · Gmail
0:35–0:50
Phase 1 · P1ตรวจจับคนแหล่งภาพ 3 แบบ: ไฟล์วิดีโอ / webcam / RTSP
0:50–1:00
Phase 2 · P2เลือกขนาดโมเดลเทียบ n / s / m · เสริม P2B ลองงาน segmentation และ pose
1:00–1:15
Phase 3 · P3ช่วงเวลา + โซนเฝ้าระวัง 22:00–06:00 · วาดโซนบนภาพจริง
1:15–1:25
Phase 4 · P4กรองคลาสเลือกจาก 80 คลาส · กันแจ้งเตือนหลอก
1:25–1:50
Phase 5 · P5หลักฐาน + อีเมลP5A เก็บภาพ + คลิป · สร้าง App Password · P5B ส่งอีเมล
1:50–2:00
RUNรันระบบเต็ม + ต่อยอดBonus RTSP / แผงควบคุมเว็บ · ถาม-ตอบ
เวลาปรับได้ตามความเหมาะสม — ตารางเวลาเป็นแนวทาง ผู้สอนอาจปรับเวลาแต่ละช่วงให้เหมาะกับความคืบหน้าของผู้เรียน โดยเนื้อหาและผลลัพธ์หลักยังครบถ้วน

S0 · P1 – P5B · RUN คือรหัส Prompt ของแต่ละช่วง ผู้เรียนคัดลอกไปวางใน Claude Code ได้ทันที

Section 06 · Lecture
Lecture0:10–0:25 · 15 นาที

AI Detection คืออะไร

Computer Vision มี 3 ระดับ — Workshop นี้ใช้ระดับกลาง คือ Object Detection — มีอะไร อยู่ตรงไหน กี่ชิ้น

Computer Vision 3 ระดับ Classification Object Detection และ Segmentation
Level 1
Classification
ภาพนี้คืออะไร
Level 2 · ใช้ในคลาส
Object Detection
มีอะไร อยู่ตรงไหน กี่ชิ้น
Level 3
Segmentation
รูปร่างของวัตถุละเอียดทีละพิกเซล
ผลลัพธ์ของ Detection ต่อ 1 วัตถุ
กรอบ(x, y, w, h) ตำแหน่งในภาพ
คลาสperson วัตถุนั้นคืออะไร
ความมั่นใจconfidence 0.87
วิดีโอ = ภาพนิ่งหลายสิบภาพต่อวินาที
ระบบจึงตรวจจับได้ทุกเฟรมแบบ real-time ซึ่งเป็นหัวใจของกล้องที่แจ้งเตือนได้เอง
Section 06 · Lecture
Lecture0:10–0:25 · 15 นาที

YOLO26 คืออะไร ทำงานอย่างไร

YOLO = You Only Look Once — มองภาพครั้งเดียว ทายทุกวัตถุพร้อมกัน จึงเร็วพอสำหรับวิดีโอสด

YOLO26 รับภาพเข้า ผ่าน Backbone Neck และ Head ได้ผลลัพธ์แบบ end-to-end ไม่ต้อง NMS
จากภาพเข้าสู่ผลลัพธ์ ในภาพเดียวจบ
01 · Backboneดึงลักษณะเด่นขอบ รูปร่าง พื้นผิว
02 · Neckรวมลักษณะหลายขนาดทั้งของใหญ่และของเล็ก
03 · Headทายผลทันทีกรอบ + คลาส + confidence
รุ่นล่าสุดของ Ultralytics
ออก มกราคม 2026 เร็วบนเครื่องทั่วไปและอุปกรณ์ edge
COCO 80 คลาส
คน รถยนต์ มอเตอร์ไซค์ รถบรรทุก จักรยาน ฯลฯ ใช้ได้ทันทีไม่ต้องเทรน
ทำได้หลายงาน
Detection · Segmentation · Pose · Classification · OBB (กรอบเอียง)
Section 06 · Lecture
Lecture0:10–0:25 · 15 นาที

ทำไมต้อง YOLO26 และเลือกขนาดไหน

จุดเด่น YOLO26 ไม่ต้อง NMS เร็วบน CPU จับวัตถุเล็ก และ export ได้ทุกที่
  1. 01End-to-end ไม่ต้อง NMSทายกรอบสุดท้ายได้เลย ไม่ต้องกรองกรอบซ้ำ ขั้นตอนน้อย นำไปใช้ง่าย
  2. 02เร็วบน CPUผู้พัฒนารายงานว่า YOLO26n เร็วกว่า YOLO11n บน CPU สูงสุดราว 43%
  3. 03เบา export ง่ายตัด DFL ออก ส่งออก ONNX / TensorRT / CoreML / OpenVINO ได้
  4. 04จับวัตถุเล็กดีขึ้น (STAL)เหมาะกับกล้องวงจรปิดมุมสูงที่คนในภาพดูตัวเล็ก
3 linesfrom ultralytics import YOLOmodel = YOLO("yolo26n.pt")model(frame)
5 ขนาดของ YOLO26 (COCO 640px · ข้อมูล Ultralytics)
รุ่น
mAP50-95
CPU ONNX (ms)
Params (M)
ในคลาส
YOLO26n
40.9
38.9
2.4
เทียบใน Phase 2
YOLO26s
48.6
87.2
9.5
เทียบใน Phase 2
YOLO26m
53.1
220.0
20.4
เทียบใน Phase 2
YOLO26l
55.0
286.2
24.8
—
YOLO26x
57.5
525.8
55.7
—
Section 06 · Setup
Setup0:25–0:35 · 10 นาทีPrompt S0

เครื่องมือวันนี้ และทำไมต้องใช้

เตรียมโปรเจกต์: สร้าง .venv ติดตั้งไลบรารี ตรวจคลิปทดสอบ และสร้าง CLAUDE.md ให้ AI จำบริบทโปรเจกต์

เครื่องมือ Claude Code Python OpenCV Ultralytics YOLO26 และ Gmail SMTP ทำงานร่วมกัน
เครื่องมือ
บทบาท
ทำไมใช้
Claude Code
AI Agent เขียนโค้ด รันโค้ด แก้ error ให้ในโฟลเดอร์โปรเจกต์
สั่งเป็นภาษาไทย ไม่ต้องเขียนโค้ดเอง
Python 3.10+
ภาษาหลักของ AI
ไลบรารี AI ครบที่สุด
OpenCV
อ่านวิดีโอ/กล้อง วาดกรอบ บันทึกคลิป
ต่อ webcam / RTSP ได้
Ultralytics + YOLO26
“สมอง” ตรวจจับวัตถุ
โมเดลล่าสุด เร็ว ใช้ 3 บรรทัด
imageio-ffmpeg
แปลงคลิปเป็น H.264
เปิดได้ทุกเครื่องและมือถือ
Gmail SMTP + App Password
ส่งอีเมลแจ้งเตือน
ฟรี ปลอดภัยกว่าใช้รหัสจริง
python-dotenv (.env)
เก็บรหัสแยกจากโค้ด
รหัสไม่หลุดไปกับโค้ด
Claude Codeวิศวกรที่เราสั่งงาน
Ultralyticsกล่องเครื่องมือ
YOLO26สมองที่มองเห็น
OpenCVตาและมือ
Gmailผู้ส่งสาร
Section 06 · Phase 1
Phase 10:35–0:50 · 15 นาทีPrompt P1

ตรวจจับคนด้วย YOLO26

ให้ Claude Code เขียน detector.py + config.yaml ที่อ่านวิดีโอ ตรวจจับคนทุกเฟรม แล้ววาดกรอบให้เห็นทันที

ระบบตรวจพบคนในสำนักงาน พร้อมกรอบ person 0.90 จำนวนคน และ FPS
ภาพจริงจากระบบที่สร้างในคลาส — กรอบตรวจจับ จำนวนคน และ FPS
  1. 01detector.py + config.yamlไฟล์ระบบหลัก และไฟล์ตั้งค่า (source · model · confidence 0.5)
  2. 02กรอบแดง + จำนวนคน + FPSแสดงบนวิดีโอทุกเฟรม พร้อมป้าย เช่น person 0.87
  3. 03แหล่งภาพ 3 แบบไฟล์วิดีโอ · 0 = webcam · rtsp:// = กล้องวงจรปิด
  4. 04เลือกอุปกรณ์ประมวลผลอัตโนมัติcuda › mps (Mac) › cpu — เครื่องทั่วไปก็รันได้
AI ทดสอบให้ก่อน แล้วผู้เรียนรันเอง
Claude Code ทดสอบด้วย --no-window ก่อน แล้วบอกคำสั่งให้ผู้เรียนรันแบบเปิดหน้าต่าง (กด q เพื่อออก) พร้อมอธิบายโค้ดทีละส่วนสั้น ๆ
ชิ้นงานที่ได้
detector.py ตรวจจับคนได้จริง
เห็นกรอบตรวจจับ จำนวนคน และ FPS บนคลิปทดสอบที่แจกให้
Section 06 · Phase 2
Phase 20:50–1:00 · 10 นาทีPrompt P2 + P2B

เลือกขนาดโมเดลให้เหมาะกับเครื่อง

เพิ่มตัวเลือก --model แล้วให้ benchmark.py วัดผล YOLO26 n / s / m บนเครื่องของผู้เรียนเอง

ภาพ benchmark เทียบผลตรวจจับของ YOLO26 n s และ m บนเฟรมเดียวกัน
benchmark.jpg — ผลเทียบ n / s / m จากระบบจริง
YOLO26 segmentation ระบายรูปร่างคนในทางเดิน
P2B · Segmentation — รูปร่างทีละพิกเซล
YOLO26 pose แสดงจุดข้อต่อร่างกายของคนที่เดิน
P2B · Pose — จุดข้อต่อร่างกาย
  1. 01เพิ่ม --modelสลับ n / s / m ได้จากคำสั่ง ไม่ต้องแก้โค้ด
  2. 02benchmark.pyตารางเทียบ n / s / m + ภาพ benchmark.jpg
  3. 03เสริม P2Bลองงาน segmentation และ pose ของ YOLO26
  4. 04หลักเลือกขนาดFPS ต่ำ → ใช้ yolo26n หรือลด imgsz เป็น 480
YOLO26n
เร็วที่สุด
38.9 ms บน CPU · mAP 40.9
YOLO26s
ตรงกลาง
87.2 ms บน CPU · mAP 48.6
YOLO26m
แม่นที่สุดใน 3 รุ่น
220.0 ms บน CPU · mAP 53.1
ชิ้นงานที่ได้
ผล benchmark บนเครื่องตัวเอง
รู้ว่าเครื่องนี้ควรใช้ YOLO26 ขนาดไหน ระหว่างความเร็วกับความแม่น
Section 06 · Phase 3
Phase 31:00–1:15 · 15 นาทีPrompt P3

กำหนดช่วงเวลาและโซนเฝ้าระวัง

ระบบที่ดีเฝ้าเฉพาะ เวลาที่ไม่ควรมีใคร และเฉพาะ พื้นที่ที่สนใจ — ภาพยังแสดงตลอด แต่นับเป็นเหตุการณ์เฉพาะเมื่อเข้าเงื่อนไข

ลานจอดรถมีโซนสีแดง ตรวจพบคนและมอเตอร์ไซค์ในโซน สถานะ ARMED
ภาพจริงจากระบบ — โซนลานจอดรถ สถานะ ARMED 22:00–06:00
  1. 01ช่วงเวลา 22:00–06:00รองรับช่วงข้ามเที่ยงคืน · ทดสอบด้วย --now HH:MM
  2. 02สถานะ ARMED / DISARMEDป้ายแดงเมื่อเฝ้าอยู่ · ป้ายเทาเมื่ออยู่นอกช่วงเวลา
  3. 03วาดโซนด้วย --draw-zoneคลิกเมาส์วาดรูปหลายเหลี่ยมบนเฟรมแรก แยกตามกล้อง
  4. 04นับเฉพาะ “จุดเท้า” ในโซนในโซนกรอบสีแดง นอกโซนกรอบสีเทา
ผู้เรียนลองวาดโซนเอง
ฝึกกับคลิป 13_cctv_carport_motorcycle · คลิปหรือกล้องที่ยังไม่มีโซน ระบบถือว่าทั้งภาพเป็นโซน
ชิ้นงานที่ได้
ระบบเฝ้าระวังตามเวลาและโซน
โซนบันทึกใน config.yaml ใช้ได้กับทุกความละเอียดของภาพ
Section 06 · Phase 4
Phase 41:15–1:25 · 10 นาทีPrompt P4

กรองคลาส กันแจ้งเตือนหลอก

YOLO26 รู้จัก 80 คลาส — เลือกเฉพาะสิ่งที่ต้องเฝ้าระวัง แล้วยืนยันด้วยจำนวนเฟรมก่อนนับเป็นเหตุการณ์

ลานจอดรถ ระบบตรวจพบรถยนต์ในโซนและขึ้น INTRUSION DETECTED
ภาพจริงจากระบบ — ตรวจพบรถยนต์ในโซน ขึ้นป้าย INTRUSION DETECTED
  1. 01เลือกคลาส[person, car, motorcycle] ใน config.yaml
  2. 02--list-classesดูรายชื่อ 80 คลาสพร้อมชื่อภาษาไทย
  3. 03สีต่อคลาสแยกคน รถยนต์ มอเตอร์ไซค์ ให้อ่านง่ายบนจอ
  4. 04เจอติดกัน 3 เฟรม + cooldown 60 วิไม่แจ้งซ้ำรัว ๆ และไม่เตือนจากภาพหลุดเฟรมเดียว
ยังเตือนหลอกบ่อย?
เพิ่ม confidence เป็น 0.6 · วาดโซนให้แคบลง · ปรับ min_consecutive_frames เป็น 5
Section 06 · Phase 5
Phase 51:25–1:50 · 25 นาทีPrompt P5A + P5B

เก็บหลักฐาน และส่งอีเมลแจ้งเตือน

เมื่อเกิดเหตุ ระบบบันทึกภาพและคลิปที่มีช่วง ก่อนเหตุ ด้วย แล้วส่งถึงอีเมลพร้อมภาพในตัวและไฟล์แนบ

ภาพกล้องกลางคืน IR ตรวจพบคนในสำนักงาน บันทึก snapshot และคลิป 8 วินาที
ภาพจริงจากระบบ — กลางคืน IR · EVENT SAVED snapshot + clip.mp4 (8 วิ)
ก่อนเหตุ 3 วิจาก buffer ย้อนหลัง
เหตุการณ์
หลังเหตุ 5 วิบันทึกต่อจนครบ
P5A · Evidence
เก็บหลักฐาน
  • snapshot + คลิป 8 วิ แปลงเป็น H.264 ด้วย imageio-ffmpeg
  • เปิดได้ทุกเครื่องและบนมือถือ
  • บันทึก events/…/event.json ทุกเหตุการณ์
P5B · Email
ส่งอีเมลแจ้งเตือน
  • Gmail SMTP พอร์ต 465 SSL · รหัสเก็บใน .env
  • อีเมล HTML ภาษาไทย ภาพในตัว + แนบไฟล์
  • EMAIL_SEND=false → เก็บเป็น email.eml
ชิ้นงานที่ได้
อีเมลแจ้งเตือนถึงกล่องจดหมายจริง
ภาพเหตุการณ์ในตัวอีเมล + คลิป 8 วินาทีเป็นไฟล์แนบ ทดสอบด้วย --test-email
Section 06 · Phase 5
Phase 51:25–1:50 · 25 นาที

สร้าง Google App Password ทีละขั้น

ผู้เรียนทำเองบนบัญชี Gmail ของตัวเอง ระหว่าง P5A กับ P5B — ระบบใช้รหัสนี้แทนรหัส Gmail จริง

  1. 1
    เปิดการยืนยันแบบ 2 ขั้นตอนที่ myaccount.google.com/security เปิด 2-Step Verification ถ้ายังไม่เปิด
  2. 2
    เปิดหน้า App Passwordsที่ myaccount.google.com/apppasswords (ล็อกอินอีกครั้งถ้าถูกถาม)
  3. 3
    ตั้งชื่อแอป แล้วกดสร้างเช่น YOLO26 Alert → กด สร้าง
  4. 4
    คัดลอกรหัส 16 ตัวรหัสแสดงครั้งเดียว · เว้นวรรคหรือไม่ก็ได้
  5. 5
    พิมพ์ลงไฟล์ .env เองเปิดไฟล์ .env ในโปรเจกต์ แล้วใส่ค่าตามกล่องด้านขวา
  6. 6
    ทดสอบส่งอีเมลรัน .venv/bin/python detector.py --test-email แล้วเช็คกล่องจดหมาย
.env
SMTP_USER=อีเมลของคุณ
SMTP_PASSWORD=รหัส16ตัว
EMAIL_TO=อีเมลผู้รับ
EMAIL_SEND=true
Windows
.venv\Scripts\python detector.py --test-email
ห้ามวางรหัสในแชท AIพิมพ์ลง .env เองเท่านั้น รหัสจึงไม่หลุดไปกับโค้ดหรือแชท
ถ้าติดปัญหา
ไม่เห็นเมนู App Password
ยังไม่เปิด 2-Step หรือเป็นบัญชีองค์กร (Google Workspace) ที่ปิดเมนูนี้ไว้
ใช้รหัส Gmail ปกติไม่ได้
ต้องเป็น App Password เท่านั้น — ถ้าเจอ 535 ให้สร้างรหัสใหม่
ยกเลิกได้ทุกเมื่อ
ลบ App Password ได้ที่หน้าเดิม เมื่อเลิกใช้ระบบ
Section 06 · RUN
RUN + Bonus1:50–2:00 · 10 นาทีPrompt RUN

รันระบบเต็ม และต่อยอด

รันทุกเฟสรวมกันกับคลิปกลางคืน IR แล้วให้ Claude Code อัปเดต CLAUDE.md ว่าระบบทำอะไรได้บ้าง และรันด้วยคำสั่งอะไร

สถาปัตยกรรมระบบที่ได้ — ทุกเฟสต่อกันครบ
กล้อง / วิดีโอไฟล์ · webcam · RTSP
OpenCV อ่านเฟรม+ buffer ย้อนหลัง
YOLO26 ตรวจจับกรอบ คลาส ความมั่นใจ
กรองเหตุการณ์คลาส · โซน · เวลา
เหตุการณ์เจอติด 3 เฟรม · cooldown 60 วิ
หลักฐานsnapshot + คลิป 8 วิ (H.264)
อีเมล Gmailภาพในตัว + ไฟล์แนบ
Bonus B1
ต่อกล้องจริง
RTSP / webcam · อ่าน URL กล้องจาก .env · ต่อใหม่เองเมื่อหลุด
Bonus B2
แผงควบคุมบนเว็บ
ผู้สอนโชว์ demo แผงควบคุม Flask: ดูภาพสด เลือกคลาส/โมเดล ดูเหตุการณ์
Q&A
ถาม-ตอบ
ทบทวนระบบที่ได้ และแนวทางต่อยอดกับสถานที่จริงของผู้เรียน
แก้ปัญหาที่พบบ่อย
อาการ
สาเหตุ
วิธีแก้
ModuleNotFoundError: ultralytics
รันด้วย Python นอก .venv
ใช้ .venv/bin/python (Windows .venv\Scripts\python)
FPS ต่ำมาก
ใช้โมเดลใหญ่บน CPU
ใช้ yolo26n · ลด imgsz เป็น 480
ไม่มีเหตุการณ์เลย
อยู่นอกช่วงเวลา (DISARMED)
ตั้ง schedule ให้ครอบเวลาปัจจุบัน
คลิปเปิดในมือถือไม่ได้
ยังเป็น mp4v
แปลง H.264 ด้วย imageio-ffmpeg (P5A)
webcam เปิดไม่ได้บน Mac
ยังไม่ให้สิทธิ์กล้อง
System Settings → Privacy → Camera
RTSP ต่อไม่ได้
URL/รหัสผิด หรือคนละวง LAN
ทดสอบ URL ใน VLC ก่อน · ใช้ sub stream
Section 07 — 08

7. ขอบเขตการสอน

กำหนดชัดตั้งแต่ต้นว่า 2 ชั่วโมงนี้สอนอะไร และอะไรอยู่นอกขอบเขต

อยู่ในขอบเขต
  • พื้นฐาน AI Object Detection และ YOLO26
  • ใช้ Claude Code สร้างระบบทีละเฟส
  • ตรวจจับจากไฟล์วิดีโอ webcam และ RTSP
  • กำหนดช่วงเวลา โซน และคลาส
  • หลักฐานภาพ + คลิป 8 วินาที
  • อีเมลแจ้งเตือนผ่าน Gmail App Password
นอกขอบเขต
  • การเทรนโมเดลด้วยข้อมูลของตัวเอง (ใช้โมเดล COCO 80 คลาสที่พร้อมใช้)
  • การติดตั้งกล้องและเดินระบบเครือข่ายจริง
  • การนำระบบขึ้น server หรือ cloud
  • การเขียนโค้ดเชิงลึกด้วยตัวเอง

8. การประเมินผลในคลาส

ประเมินจากระบบที่รันได้จริงบนเครื่องของผู้เรียน — ไม่มีข้อสอบ

detector.py แสดงกรอบ จำนวน และ FPS บนคลิปทดสอบได้
benchmark n / s / m รันได้ และอธิบายได้ว่าควรใช้รุ่นไหน
ระบบเฝ้าเฉพาะช่วงเวลาและโซนที่กำหนด (ARMED / DISARMED)
แจ้งเหตุเฉพาะคลาสที่เลือก หลังเจอติดกัน 3 เฟรม
--test-email ส่งถึงกล่องจดหมายจริง พร้อมภาพและคลิป 8 วินาที
หลักความปลอดภัยของรหัส
รหัสอยู่ใน .envแยกจากโค้ด ไม่ปนอยู่ในโค้ด
ไม่วางในแชท AIผู้เรียนพิมพ์รหัสลงไฟล์เอง
ยกเลิกได้ทุกเมื่อลบ App Password ได้ที่หน้าเดิม
Section 09

9. สิ่งที่ผู้เรียนต้องเตรียม

เตรียมให้พร้อมก่อนวันเรียน เพื่อให้ทุกช่วงของ 2 ชั่วโมงได้ลงมือสร้างระบบจริง

1
โน้ตบุ๊ก Mac หรือ Windows (RAM 8 GB+)ไม่ต้องมี GPU — YOLO26n รันบน CPU ได้
2
ติดตั้ง Claude Code และล็อกอินแล้วแพ็กเกจ Pro ขึ้นไป
3
Python 3.10+ติดตั้งให้เรียบร้อยก่อนเข้าคลาส
4
บัญชี Gmail ที่เปิด 2-Step Verificationใช้สร้าง App Password ในช่วง Phase 5
5
ดาวน์โหลดคลิปทดสอบจาก Hubไฟล์ yolo26-test-videos.zip
6
อินเทอร์เน็ตสำหรับติดตั้งไลบรารีและดาวน์โหลดโมเดล
ไม่ต้องมีกล้องจริง
ใช้คลิปทดสอบ แล้วต่อกล้องจริงได้ภายหลัง
ไม่ต้องเขียนโค้ดเป็น
Claude Code เขียนโค้ดให้ ผู้เรียนสั่งงาน
คลิปทดสอบ 7 คลิปที่แจกให้ — เริ่มจากโฟลเดอร์ว่าง + คลิปเหล่านี้
01_door_entryทางเข้าประตู
02_hallway_doorทางเดิน
04_office_wideสำนักงานมุมกว้าง
11_cctv_office_dayสำนักงานกลางวัน
12_cctv_office_night_irสำนักงานกลางคืน IR
13_cctv_carport_motorcycleโรงรถ + มอเตอร์ไซค์
14_cctv_parking_carลานจอดรถยนต์
Section 10

10. ผู้สอน

เอกรัตน์ ใจชนะ (นิว) ผู้สอน
Instructor
เอกรัตน์ ใจชนะ (นิว)
AI Instructor, ZenityX
จุดเชื่อมกับ Workshop นี้

รางวัลชนะเลิศด้านนวัตกรรม คือผลงาน “ระบบกล้องวงจรปิดตรวจจับอัจฉริยะ” — Workshop นี้จึงสอนจากประสบการณ์ทำระบบนี้จริง

รางวัลและผลงาน
รางวัลชนะเลิศการนำเสนอบทความวิจัย แบบบรรยาย ระดับดีเด่น อันดับที่ 1AUCC 2026 · Track Information Technology
การประชุมวิชาการระดับปริญญาตรีด้านคอมพิวเตอร์ภูมิภาคเอเชีย ครั้งที่ 14
รางวัลชนะเลิศ ประเภท Oral Presentation (ด้านนวัตกรรม)ผลงาน “ระบบกล้องวงจรปิดตรวจจับอัจฉริยะ” — การประกวดผลงานสหกิจศึกษาและการศึกษาเชิงบูรณาการกับการทำงาน (CWIE) ดีเด่น เครือข่ายพัฒนา CWIE ภาคเหนือตอนล่าง
รางวัลระดับดีเด่น Best of TrackTrack Information Technology — การนำเสนอผลงานวิจัย
Publication

Chaiwannakoop, K., Jaichana, A., & Thunjai, S. (2026). Home Visit Information System for Student Behavior Management. Rattanakosin Journal of Science and Technology (RJST), 8(2), 152–166.

Section 11

11. ปิดท้าย

หลังจบ 2 ชั่วโมง
ผู้เรียนกลับไปพร้อมระบบกล้องวงจรปิด
อัจฉริยะ ที่ตรวจจับคนและรถ
แล้วส่งหลักฐานถึงอีเมลได้เอง
YOLO26ตรวจจับคนและรถ
แบบ real-time
เวลา · โซน · คลาสเฝ้าเฉพาะสิ่งที่สนใจ
ภาพ + คลิป 8 วิหลักฐานทุกเหตุการณ์
อีเมลแจ้งเตือนผ่าน Gmail
App Password
กล้องวงจรปิดยามค่ำคืนตรวจพบผู้บุกรุกพร้อมกรอบตรวจจับ
Workshop 2 ชั่วโมง · 120 นาที
สอนทีละ Prompt · เริ่มจากโฟลเดอร์ว่าง
รันดูผลได้ทันทีทุกเฟส
Claude Code + YOLO26
Python · OpenCV · Ultralytics
imageio-ffmpeg · Gmail SMTP

ออกแบบหลักสูตรโดยสถาบัน ZenityX

ช่องทางติดต่อ
โทร062-262-9644
อีเมลadmin@zenityxai.com