Ổ gà là một trong những dạng hư hại phổ biến và nguy hiểm nhất trên mặt đường, gây ảnh hưởng lớn đến an toàn giao thông, tuổi thọ phương tiện và chi phí bảo trì hạ tầng. Nghiên cứu này đề xuất một phương pháp tự động phát hiện và phân loại ổ gà đa lớp dựa trên mô hình học sâu YOLOv8 (You Only Look Once, phiên bản 8). Bộ dữ liệu sử dụng gồm 618 hình ảnh được thu thập từ nguồn công khai, trong đó mỗi ổ gà được gán nhãn chi tiết thành tám lớp dựa trên ba tiêu chí: độ sâu (nông/sâu), tình trạng bề mặt (khô/ướt) và kích thước (nhỏ/lớn). Mô hình YOLOv8n được huấn luyện với ảnh đầu vào kích thước 640 × 640 pixel trong 100 epoch, sử dụng phương pháp transfer learning từ trọng số COCO và kỹ thuật data augmentation nhằm tăng tính khái quát hóa. Kết quả thực nghiệm trên tập kiểm tra cho thấy mô hình đạt mAP@50 = 0,397, mAP@50-95 = 0,226, Precision = 0,430 và Recall = 0,417, với thời gian suy luận trung bình 12 ms cho mỗi ảnh, đáp ứng yêu cầu của các ứng dụng thời gian thực. Nghiên cứu chứng minh rằng YOLOv8 có khả năng phát hiện và phân loại ổ gà hiệu quả trong các điều kiện môi trường đa dạng. Hệ thống được đề xuất có thể tích hợp vào các nền tảng xe tự hành, thiết bị bay không người lái (drone) hoặc các hệ thống giám sát hạ tầng giao thông, góp phần tự động hóa công tác kiểm tra mặt đường và nâng cao an toàn giao thông thông minh.