Primerjava delovanja modelov strojnega vidaPAVLI, TIM (Avtor) Meža, Marko (Mentor) strojni vidgloboko učenjekonvolucijske nevronske mrežedetekcija objektovprimerjava modelovSSDFaster RCNNYOLODanes je naloga strojnega vida raziskovanje načinov, kako narediti računalnike bolj inteligentne in sposobne obdelave ter razumevanja senzoričnih informacij. Poleg tega je v številnih panogah naraščalo povpraševanje po avtomatiziranih sistemih, ki bi lahko izvajali naloge prepoznave in zaznave objektov, sledenja objektov ter analiziranja slik. Razvilo se je več modelov strojnega vida na podlagi različnih tehnik in metod, ki vključujejo globoko učenje in nevronske mreže. To jim omogoči različne sposobnosti zaznavanja glede na hitrost, natančnost in računsko zahtevnost. V nalogi so predstavljene tudi vse tematike, potrebne za razumevanje ozadja delovanja teh modelov. Cilj diplomske naloge je raziskati tehnike za strojno zaznavo in prepoznavo objektov. Za podrobnejšo primerjavo so izbrani trije algoritmi za podrobnejšo primerjavo. Ti algoritmi so: SSD, Faster RCNN in YOLO, na podlagi katerih so zgrajeni modeli za detekcijo objektov. Da lahko modeli opravljajo svojo nalogo, morajo biti naučeni na pripravljeni učni podatkovni zbirki. Na koncu se naredi primerjava glede na kriterije, kot so: gotovost zaznave, povprečna natančnost, hitrost obdelave, FPS, zasedenost računalniških virov in ocena zahtevnosti uporabe modelov. Predpogoj za učenje in zaganjanje modelov je dovolj velik pomnilnik, močan procesor in grafična kartica. Naloga opisuje postopke za pripravo lastnih testnih podatkovnih zbirk in izdelavo modelov. En primer učenja je izveden na modelu YOLOv8 in drugi s pomočjo Teachable Machine. Programi in kode za zagon modelov so napisane v programskem okolju Python, ki ga pripravimo z odprtokodno distribucijo Anaconda. Potrebni knjižnici za delovanje modela YOLOv8 sta Ultralytics in PyTorch. Naslednja modela sta SSD MobileNet FPN in Faster RCNN ResNet50, ki potrebujeta knjižnico TensorFlow in knjižnico openCV. Da dobimo učinkovito primerjavo, so ti modeli naučeni na kakovostni podatkovni zbirki COCO. Naša primerjava je pokazala, da je bil najbolj učinkovit model YOLOv8, saj omogoča zaznavo in prepoznavo objektov v realnem času z dobro natančnostjo. Hkrati tudi ne potrebuje zelo močnega grafičnega procesorja in je uporabniku prijazen za implementacijo. Modela SSD MobileNet FPN in Faster RCNN ResNet50 sta medtem programersko zahtevnejša za uporabo. Model Faster RCNN je dosegel tudi največje gotovosti zaznave, vendar je njegov odziv počasen in porabi največ računalniških virov. Samo model SSD ni dosegel pričakovanih rezultatov, saj se pri slabi natančnosti tudi ni dovolj hitro odzval. Uporaba pravega modela je na koncu odvisna od potrebe uporabnika za reševanje določenega problema.20232023-09-11 12:45:00Diplomsko delo/naloga149882sl