20.500.12556/RUL-180740 Primerjalna analiza lahkih modelov za zaznavanje objektov v maloprodajnem videonadzoru na edge napravah Comparative Analysis of Lightweight Object Detection Models for Retail Video Surveillance on Edge Devices Description: The goal of this thesis is to compare real-time performance, resource consump- V diplomski nalogi primerjamo pet lahkih modelov za zaznavanje objektov – YOLOv8n, YOLOv8s, YOLOv5n, NanoDet-Plus in MobileSAM – v kontekstu maloprodajnega videonadzora. Modele ocenimo na podmnožici testne množice COCO 2017, ki zajema 2693 slik z oznakami razreda oseb, z uporabo pred- naučenih uteži na prenosnem računalniku Apple MacBook Pro z M2 Max procesorjem. Primerjamo jih po petih merilih: hitrosti izvajanja (FPS), točnosti (mAP@0,5, mAP@0,5:0,95), povprečnem priklicu (AR@0.5), velikosti modela in računski zahtevnosti (GFLOPs). Rezultati kažejo, da je NanoDet-Plus najhitrejši model (66,0 FPS) z najnižjo računsko zahtevnostjo (2,97 GFLOPs), vendar z nižjo točnostjo, še posebej pri strogem merilu mAP@0,5:0,95 (19,97 %). YOLOv8s dosega najboljšo točnost (mAP@0,5 = 70,26 %), a pri nižji hitrosti (19,6 FPS). Za ce- lostno najboljše razmerje med hitrostjo in točnostjo se izkaže YOLOv8n (30,0 FPS, mAP@0,5 = 64,36 %), ki ponuja dobro ravnovesje za uporabo v malopro- dajnem okolju na napravah z omejenimi viri. YOLOv5n je najkompaktnejši model (1,9 M parametrov, 4,0 MB), primeren za okolja z zelo omejenimi viri pomnilnika. MobileSAM kljub dodani segmentacijski zmogljivosti ni konkurenčen čistim detektorjem v hitrosti izvajanja (2,7 FPS). V nalogi podrobno opišemo arhitekturne razlike med modeli, izzive pri implementaciji enotnega merilnega cevovoda ter analiziramo razmerja med posameznimi metrikami. Ugotovitve so relevantne za načrtovalce sistemov računalniškega vida, ki izbirajo med različnimi lahkimi detektorji za namesti- tev na edge napravah v maloprodajnem okolju. This thesis presents a comparative analysis of five lightweight object detection models – YOLOv8n, YOLOv8s, YOLOv5n, NanoDet-Plus, and MobileSAM – in the context of retail video surveillance. We evaluate the models on a subset of the COCO 2017 dataset comprising 2,693 images with person-class annotations, using pre-trained weights on an Apple MacBook Pro with an M2 Max processor. The comparison covers five metrics: inference speed (FPS), accuracy (mAP@0.5, mAP@0.5:0.95), average recall (AR@0.5), model size, and computational complexity (GFLOPs). Our results show that NanoDet-Plus is the fastest model (66.0 FPS) with the lowest computational cost (2.97 GFLOPs), though at the expense of lower accuracy, particularly at the strict mAP@0.5:0.95 metric (19.97 %). YOLOv8s achieves the best accuracy (mAP@0.5 = 70.26 %) but at a reduced speed of 19.6 FPS. For the best overall trade-off between speed and accuracy, YOLOv8n (30.0 FPS, mAP@0.5 = 64.36 %) proves most suitable for real- time retail deployment on resource-constrained devices. YOLOv5n offers the smallest footprint (1.9M parameters, 4.0 MB), while MobileSAM, despite providing additional segmentation capabilities, is not competitive in inference speed (2.7 FPS). We provide detailed descriptions of architectural differences between the models, discuss the challenges of implementing a unified benchmarking pipeline, and analyze the trade-offs between individual metrics. Our findings are relevant for system designers choosing between lightweight detectors for deployment on edge devices in retail environments. računalniški vid zaznavanje objektov YOLO NanoDet MobileSAM maloprodaja videonadzor computer vision object detection YOLO NanoDet MobileSAM retail video surveillance true false false Slovenski jezik Angleški jezik Diplomsko delo/naloga 2026-03-16 10:20:02 2026-03-16 10:20:17 2026-04-16 11:21:09 0000-00-00 00:00:00 2026 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 38246 275433987 Kovacevic_Dejan_-_Primerjalna_analiza_lahkih_modelov_za_zaznavanje_objektov_v_maloprodajnem_vide.pdf Kovacevic_Dejan_-_Primerjalna_analiza_lahkih_modelov_za_zaznavanje_objektov_v_maloprodajnem_vide.pdf 1 3963B745265F42004C67A6D15ED4F769 50e323f19e77c888dbc1937fa2b8794e6524be2230dd60eb356f7d37bfd4e842 4cbb4f53-2119-11f1-b0ab-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=230510 Fakulteta za računalništvo in informatiko 0 0 0