20.500.12556/RUL-184389 Zaznavanje prometnega znaka stop v realnem času na vgrajenem sistemu STM32H747I Real-Time Stop Sign Detection on an STM32H747I Embedded System V diplomski nalogi predstavimo celovit cevovod za zaznavanje prometnega znaka stop v realnem času na vgrajenem sistemu STM32H747I-DISCO z modulom kamere B-CAMS-OMV. Iz predtreniranega modela ST Yolo LC v1 za zaznavanje oseb s prenesenim učenjem izpeljemo enorazredni detektor prometnega znaka, ga kvantiziramo v predstavitev INT8 in z orodjem ST Edge AI samodejno generiramo C-kodo za jedro Arm Cortex-M7. Med kvantizacijo modela pri ločljivosti 256^2 odkrijemo nasičenje logitov objektnosti v YOLO glavi; predlagamo popravek s skaliranjem parametrov γ in β zadnje plasti paketne normalizacije, ki INT8 mAP dvigne z 32,4% na 42,3%. Modela pri ločljivostih 192 × 192 in 256 × 256 ovrednotimo na lastni terenski množici 118 fotografij slovenskih znakov stop. Najboljši model doseže 41,6% mAP@0,5, kar je le 0,7 odstotne točke pod rezultatom na validacijski razdelitvi COCO 2017 (42,3%), kar kaže na zanemarljiv domenski razkorak med učno in ciljno domeno. In this thesis we present a complete pipeline for real-time traffic stop-sign detection on the STM32H747I-DISCO embedded system equipped with a B-CAMS-OMV camera module. Starting from the pretrained ST Yolo LC v1 person detector, we use transfer learning to derive a single-class stop-sign detector, quantize it to an INT8 representation, and automatically generate C code for the board’s Arm Cortex-M7 core using the ST Edge AI tool. While quantizing the 256^2 model we discover objectness-logit saturation in the YOLO head; we propose a fix that rescales the γ and β parameters of the final batch-normalization layer, raising the INT8 mAP from 32.4% to 42.3%. We evaluate the 192 × 192 and 256 × 256 models on our own field dataset of 118 photographs of Slovenian stop signs. The best model reaches 41.6% mAP@0.5, only 0.7 percentage points below its result on the COCO 2017 validation split (42.3%), indicating a negligible domain gap between the training and target domains. vgrajeni sistemi konvolucijske nevronske mreže zaznavanje objektov kvantizacija preneseno učenje STM32 embedded systems convolutional neural networks object detection quantization transfer learning STM32 true false false Slovenski jezik Angleški jezik Diplomsko delo/naloga 2026-07-06 11:45:01 2026-07-06 11:45:07 2026-07-24 09:00:39 0000-00-00 00:00:00 2026 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 38828 285921027 Kljucanin_Tian_-_Zaznavanje_prometnega_znaka_stop_v_realnem_casu_na_vgrajenem_sistemu_STM32H747I.pdf Kljucanin_Tian_-_Zaznavanje_prometnega_znaka_stop_v_realnem_casu_na_vgrajenem_sistemu_STM32H747I.pdf 1 329C411AB172675AFC34A34DE7AF6AEC bf8a00ae254f8630327cc1c6fda45d35f0b6a4631161568549d91ca68895a615 41d5e018-791f-11f1-9b0d-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=237090 Fakulteta za računalništvo in informatiko 0 0 0