Detekce plovoucích objektů na moři pomocí metod strojového učení

Abstract

Tato diplomová práce se zabývá detekcí plovoucích objektů na hladině. V první části je provedena rešerše možných algoritmů pro detekci objektů, zejména pomocí metod strojového učení. V druhé části práce je vytvořen trénovací a validační dataset 964 fotografií s 2 864 anotovanými objekty ve 14 třídách, testovací dataset 344 fotografií s 795 anotovanými objekty. Následně jsou, s důrazem na přesnost a možnost provádět detekci v reálném čase bez potřeby vysokého výpočetního výkonu, zvoleny dva modely - YOLOv8 ve dvou variantách a RT-DETR, které jsou natrénovány. Výsledky modelů jsou následně porovnány dle Mean Average Precision (mAP) a rychlosti detekce. Na základě vyhodnocení výsledků byl zvolen RT-DETR pro svoji schopnost detekovat i velmi malé objekty při zachování možnosti detekce v reálném čase.

The subject of this thesis is detection of floating objects on the water surface. The first part provides a review of possible algorithms for object detection, especially using machine learning methods. In the second part, a training and validation dataset of 964 photos with 2 864 annotated object in 14 classes, test dataset of 344 with 795 annotated objects. Then, with emphasis on accuracy and the ability to detect objects real-time without a need for high computing power, two models were selected - YOLOv8 in two variants and RT-DETR, which were trained. The results were then evaluated according to Mean Average Precision (mAP) and detection speed. Based on the evaluation, RT-DETR was selected for its ability to detect really small objects while maintaining performance for a real-time detection.