Detekce plovoucích objektů na moři pomocí metod strojového učení
Floating object detection in maritime environment using machine learning algorithms
Typ dokumentu
diplomová prácemaster thesis
Autor
Jakub Hodek
Vedoucí práce
Peichl Adam
Oponent práce
Cejnek Matouš
Studijní obor
Automatizace a průmyslová informatikaStudijní program
Automatizační a přístrojová technikaInstituce přidělující hodnost
ústav přístrojové a řídící technikyPráva
A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmlVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html
Metadata
Zobrazit celý záznamAbstrakt
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.
Kolekce
- Diplomové práce - 12110 [154]