Systém pro optimální sledování živých streamů z výběhu slonů

Abstract

Práce se zabývá vytvořením doporučovacího systému pro optimalizaci sledování živých streamů slonů v reálném čase. Součástí práce je rešerše souvisejících prací zaměřující se na detekci objektů, především zvířecích. První část praktické části práce se zaměřuje na sběr dat z 8 kamer umístěných v různých částech sloního komplexu Údolí slonů v Zoo Praha. Byl vytvořen dataset se 10205 snímky s 13034 anotovanými objekty typu slon. Následně byl natrénován model založený na architektuře YOLOv8, který dosahuje mAP 98 % při prahu IoU 0,5 na testovací množině. Na základě anotovaných snímků byla s využitím perspektivní transformace vytvořena heatmapa, která zobrazuje oblasti s nejvyšším výskytem slonů. Druhá část praktické části se zaměřuje na vytvoření modelu rozhodovacího stromu s využitím získaných anotovaných dat, který na základě času a dne v týdnu doporučuje uživateli optimální kameru pro sledování. Výsledný model doporučuje optimální kameru (zobrazující nejvyšší počet slonů) v 62 % případů a kameru zobrazující alespoň jednoho slona v 93 % případů.

The thesis focuses on creating a recommender system for optimizing the monitoring of live elephant streams in real time. The work includes a survey of related works focusing on object detection, especially animal detection. The first part of the practical part of the thesis focuses on the collection of data from 8 cameras located in different parts of the elephant complex Elephant valley in Prague Zoo. A dataset of 10205 images with 13034 annotated elephant objects was created. Subsequently, a model based on the YOLOv8 architecture was trained to achieve a mAP of 98 % at an IoU threshold of 0,5 on the test set. Based on the annotated images, a heatmap was generated using a perspective transformation to show the areas with the highest elephant frequency. The second part of the practical part focuses on building a decision tree model using the obtained annotated data, which recommends the optimal camera for tracking to the user based on time and day of the week. The resulting model recommends the optimal camera (showing the highest number of elephants) in 62 % of the cases and a camera showing at~least one elephant in 93 % of the cases.