Дослідження ефективності легковагових моделей глибинного навчання для автоматичної анонімізації облич у серверних системах

Abstract

У роботі проведено порівняльний аналіз підходів до детекції та анонімізації облич у системах комп’ютерного зору з урахуванням вимог регламенту GDPR. Досліджено класичні алгоритми та сучасні нейромережеві моделі з точки зору точності (mAP), швидкодії (FPS) та ресурсомісткості. Обґрунтовано доцільність використання легковагових моделей (зокрема YuNet) та середовища ONNX Runtime для автоматичної анонімізації облич у високонавантажених серверних системах без використання GPU.

The paper presents a comparative analysis of face detection and anonymization approaches in computer vision systems, considering GDPR compliance. Classical algorithms and modern deep learning models are evaluated in terms of accuracy (mAP), performance (FPS), and resource efficiency. The feasibility of using lightweight models (specifically