Застосування нейромережевих структур YOLOv3 для розпізнавання об’єктів дорожнього руху

Abstract

У даній магістерській кваліфікаційній роботі проведений аналіз методів розпізнавання образів на зображеннях, огляд архітектур конволюційних нейронних мереж, створено програмне забезпечення для детекції об’єктів дорожнього руху на зображеннях з камер відеоспостереження, для подальшої обробки та представлення в якості відкритих даних. Проведено дослідження методу розпізнавання об’єктів дорожнього руху шляхом застосування нейромережевої структури YOLOv3. В результаті навчання та оптимізації досягнуто швидкості обробки відео рівного 45 fps при використанні моделі YOLOv3 Darknet на тестовому наборі COCO. Також проведені дослідження класифікації реальних зображень при використанні навченої моделі.

In this master's qualification work the analysis of image recognition methods, review of the architectures of the convolutional neural networks, software for detecting traffic objects on images from video cameras, for further processing and presentation as open data is created. The study of the method of recognition of traffic objects by using the neural network structure YOLOv3. As a result of learning and optimization, video processing speeds of 45 fps have been achieved using the YOLOv3 Darknet model on the COCO test suite. Studies of the classification of real images using the trained model are also conducted.

В даной магистерской квалификационной работе было проведено анализ методов распознавания образов на изображениях, обзор архитектур конволюционных нейронных сетей, разработано программное обеспечение для распознавания объектов дорожнего движения на изображениях с камер видеонаблюдения, для последующей обработки та представления в качестве отркытых данных. Проведено исследование метода распознавания объектов дорожнего движения путем использования нейросетевой структуры YOLOv3. В результате обучения и оптимизации достигнуто скорости обработки видео равного 45 fps при использовании YOLOv3 Darknet на тестовом наборе COCO. Также проведены исследования класификации реальных изображений при использовании обученой модели.