Нарощування даних в контексті задачі детекції об’єктів
| dc.contributor.advisor | Швай, Надія | |
| dc.contributor.author | Решетар, Олександр | |
| dc.date.accessioned | 2024-04-15T07:54:53Z | |
| dc.date.available | 2024-04-15T07:54:53Z | |
| dc.date.issued | 2022 | |
| dc.description.abstract | В даній курсовій роботі були запропоновані нові підходи аугментації зображень. Основною ідеєю нових методів є зміна формату зображення (колір або розміри).Обрані найбільш підходящі методи на основі результатів досліджень. Всі параметри моделей, їхня ефективність наведені в додатках та проілюстровано в таблицях. В даній роботі застосовано нейронну мережу yolov5[Інтернет ресурс 1], яка швидше за своїх попередників(yolov3, yolov4)[Інтернет ресурс 2,3]. У якості вхідних даних використано датасет Pascal VOC через його зручний формат. На відміну від COCO, VOC зберігає інформацію про фото в окремих файлах. Моделі порівнювались за стандартною оцінкою map(mean average precision) за оцінками map@.5 та map@.95. Для змінення формату, розмірів зображень були використані бібліотеки numpy та cv2. Інші параметри для моделі записані в окремому конфігураційному файлі, який міститься в репозиторії. Налаштування датасету описано у файлі VOC.yaml. Модель тренувалась на платформі Kaggle. Процес тренування займав 50 ітерацій. | uk_UA |
| dc.identifier.uri | https://ekmair.ukma.edu.ua/handle/123456789/28961 | |
| dc.language.iso | uk | uk_UA |
| dc.status | first published | uk_UA |
| dc.subject | CNN | uk_UA |
| dc.subject | YOLO | uk_UA |
| dc.subject | результати експериментів | uk_UA |
| dc.subject | курсова робота | uk_UA |
| dc.title | Нарощування даних в контексті задачі детекції об’єктів | uk_UA |
| dc.type | Other | uk_UA |