Detekce objektů s využitím neuronových sítí

Abstract

Tato práce se zabývá a řeší problematiku detekce obrazů s použitím neuronových síti. V rámci práce je popsána širší problematika od rozpoznávání obrazu, přes principy neuronových a konvolučních neuronových sítí. V práci byly prozkoumány a následně popsány vybrané algoritmy a architektury konvolučních neuronových sítí. Pro praktickou část byla použita oblíbená a speciální architektura hluboké konvoluční neuronové sítě, zvaná YOLO (You Only Look Once), která je odlišná od zbývajících architektur tím, že detekce a klasifikace probíhá v jednom kroku. Dále práce popisuje některé možnosti trénování sítě na vlastním hardwaru nebo na externích datových serverech. V další části práce byla konvoluční síť YOLO trénovaná na různých datových sadách pro detekci jednoho nebo více objektů. Práce porovnává úspěšnost trénovaných modelů pro různé parametry sítě.

This thesis deals with and solves the problem of image detection using neural networks. The thesis describes a broader issue from image recognition, through the principles of neural and convolutional neural networks. Selected algorithms and architectures of convolutional neural networks were investigated and subsequently described. For the practical part, a popular and special architecture of a deep convolutional neural network, called YOLO (You Only Look Once), was used, which is different from the other architectures in that the detection and classification takes place in one step. Furthermore, the work describes some possibilities of network training on own hardware or on external data servers. In the next part of the work, the YOLO convolution network was trained on various data sets for the detection of one or more objects. The work compares the success of trained models for different network parameters.