Možnosti detekce zbraní pomocí metod hlubokého učení

Abstract

Bakalářská práce se zabývá detekcí zbraní pomocí metod hlubokého učení. Cílem bylo navrhnout, implementovat a ověřit řešení založené na konvolučních neuronových sítích a vyhodnotit jeho přesnost. V praktické části byla sestavena reprodukovatelná pipeline a otestovány vybrané varianty modelů YOLO. Trénování proběhlo na datové sadě obsahující obrázky pistolí a nožů s odpovídajícími anotacemi. Výkon modelů byl posouzen metrikami mAP, precision a recall. Výsledky ukazují rozdíly v přesnosti mezi jednotlivými konfiguracemi, přičemž stabilnějších hodnot bylo dosaženo u středních variant a u zřetelných cílů; problémy se objevují u malých a~částečně zakrytých objektů. Budoucí výzkum by se měl zaměřit na tuto problematiku zejména ve vztahu k omezené velikosti a variabilitě dat. Pro dosažení lepších výsledků by bylo vhodné model trénovat na výrazně větší a rozmanitější datové sadě.

This bachelor’s thesis addresses weapon detection using deep learning methods. The objective was to design, implement, and validate a convolutional neural network-based solution and to evaluate its accuracy. A reproducible pipeline was built, and selected YOLO variants were tested. Training was performed on a dataset containing images of pistols and knives with corresponding annotations. Model performance was assessed using mAP, precision, and recall. The results show accuracy differences across configurations, with more stable scores for medium-sized variants and for clearly visible targets; small and partially occluded objects remain challenging. Future research should focus on this issue, particularly in relation to the limited size and variability of the data. To achieve better results, it would be advisable to train the model on a significantly larger and more diverse dataset.