ZELENÝ, O. Analýza dopravního provozu s využitím strojového učení [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2022.
Student se v diplomové práci zabývá problematikou aplikace strojového učení do oblasti klasifikace dopravních prostředků ve video sekvencích. Dále zpracováním obrazových dat a následnou analýzou hustoty dopravního provozu. Práce je psána v anglickém jazyce v systému LaTeX. (Autor se i přesto nevyvaroval některých drobných formálních nedostatků, které text práce zhoršují jako například odsazení a čárka na začátku řádku pod každou rovnicí, špatně uvedený křížový odkaz na literaturu, nejednotnost interpunkce na konci popisek obrázků, nejednotnost stylů pro názvy funkcí/metod v textu.) Po konzultaci s vedoucím práce, byl zvolen přístup pomocí neuronové sítě s architekturou YOLOv5 a datasetu COCO pro trénování. Konkrétně je systém schopen rozlišit 5 tříd vozidel a ve snímcích video sekvence trasovat a dopočítávat aktuální rychlost vozidel. V experimentální části student navrhl jednoduchý snímací systém s platformou Jetson Nano a vhodnou kamerou. Tímto způsobem byly vytvořeny video sekvence pro ověření dvou reálných dopravních scénářů. Podstata práce byla v použití existujících příkladů a knihoven v jazyce Python a jejich úprava pro zadanou problematiku. Student během letního semestru pracoval samostatně, pravidelně konzultoval své dílčí úspěchy či neúspěchy, seznámil se s důležitými návyky pro softwarový vývoj, jako je zálohování dat, aktivní používání verzovacích systémů a virtuálních environmentů, či dodržování Coding standardů jazyka Python dle PEP 8. Tato pravidla byla v kódech částečně implementována. Oceňuji studentův zájem o problematiku, řešení dílčích problémů, snahu zvyšovat rychlost zpracování dat a vylepšovat spolehlivost detekce. Ideálních výsledků z hlediska přesnosti detekce však nakonec nebylo dosaženo. Je škoda, že hlavní zjištěné parametry z dopravy, které jsou přenášeny do cloudového úložiště ThingSpeak, nejsou v současné době aktuální. Student část své práce prezentoval ve finále soutěže Student EEICT, které pořádalo FEKT VUT v Brně v dubnu 2022.
Ve své diplomové práci se Bc. Ondřej Zelený zaměřil na detekci vozidel ve videosekvencích s využitím umělých neuronových sítí. Na základě provedené rešerše zvolil architekturu sítě YOLOv5, kterou trénoval na existujících datových sadách a ověřoval na videosekvencích pořízených kamerou v terénu. Zadání práce je poměrně komplexní - zahrnuje mimo samotné detekce i odeslání a zpracování dat v některé z existujících platforem pro internet věcí. Rozsah práce je 50 stran čistého textu. Práce je psána v anglickém jazyce bez zásadních gramatických nedostatků. Dominantní část textu je věnována obecnému přehledu problematiky strojového učení, způsobu vyhodnocení chyby predikce a trénovacím algoritmům. Vzhledem k charakteru práce jsou tyto informace potřebné pro porozumění a správné využití dostupných algorimů. V textu práce mi chybí konkrétní aspekty realizace (např. podrobný popis trénovacích a testovacích vzorů, využitá augmentace a její vliv na výsledky, apod.) a podrobnější zhodnocení dosažených výsledků. V realizační části práce student předkládá sadu skriptů v jazyce Python s implementací sítě včetně práce s daty. Progam využívá v souladu s licenčními podmínkami autora postaven volně dostupnou implementaci algoritmu YOLOv5. Samotný kód není příliš přehledný, často využívá velmi dlouhé funkce. Ačkoli bez vstupních dat není možné vyzkoušet funkčnost programu, jsou zdrojové kódy logicky zorganizovány a software nevykazuje na první pohled zásadní problémy.
eVSKP id 145513