Detekce objektů a sledování trasy pohybu účastníků provozu pro potřeby inteligentních dopravních uzlů

Abstract

Diplomová práce se zaměřuje na problematiku detekce objektů. Je navržen experiment, který posuzuje detekční modely YOLOv5, YOLOR, Scaled-YOLOv4 a EfficientDet a po- rovnává jejich vlastnosti (rychlost detekce, pamětové nároky, přesnost a jistotu detekce). K tomuto účelu je vytvořena vlastní datová sada, na které jsou tyto parametry zkoumány. Ze studie vyplývá, že nejlépe je na tom síť YOLOv5. Pro trasování objektů je použit deep SORT, který je důležitý pro následné získání trénovacích dat z videozáznamu pro predikci pohybu objektů. Přidanou hodnotou je návrh predikčního algoritmu, který je založený na polynomiálním regresním modelu.The master‘s thesis is focused on the object detection. The aim of this thesis is to desine an experiment to assess the detection models YOLOv5, YOLOR, Scaled-YOLOv4 and EfficientDet and to compare their properties (detection speed, memory requirements, accuracy and certainty of detection). For this purpose a custom data set is created to investigate these parameters. The study shows that the YOLOv5 network is performd as the best solution. Deep SORT is used for object tracking which is important for the subsequent extraction of training data from video footage for object movement prediction. The added value is the design of the prediction algorithm which is based on a polynomial regression model.