Efektivní neuronové sítě pro detekci QR-kódů

Abstract

Táto bakalárska práca sa zameriava na vývoj efektívneho detektora QR kódov optimalizáciou baseline modelu YOLOv5s. V práci je baseline modelu upravená architektúra integráciou modulu ECA a náhradou pôvodného PANet za BiFPN. Následne práca demonštruje aplikáciu techník zefektívnenia, konkrétne sparsity tréningu, štruktúrovaného prerezávania kanálov a post-training kvantizácie. Experimentálne výsledky demonštrujú, že kombináciou týchto metód sa dosiahla výrazná redukcia veľkosti a výpočtovej náročnosti. Najvýraznejšie optimalizovaný model dosiahol viac ako 7.5-násobné zmenšenie veľkosti oproti vylepšenému baseline modelu, pri zachovaní vysokej presnosti (mAP@0.5) s poklesom len o približne štyri percentuálne body. Výsledkom práce je sada efektívnych detektorov s rôznymi kompromismi medzi veľkosťou a presnosťou, vhodných pre nasadenie na zariadeniach s obmedzenými zdrojmi.

This bachelor’s thesis focuses on developing an efficient QR code detector by optimizing the baseline YOLOv5s model. The work involves modifying the baseline model’s architecture by integrating an ECA module and replacing the original PANet with BiFPN. Subsequently, the thesis demonstrates the application of efficiency-improving techniques, specifically sparsity training, structured channel pruning, and post-training quantization. Experimental results show that combining these methods achieved a significant reduction in model size and computational complexity. The most significantly optimized model achieved a more than 7.5-fold size reduction compared to the improved baseline model, while maintaining high accuracy (mAP@0.5) with a drop of only approximately four percentage points. The outcome of this work is a set of efficient detectors with various trade-offs between size and accuracy, suitable for deployment on resource-constrained devices.