but.committee	prof. Dr. Ing. Jan Černocký (předseda) doc. Ing. Martin Čadík, Ph.D. (místopředseda) Ing. David Bařina, Ph.D. (člen) doc. RNDr. Pavel Smrž, Ph.D. (člen) Ing. Igor Szőke, Ph.D. (člen) prof. Ing. Tomáš Vojnar, Ph.D. (člen)	cs
but.defence	Student nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Student následně odpověděl na otázky oponenta a na další otázky přítomných, např. upřesnění některých aspektů vyhodnocování úspěšnosti detekce značek při testovací jízdě. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm C - Otázky u obhajoby: Na čem konkrétně ztroskotalo experimentování se sítí SSD-MobileNet? U všech modelů uvádíte rychlost detekce v FPS. Jakou metodiku používáte pro tato měření? Je to detekce s jedním obrázkem nebo se skupinou obrázků (dávkové zpracování)? Pokud se jedná pouze o zpracování jednoho snímku, jak by se změnila rychlost sítě pro dávkové zpracování dat? Zkuste prosím porovnat alespoň u jednoho modelu.	cs
but.jazyk	čeština (Czech)
but.program	Informační technologie	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Herout, Adam	cs
dc.contributor.author	Oškera, Jan	cs
dc.contributor.referee	Špaňhel, Jakub	cs
dc.date.created	2020	cs
dc.description.abstract	Tato práce se zabývá moderními metodami umožňující detekci dopravních značek a semaforů přímo v provozu i zpětnou analýzou. Hlavním předmětem jsou konvoluční neuronové sítě (CNN). V řešení jsou použity konvoluční neuronové sítě typu YOLO. Hlavním cílem této práce je dosažení co největší optimalizace rychlosti a přesnosti modelů. Zkoumá vhodné datové sady. K trénování a experimentování je použita celá řada datových sad. Ty jsou složeny z reálných a syntetických datových sad. Pro trénování a testování byla data předzpracována pomocí nástroje Yolo mark. Trénování modelu bylo uskutečněno na výpočetním středisku náležící virtuální organizaci MetaCentrum VO. Z důvodu vyčíslitelného vyhodnocení kvality detektoru byl vytvořen program statisticky i graficky zobrazující jeho úspěšnost pomocí hodnotícího protokolu COCO a ROC křivky. V práci jsem vytvořil model, který dosahoval průměrné počáteční přesnosti až 81 %. Práce zobrazuje nejlepší volbu hranice jistoty napříč verzemi, velikostmi i IoU. Je vytvořeno i rozšíření pro telefony v TensorFlow Lite a Flutter.	cs
dc.description.abstract	The thesis focuses on modern methods of traffic sign detection and traffic lights detection directly in traffic and with use of back analysis. The main subject is convolutional neural networks (CNN). The solution is using convolutional neural networks of YOLO type. The main goal of this thesis is to achieve the greatest possible optimization of speed and accuracy of models. Examines suitable datasets. A number of datasets are used for training and testing. These are composed of real and synthetic data sets. For training and testing, the data were preprocessed using the Yolo mark tool. The training of the model was carried out at a computer center belonging to the virtual organization MetaCentrum VO. Due to the quantifiable evaluation of the detector quality, a program was created statistically and graphically showing its success with use of ROC curve and evaluation protocol COCO. In this thesis I created a model that achieved a success average rate of up to 81 %. The thesis shows the best choice of threshold across versions, sizes and IoU. Extension for mobile phones in TensorFlow Lite and Flutter have also been created.	en
dc.description.mark	C	cs
dc.identifier.citation	OŠKERA, J. Detekce dopravních značek a semaforů [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2020.	cs
dc.identifier.other	129894	cs
dc.identifier.uri	http://hdl.handle.net/11012/195007
dc.language.iso	cs	cs
dc.publisher	Vysoké učení technické v Brně. Fakulta informačních technologií	cs
dc.rights	Standardní licenční smlouva - přístup k plnému textu bez omezení	cs
dc.subject	YOLO	cs
dc.subject	YOLOv3	cs
dc.subject	YOLOv2-tiny	cs
dc.subject	YOLOv3-tiny	cs
dc.subject	YOLOv4-tiny	cs
dc.subject	optimalizace	cs
dc.subject	CNN	cs
dc.subject	kon- voluční neuronové sítě	cs
dc.subject	detekce objektů v obraze	cs
dc.subject	MetaCentrum	cs
dc.subject	TensorFlow Lite	cs
dc.subject	Flutter	cs
dc.subject	mobilní detektor	cs
dc.subject	rozdělení datasetu	cs
dc.subject	syntetický dataset	cs
dc.subject	vstupní velikost	cs
dc.subject	nejlepší threshold	cs
dc.subject	dopravní datové sady	cs
dc.subject	TDS.	cs
dc.subject	YOLO	en
dc.subject	YOLOv3	en
dc.subject	YOLOv2-tiny	en
dc.subject	YOLOv3-tiny	en
dc.subject	YOLOv4-tiny	en
dc.subject	optimization	en
dc.subject	CNN	en
dc.subject	convo- lutional neural networks	en
dc.subject	object detection in the image	en
dc.subject	MetaCentrum	en
dc.subject	TensorFlow Lite	en
dc.subject	flutter	en
dc.subject	mobile detector	en
dc.subject	dataset distribution	en
dc.subject	synthetic dataset	en
dc.subject	input size	en
dc.subject	threshold	en
dc.subject	traffic data set	en
dc.subject	TDS.	en
dc.title	Detekce dopravních značek a semaforů	cs
dc.title.alternative	Detection of Traffic Signs and Lights	en
dc.type	Text	cs
dc.type.driver	masterThesis	en
dc.type.evskp	diplomová práce	cs
dcterms.dateAccepted	2020-08-28	cs
dcterms.modified	2020-09-27-18:56:16	cs
eprints.affiliatedInstitution.faculty	Fakulta informačních technologií	cs
sync.item.dbid	129894	en
sync.item.dbtype	ZP	en
sync.item.insts	2025.03.26 15:32:25	en
sync.item.modts	2025.01.17 11:44:56	en
thesis.discipline	Počítačová grafika a multimédia	cs
thesis.grantor	Vysoké učení technické v Brně. Fakulta informačních technologií. Ústav počítačové grafiky a multimédií	cs
thesis.level	Inženýrský	cs
thesis.name	Ing.	cs

Detekce dopravních značek a semaforů

Files

Original bundle

Collections