Detekce pohybujících se objektů ve videu s využitím neuronových sítí

Simple item page
but.committeeprof. Ing. Zdeněk Smékal, CSc. (předseda) prof. Ing. Karel Bartušek, DrSc. (místopředseda) Ing. Hicham Atassi, Ph.D. (člen) doc. Ing. David Kubánek, Ph.D. (člen) doc. Ing. Jaroslav Sklenář, CSc. (člen) Ing. Petr Ilgner (člen)cs
but.defenceStudent prezentoval výsledky své práce a komise byla seznámena s posudky. Student obhájil bakalářskou práci a odpověděl na otázky členů komise a oponenta. Otázky oponenta: Je možné natrénovat modely YOLOv5l a YOLOv5x na Vámi použité grafické kartě snížením velikosti batch? Pokud ano, jak dlouho by trval trénovací proces na Vámi použitých datasetech? Student odpověděl na otázky. Lze pracovat s Vámi natrénovanými modely v jiných frameworcích? Pokud ano uveďte příklad. Student odpověděl na otázky.cs
but.jazykčeština (Czech)
but.programTelekomunikační a informační technikacs
but.resultpráce byla úspěšně obhájenacs
dc.contributor.advisorMyška, Vojtěchcs
dc.contributor.authorMikulský, Petrcs
dc.contributor.refereeSikora, Pavelcs
dc.date.created2021cs
dc.description.abstractTato diplomová práce řeší detekci pohybujících se objektů ve videu s využitím neuronových sítí. Cílem práce byla detekce účastníků silničního provozu na video záznamech. Pro praktické řešení práce byl použit předtrénovaný detekční model YOLOv5. V rámci řešení byla vypracována vlastní datová množina ze záběrů dopravní komunikace s třídami: osobní automobil, autobus, dodávkový automobil, motocykl a kamion. Celkově finální podoba datové množiny čítá 5404 snímků a 6467 anotovaných objektů. Dotrénovaný model YOLOv5 dosáhl na testovací množině úspěšnosti detekce vozidel mAP 0,995, preciznosti 0,995 a úplnosti odhadu predikce 0,986. V závěru jsou popsány kroky, které vedly ke konečné podobě vlastního datasetu.cs
dc.description.abstractThis diploma thesis deals with the detection of moving objects in a video recording using neural networks. The aim of the thesis was to detect road users in video recordings. Pre-trained YOLOv5 object detection model was used for a practical part of the thesis. As part of the solution, an own dataset of traffic road video recordings was created and annotated with following classes: a car, a bus, a van, a motorcycle, a truck and a trailer truck. Final version of this dataset comprise 5404 frames and 6467 annotated objects in total. After training, the YOLOv5 model achieved 0.995 mAP, 0.995 precision and 0.986 recall on the dataset. All steps leading to the final form of the dataset are described in the conclusion chapter.en
dc.description.markAcs
dc.identifier.citationMIKULSKÝ, P. Detekce pohybujících se objektů ve videu s využitím neuronových sítí [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2021.cs
dc.identifier.other133450cs
dc.identifier.urihttp://hdl.handle.net/11012/196898
dc.language.isocscs
dc.publisherVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologiícs
dc.rightsStandardní licenční smlouva - přístup k plnému textu bez omezenícs
dc.subjectDetekce vozidelcs
dc.subjectkonvoluční neuronové sítěcs
dc.subjectPyTorchcs
dc.subjectstrojové učenícs
dc.subjectYOLOv5.cs
dc.subjectVehicle detectionen
dc.subjectconvolution neural networksen
dc.subjectPyTorchen
dc.subjectmachine learningen
dc.subjectYOLOv5.en
dc.titleDetekce pohybujících se objektů ve videu s využitím neuronových sítícs
dc.title.alternativeObject detection in video using neural networksen
dc.typeTextcs
dc.type.drivermasterThesisen
dc.type.evskpdiplomová prácecs
dcterms.dateAccepted2021-06-08cs
dcterms.modified2024-05-17-12:53:16cs
eprints.affiliatedInstitution.facultyFakulta elektrotechniky a komunikačních technologiícs
sync.item.dbid133450en
sync.item.dbtypeZPen
sync.item.insts2025.03.26 14:26:33en
sync.item.modts2025.01.17 11:43:34en
thesis.disciplinebez specializacecs
thesis.grantorVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. Ústav telekomunikacícs
thesis.levelInženýrskýcs
thesis.nameIng.cs
Files
Original bundle
Now showing 1 - 3 of 3
Thumbnail Image
Name:
final-thesis.pdf
Size:
7.56 MB
Format:
Adobe Portable Document Format
Description:
final-thesis.pdf
Download
Thumbnail Image
Name:
appendix-1.zip
Size:
256 B
Format:
zip
Description:
appendix-1.zip
Download
Thumbnail Image
Name:
review_133450.html
Size:
4.33 KB
Format:
Hypertext Markup Language
Description:
file review_133450.html
Download
Collections
2021