Detekce chodců ve snímku pomocí metod strojového učení

Abstract

Tato práce se zabývá detekcí chodců pomocí konvolučních neuronových sítí z pohledu autonomního vozidla. A to zejména jejich otestováním ve smyslu nalezení vhodné praxe tvorby datasetu pro machine learning modely. V práci bylo natrénováno celkem deset machine learning modelů meta architektur Faster R-CNN s ResNet 101 jako feature extraktorem a SSDLite s feature extraktorem MobileNet_v2. Tyto modely byly natrénovány na datasetech o různých velikostech. Nejlépší výsledky byly dosaženy na datasetu o velikosti 5000 snímků. Kromě těchto modelů byl vytvořen nový dataset zaměřující se na chodce v noci. Dále byla vytvořena knihovna Python funkcí pro práci s datasety a automatickou tvorbu datasetu.This thesis deals with pedestrian detection using convolutional neural networks from the perspective of autonomous vehicle. Especially by testing these networks in the sense of finding a suitable practice of creating a dataset for machine learning models. A total of ten machine learning models of meta architectures Faster R-CNN with ResNet 101 as a feature extractor and SSDLite with the MobileNet_v2 feature extractor were trained. These models were trained on datasets of various sizes. The best results were achieved on a dataset of 5 000 images. In addition to these models, a new dataset aimed at pedestrians at night was created. Furthermore, a Python library was created for work with datasets and script for automatic creation of dataset.