Detekce a klasifikace vozidel pro vestavěné platformy

Simple item page
but.committeedoc. Ing. Martin Čadík, Ph.D. (předseda) doc. Ing. Zdeněk Vašíček, Ph.D. (člen) Ing. Šárka Květoňová, Ph.D. (člen) Ing. Filip Orság, Ph.D. (člen) Ing. Michal Španěl, Ph.D. (člen)cs
but.defenceStudent 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. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm A.cs
but.jazykangličtina (English)
but.programInformační technologiecs
but.resultpráce byla úspěšně obhájenacs
dc.contributor.advisorŠpaňhel, Jakuben
dc.contributor.authorSkaloš, Patriken
dc.contributor.refereeHradiš, Michalen
dc.date.accessioned2023-07-17T08:03:44Z
dc.date.available2023-07-17T08:03:44Z
dc.date.created2023cs
dc.description.abstractTáto práca hodnotí kompromisy rýchlosti a presnosti najmodernejších detektorov objektov YOLOv8 pre detekciu vozidiel v snímkoch z monitorovacích kamier na vstatných a nízkovýkonných zariadeniach. Modely YOLOv8 rôznych veľkostí, vrátane jedného s efektívnou sieťou MobileNetV2 na extrakciu príznakov a modelu YOLOv8-femto s menej ako \num{60000} parametrami, boli testované na šiestich zariadeniach, vrátane troch vstavaných platforiem z rodiny NVIDIA Jetson a počítačom Raspberry Pi 4B s nízkou výpočtovou silou. V práci boli zohľadnené rôzne faktory ovplyvňujúce výkonnosť modelov, ako napríklad ich kvantizácia, rozlíšenia vstupu, inferenčné knižnice a veľkosti dávok počas inferencie. Táto štúdia poskytuje užitočné informácie k vývoju a nasadeniu detektorov vozidiel na širokú škálu zariadení, od nízkovýkonných procesorov po špecializované vstavané platformy.en
dc.description.abstractThis paper evaluates the performance trade-offs of state-of-the-art YOLOv8 object detectors for vehicle detection in surveillance-type images on embedded and low-performance devices. YOLOv8 models of varying sizes, including one with the lightweight MobileNetV2 backbone and YOLOv8-femto with fewer than \num{60000} parameters, were benchmarked across six devices, including three NVIDIA Jetson embedded platforms and the low-performance Raspberry Pi 4B. Various factors influencing performance were considered, such as weight quantization, input resolutions, inference backends, and batch sizes during inference. This study provides valuable insights into the development and deployment of vehicle detectors on a diverse range of devices, including low-performance CPUs and specialized embedded platforms.cs
dc.description.markAcs
dc.identifier.citationSKALOŠ, P. Detekce a klasifikace vozidel pro vestavěné platformy [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2023.cs
dc.identifier.other144778cs
dc.identifier.urihttp://hdl.handle.net/11012/211067
dc.language.isoencs
dc.publisherVysoké učení technické v Brně. Fakulta informačních technologiícs
dc.rightsStandardní licenční smlouva - přístup k plnému textu bez omezenícs
dc.subjectdetekcia vozidielen
dc.subjectmonitorovanie dopravyen
dc.subjectdetekcia objektoven
dc.subjectkonvolučné neurónové sieteen
dc.subjectdetekcia v reálnom časeen
dc.subjectkompromisyen
dc.subjectvstavané zariadeniaen
dc.subjectnízkovýkonné zariadeniaen
dc.subjectYOLOen
dc.subjectYOLOv8en
dc.subjectNVIDIA Jetsonen
dc.subjectRaspberry Pien
dc.subjectOpenMMLaben
dc.subjectMMYOLOen
dc.subjectkvantizáciaen
dc.subjectONNX Runtimeen
dc.subjectTensorRTen
dc.subjectvehicle detectioncs
dc.subjecttraffic surveillancecs
dc.subjectobject detectioncs
dc.subjectconvolutional neural networkscs
dc.subjectreal-timecs
dc.subjecttrade-offscs
dc.subjectembedded devicescs
dc.subjectlow-performance devicescs
dc.subjectYOLOcs
dc.subjectYOLOv8cs
dc.subjectNVIDIA Jetsoncs
dc.subjectRaspberry Pics
dc.subjectOpenMMLabcs
dc.subjectMMYOLOcs
dc.subjectquantizationcs
dc.subjectONNX Runtimecs
dc.subjectTensorRTcs
dc.titleDetekce a klasifikace vozidel pro vestavěné platformyen
dc.title.alternativeDetection and Classification of Vehicles for Embedded Platformscs
dc.typeTextcs
dc.type.driverbachelorThesisen
dc.type.evskpbakalářská prácecs
dcterms.dateAccepted2023-06-13cs
dcterms.modified2023-06-13-16:09:02cs
eprints.affiliatedInstitution.facultyFakulta informačních technologiícs
sync.item.dbid144778en
sync.item.dbtypeZPen
sync.item.insts2023.07.17 10:03:44en
sync.item.modts2023.07.17 09:45:27en
thesis.disciplineInformační technologiecs
thesis.grantorVysoké učení technické v Brně. Fakulta informačních technologií. Ústav počítačové grafiky a multimédiícs
thesis.levelBakalářskýcs
thesis.nameBc.cs
Files
Original bundle
Now showing 1 - 2 of 2
Thumbnail Image
Name:
final-thesis.pdf
Size:
2.84 MB
Format:
Adobe Portable Document Format
Description:
final-thesis.pdf
Download
Thumbnail Image
Name:
review_144778.html
Size:
11.26 KB
Format:
Hypertext Markup Language
Description:
review_144778.html
Download
Collections
2023