UNIVERZITET U TUZLI
FAKULTET ELEKTROTEHNIKE
Franjevačka br.2
Tuzla
NAPOMENA: Javna odbrana završnog magistarskog rada kandidata Babajić Haruna, bachelor inž. el. planirana za 28.10.2024. godine u 14,00 sati neće se održati zbog bolesti kandidata. Novi termin odbrane utvrdit će se naknadno.
O B J A V L J U J E
Benjamin Babajić, bachelor inž. el., javno će braniti završni magistarski rad pod naslovom: „Detekcija objekata u slikama korištenjem YOLO algoritma“, dana 28.10.2024. godine u 14,00 sati u Multimedijalnoj sali Univerziteta u Tuzli, pred Komisijom u sastavu:
- Dr. sci Lejla Banjanović-Mehmedović, vanredni profesor-predsjednik
Uža naučna oblast Automatika i robotika
Fakultet elektrotehnike Univerziteta u Tuzli
- Dr. sci. Naser Prljača, redovni profesor-mentor/član
Uža naučna oblast Automatika i robotika
Fakultet elektrotehnike Univerziteta u Tuzli
- Dr. sci. Amira Šerifović Trbalić, vanredni profesor-član
Uža naučna oblast Automatika i robotika
Fakultet elektrotehnike Univerziteta u Tuzli
Zamjenski član Komisije, dr.sci. Amila Dubravić, vanredni profesor, uža naučna oblast Automatika i robotika, Fakultet elektrotehnike Univerziteta u Tuzli.
Pristup javnosti je slobodan.
Završni magistarski rad se može pogledati u Sekretarijatu fakulteta svakim radnim danom od 09,00 do 15,00 sati.
REZIME RADA
Detekcija objekata u slikama predstavlja ključni izazov u području računalnog vida. Jedan od najefikasnijih algoritama za ovu svrhu je familjja (v1…v10) YOLO (You Only Look Once)algoritama. YOLO algoritmi omogućava brzu i preciznu detekciju objekata u stvarnom vremenu, što ih čini idealnim za primjene u robotici, autonomnim vozilia, dronovima, sigurnosnim sustavima itd.
YOLO algoritam koristi jedinstveni pristup detekciji objekata.. Cijela slika se analizira u jednom prolazu kroz duboku neuronsku mrežu koja predviđa granice okvira objekta (bounding box), tj. centar okvira, širinu i visinu okvira, te vrši klasifikaciju objekta, odnosno predviđa vjerovatnoću pripadanja objekata odgovarajućoj klasi. Praktično YOLO predstavlja multi-task model odnosno neuronsku mrežu. Ovaj pristup omogućava značajno brže performanse u usporedbi s ostalim metodama.
YOLO se sastoji od konvolucijske neuronske mreže (CNN) koja je dizajnirana da istovremeno predviđa više granica okvira i vjerojatnosti klasa za te okvire. Mreža je podijeljena u SxS mrežu ćelija, gdje svaka ćelija predviđa B granica okvira i vjerojatnosti za C klasa objekata.
Konačni rezultat je kombinacija ovih predikcija koja daje konačne granice okvira i vjerovatnosti klase objekata.
Treniranje YOLO algoritma zahtijeva veliki skup podataka označenih slika. Proces uključuje optimizaciju funkcije gubitka koja uzima u obzir pogreške u predikciji granica okvira i klasifikaciji objekata. Korištenje tehnika poput augmentacije podataka i regularizacije pomaže u poboljšanju performansi modela i smanjenju prekomjernog prilagođavanja.
U eksperimentalnom dijelu rada provedeno je treniranje i validiranje performanse YOLO v8 mreže na korisničkom skupu podataka.
Prednosti YOLO algoritma uključuju visoku brzinu i sposobnost detekcije objekata u stvarnom vremenu. Također, YOLO je relativno jednostavan za implementaciju i treniranje. Međutim, nedostaci uključuju nižu točnost u detekciji manjih objekata i složenih scena, kao i potrebu za velikim skupom podataka za treniranje