Real time object detection with data variation

• Autorzy: Mokrani Maha , Hajaiej Zied

Identyfikatory

DOI

10.15199/48.2024.05.48

Warianty tytułu

PL

Wykrywanie obiektów w czasie rzeczywistym ze zmianami danych

• Języki publikacji: EN

Abstrakty

EN

Object recognition has a number of advantages, not least its speed and accuracy. It can be used to identify objects quickly and accurately in real time, and can be used to automate tasks such as security systems. The aim of this paper is a comparative study of the recognition of a specific "knife" object using the yolov8 algorithm. Then we'll see how to train this model ourselves using this dataset. Finally, we'll train Yolov8 to identify custom objects from our own data (photos taken with cameras) and ultimately compare its accuracy.

PL

Rozpoznawanie obiektów ma wiele zalet, między innymi szybkość i dokładność. Można go używać do szybkiej i dokładnej identyfikacji obiektów w czasie rzeczywistym, a także do automatyzacji zadań, takich jak systemy bezpieczeństwa. Celem niniejszej pracy jest badanie porównawcze rozpoznawania konkretnego obiektu typu „nóż” przy wykorzystaniu algorytmu yolov8. Następnie zobaczymy, jak samodzielnie wytrenować ten model, korzystając z tego zbioru danych. Na koniec przeszkolimy Yolov8 w zakresie identyfikowania niestandardowych obiektów na podstawie naszych własnych danych (zdjęć wykonanych aparatami) i ostatecznie porównujemy ich dokładność.

Słowa kluczowe

EN

Yolov8; deep learning; data variation; computer vision

PL

Yolov8; uczenie głębokie; zmienność danych; wizja komputerowa

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2024
• Tom: R. 100, nr 5
• Strony: 254--257
• Opis fizyczny: Bibliogr. 8 poz., rys.

Twórcy

autor

Mokrani Maha

• Analysis and Processing of Electrical and Energy Signals and Systems Research Laboratory, Faculty of Sciences of Tunis

• https://orcid.org/0009-0007-2433-8996

autor

Hajaiej Zied

• Analysis and Processing of Electrical and Energy Signals and Systems Research Laboratory, Faculty of Sciences of Tunis

• https://orcid.org/0009-0002-3255-5249

Bibliografia

• [1] Juan. R. Terven, Diana M Cordova, A COMPREHENSIVE REVIEW OF YOLO: FROM YOLOV1 AND BEYOND, UNDER REVIEW IN ACM COMPUTING SURVEYS
• [2] Yiting Li and. Al, A Modified YOLOv8 Detection Network for UAV Aerial Image Recognition, Academic Editor: Anastasios Dimou
• [3] Y. Zhou, W. Zhu, Y. He and Y. Li, "YOLOv8-based Spatial Target Part Recognition," 2023 IEEE 3rd International Conference on Information Technology, Big Data and Artificial Intelligence (ICIBA), Chongqing, China, 2023, pp. 1684-1687, doi: 10.1109/ICIBA56860.2023.10165260.
• [4] R. Bawankule, V. Gaikwad, I. Kulkarni, S. Kulkarni, A. Jadhav and N. Ranjan, "Visual Detection of Waste using YOLOv8," 2023 International Conference on Sustainable Computing and Smart Systems (ICSCSS), Coimbatore, India, 2023, pp. 869- 873, doi: 10.1109/ICSCSS57650.2023.10169688.
• [5] M. Karthi, V. Muthulakshmi, R. Priscilla, P. Praveen and K. Vanisri, "Evolution of YOLO-V5 Algorithm for Object Detection: Automated Detection of Library Books and Performace validation of Dataset," 2021 International Conference on Innovative Computing, Intelligent Communication and Smart Electrical Systems (ICSES), Chennai, India, 2021, pp. 1-6, doi: 10.1109/ICSES52305.2021.9633834.
• [6] T. S. Gunawan, I. M. M. Ismail, M. Kartiwi and N. Ismail, "Performance Comparison of Various YOLO Architectures on Object Detection of UAV Images," 2022 IEEE 8th International Conference on Smart Instrumentation, Measurement and Applications (ICSIMA), Melaka, Malaysia, 2022, pp. 257-261, doi: 10.1109/ICSIMA55652.2022.9928938.
• [7] G. Yasmine, G. Maha and M. Hicham, "Overview of single-stage object detection models: from Yolov1 to Yolov7," 2023 International Wireless Communications and Mobile Computing (IWCMC), Marrakesh, Morocco, 2023, pp. 1579-1584, doi: 10.1109/IWCMC58020.2023.10182423.
• [8] P. Chen, Y. Shi, Q. Zheng and Q. Wu, "State-of-the-art of Object Detection Model Based on YOLO," 2020 International Conference on Computer Network, Electronic and Automation (ICCNEA), Xi'an, China, 2020, pp. 101-105, doi: 10.1109/ICCNEA50255.2020.00030.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki i promocja sportu (2025).