Розробка програмного забезпечення для виявлення об'єктів на основі нейронних мереж

Скорочена інформація про документ
dc.contributor.advisorМамута, Марина Сергіївна
dc.contributor.authorСулима, Олександр Дмитрович
dc.date.accessioned2025-08-19T12:07:51Z
dc.date.available2025-08-19T12:07:51Z
dc.date.issued2025
dc.description.abstractДипломна робота присвячена розробці програмного забезпечення для виявлення об'єктів на основі нейронних мереж. Метою роботи стало створення та навчання моделі, здатної розпізнавати об'єкти типу «танк» на аерофотознімках з високим рівнем впевненості (більше 0.5). У теоретичній частині було розглянуто принципи роботи нейронних мереж, систем для виявлення об'єктів та проведено порівняння популярних архітектур YOLO. У практичній частині для вирішення поставленого завдання було обрано архітектуру YOLO11n як найсучаснішу і найбільш ефективну для задач виявлення в умовах обмежених ресурсів. Проведено тренування моделі трьома способами: повне донавчання, з частковим заморожуванням (10 шарів) та із заморожуванням глибших шарів (20 шарів). Навчання здійснювалось на спеціалізованому наборі даних, підібраному з платформи Roboflow. Виконано тестування моделі, візуалізацію результатів та аналіз метрик (precision, recall, F1-score, confusion matrix тощо). Результати показали, що заморожування шарів може бути доцільним у випадках з обмеженим часом або ресурсами, однак повне донавчання забезпечує найкращі показники точності. Розроблене рішення може бути використано в системах автономного виявлення об'єктів для безпілотних апаратів.
dc.description.abstractotherThis thesis is dedicated to the development of software for object detectionbased on neural networks. The main goal was to create and train a model capableofrecognizing "tank" objects in aerial images with high confidence (greater than0.5).The theoretical part reviews the principles of neural networks, machinevisionsystems, and compares popular YOLO architectures. In the practical part, the YOLO11n architecture was chosen as themost recentand efficient for detection tasks in resource-constrained environments. Themodelwas trained using three approaches: full fine-tuning, partial layer freezing(10layers),and deeper layer freezing (20 layers). Training was performed onaspecializeddataset obtained from the Roboflow platform. Model testing, results visualization, and metric analysis (suchasprecision,recall, F1-score, and confusion matrix) were conducted. The results showthat layerfreezing can be useful in cases with limited time or resources, while full fine-tuningprovides the best accuracy. The developed solution can be appliedinautonomousobject detection systems for unmanned aerial vehicles.
dc.format.extent63 с.
dc.identifier.citationСулима, О. Д. Розробка програмного забезпечення для виявлення об'єктів на основі нейронних мереж : дипломна робота ... бакалавра : 151 Автоматизація та комп'ютерно-інтегровані технології / Сулима Олександр Дмитрович. – Київ, 2025. – 63 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/75532
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.titleРозробка програмного забезпечення для виявлення об'єктів на основі нейронних мереж
dc.typeBachelor Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Sulima_bakalavr.pdf
Розмір:
2.31 MB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Бакалаврські роботи (КІОНС)
Бакалаврські роботи