| Abstract |
Lielu pilsētu infrastruktūrām laika gaitā kļūstot aizvien sarežģītākām, sāk rasties lielāka nepieciešamība pēc rīkiem, kas varētu palīdzēt ar infrastruktūras tīklu komponenšu monitorēšanu un uzlabošanu. Satiksmes jomā šim nolūkiem bieži vien izmanto modelēšanas risinājumus, bet, lai tos veiksmīgi un pietiekami precīzi uzstādītu, ir nepieciešami dati no reālās vides objektiem, kurus plānots modelēt. Pētījuma galvenais mērķis bija izstrādāt daudzkategoriju objektu skaitīšanas risinājumu pilsētvidei, kas būtu spējīgs šos datus ievākt. Risinājums tika veidots, vispirms veicot līdzīgu risinājuma apskati un risinājuma projektēšanu, rezultātā konstatējot potenciāli pielietojamās tehnoloģijas, un pēcāk izstrādi un visbeidzot validāciju. Risinājums tika veidots Python programmēšanas valodā, pielietojot Ultralytics un Supervision bibliotēkas. Lielākoties tika izmantota YOLO modeļa versija, kas apmācīta uz COCO datu kopu, bet skrejriteņu gadījumā bija nepieciešams arī atstevišķi atrast datu kopu un uz tās apmācīt modeli. Rezultātā tika iegūts dažādām pilsētvides situācijām pielāgojams risinājums, kas lielākoties veiksmīgi nodrošina gājēju, velobraucēju, mašīnu, smago mašīnu, busu, motociklu un skrejriteņu skaitīšanu satiksmes kameru video datos, kā arī atrasti vairāki potenciāli problēmpunkti, ko turpmākos pētījumos varētu uzlabot. Darba apjoms: 50 lapaspuses, 32 attēli, 3 tabulas, 22 izmantotie informācijas avoti |
