| Abstract |
Bakalaura darba tēma: “Datorredzes modeļu salīdzinošā analīze vieglo
individuālo transportlīdzekļu vadītāju aizsargķiveru kontrolei”. Pēdējos gados strauji
pieaugošais vieglo individuālo transportlīdzekļu (VIT), īpaši elektrisko skrejriteņu un
velosipēdu, skaits pilsētvidē rada nepieciešamību pēc efektīvām automatizētām
uzraudzības sistēmām, kas spētu kontrolēt aizsargķiveru lietošanu. Darba mērķis ir
salīdzināt trīs datorredzes modeļus: YOLOv7, Faster R-CNN un EfficientDet, to
piemērotības novērtēšanai aizsargķiveres noteikšanas uzdevumā uz VIT vadītājiem.
Pētījuma ietvaros tika atlasīta publiski pieejama datu kopa ar četrām klasēm: With
Helmet, Without Helmet, escooter un person, kas sadalīta apmācības, validācijas un
testēšanas kopās. Visi trīs modeļi tika apmācīti vienotā eksperimentālā vidē, izmantojot
pārneses mācīšanās (transfer learning) metodi, un novērtēti pēc vienotiem kritērijiem:
Precision, Recall, F1-score, mAP@0.5 un FPS. Iegūtie rezultāti liecina, ka YOLOv7
uzrādīja labākos rezultātus visās metrikās: Precision 0.887, Recall 0.883, F1-score
0.885, mAP@0.5 0.897 un 96 FPS, kas padara to par piemērotāko modeli reāllaika
aizsargķiveres noteikšanai. Faster R-CNN sasniedza mAP@0.5 0.764 ar 12.18 FPS,
savukārt EfficientDet dotajos apmācības apstākļos nespēja sasniegt konkurētspējīgus
rezultātus ar mAP@0.5 0.055. Bakalaura darbā ir 56 lappuses, 26 attēli, 12 tabulas, 0
pielikumi un 30 informācijas avoti.
Atslēgvārdi: datorredze, dziļā mācīšanās, objektu noteikšana, aizsargķivere,
vieglie individuālie transportlīdzekļi. |
