МОДЕЛЬ ДЛЯ СИСТЕМИ ВИЯВЛЕННЯ ТА КЛАСИФІКАЦІЇ ОБ'ЄКТІВ (ТРАНСПОРТНИХ ЗАСОБІВ) У ВІДЕОПОТОЦІ ДАНИХ НА ОСНОВІ ГЛИБИННОГО НАВЧАННЯ
Oleksandr Shmatko, Игорь Петрович Гамаюн, Олексій Коломійцев et al. · ГРААЛЬ НАУКИ · 2026
В статті проведено дослідження та порівняння алгоритмів FASTER-RCNN, YOLO, SSD та R-FCN. що необхідні для створення ефективної інтелектуальної системи виявлення об'єктів у режимі реального часу. Здійснено оцінку алгоритмів Precision, recall, F1-score, mAP та часу на виведення за показниками ефективності на основі тестового набору даних. Визначено, що модель глибокого навчання YOLOv5 має високі точність та швидкість обробки даних, що дозволяє її застосовувати в області комп'ютерного зору та штучного інтелекту для інтелектуальної системи виявлення об'єктів. Розроблено модель для системи виявлення та класифікації об'єктів (транспортних засобів) у відеопотоці даних на основі глибинного навчання. Використано модель нейронної мережі YOLOv5. Проведено експериментальні дослідження навченої моделі. Наведено отримані як графічні і табличні результати досліджень, так і скріншоти роботи навченої моделі з відеопотоком даних.
Cited by 0 works. doi:10.36074/grail-of-science.20.02.2026.115
Authors
- Oleksandr Shmatko
- Игорь Петрович Гамаюн
- Олексій Коломійцев
- О.М. Чекунова
- Олександр Лисий
- Ігор Рудаков
- О. П. Колодій
- Анатолій Михайлович Соловйов
- Владислав Вікторович Пальчиков
- Данило Миколайович Шабанов
- О. М. Дзігора
- Костянтин Фесенко
References
- DESIGNING AND EVALUATING DL-MODEL FOR VULNERABILITY DETECTION IN SMART CONTRACTS
- PASSWORD HASHING METHODS AND ALGORITHMS ON THE .NET PLATFORM
- Data consistency protocol for multicloud systems
- An Intelligent Method for C++ Test Case Synthesis Based on a Q-Learning Agent
- ДОСЛІДЖЕННЯ ТА ОЦІНКА ПІДСИСТЕМИ ВИЯВЛЕННЯ ТА КЛАСИФІКАЦІЇ ОБ’ЄКТІВ У ВІДЕОПОТОЦІ