prikaz prve stranice dokumenta Detekcija proizvoda na policama trgovina primjenom dubokog učenja
No public access
master's thesis
Detekcija proizvoda na policama trgovina primjenom dubokog učenja
Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing, 2023. urn:nbn:hr:168:116569
Tutić, Marko
University of Zagreb
Faculty of Electrical Engineering and Computing

Institutional repository: FER Repository

Cite this document

Tutić, M. (2023). Detekcija proizvoda na policama trgovina primjenom dubokog učenja (Master's thesis). Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing. Retrieved from https://urn.nsk.hr/urn:nbn:hr:168:116569

Tutić, Marko. "Detekcija proizvoda na policama trgovina primjenom dubokog učenja." Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2023. https://urn.nsk.hr/urn:nbn:hr:168:116569

Tutić, Marko. "Detekcija proizvoda na policama trgovina primjenom dubokog učenja." Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2023. https://urn.nsk.hr/urn:nbn:hr:168:116569

Tutić, M. (2023). 'Detekcija proizvoda na policama trgovina primjenom dubokog učenja', Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, accessed 20 May 2024, https://urn.nsk.hr/urn:nbn:hr:168:116569

Tutić M. Detekcija proizvoda na policama trgovina primjenom dubokog učenja [Master's thesis]. Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing; 2023 [cited 2024 May 20] Available at: https://urn.nsk.hr/urn:nbn:hr:168:116569

M. Tutić, "Detekcija proizvoda na policama trgovina primjenom dubokog učenja", Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, Zagreb, 2023. Available at: https://urn.nsk.hr/urn:nbn:hr:168:116569

Metadata
TitleDetekcija proizvoda na policama trgovina primjenom dubokog učenja
Title (english)Detection of products on store shelves using deep learning
AuthorMarko Tutić
MentorZoran Kalafatić (mentor)
Committee memberZoran Kalafatić (predsjednik povjerenstva)
Committee memberTomislav Hrkać (član povjerenstva)
Committee memberVladimir Čeperić (član povjerenstva)
GranterUniversity of Zagreb
Faculty of Electrical Engineering and Computing
Zagreb
Defense date and country2023-07-03, Croatia
Abstract
Detekcija objekata u trgovini je izazovan zadatak koji zahtijeva precizno otkrivanje velikog broja objekata unutar ograničenog vremena. Ovo istraživanje analiziralo je različite modele detekcije objekata pomoću skupa podataka SKU110K kako bi se odredile njihove mogućnosti detekcije objekata u trgovini. Analiza je uzela u obzir gustoću objekata i pojave preklapanja unutar skupa podataka. Četiri modela, Faster R-CNN, SSD, RetinaNet i YOLOv8, vrednovana su na skupu podataka SKU110K. Procjena je uključivala različite razlučivosti slike i veličine objekata. YOLOv8, najnoviji model, nadmašio je ostale modele u kontekstu preciznosti. Uvidi iz analize skupa podataka otkrili su da je nizak prag omjera presjeka i unije (IoU) za algoritam potiskivanja ne-maksimalnih odziva (NMS) doveo do smanjene preciznosti. Dok je RetinaNet imao dobre rezultate na slikama visoke rezolucije, SSD je pokazao smanjenu točnost na slikama visoke rezolucije. Općenito, YOLOv8 je pokazao vrhunske performanse u otkrivanju objekata u trgovini, iako su svi modeli imali problema s otkrivanjem malih predmeta.
Abstract (english)
Store object detection is a challenging task that requires the accurate detection of numerous objects within a limited time. This research analyzed various object detection models using the SKU110K dataset to determine their capabilities for in-store object detection. The analysis considered object density and overlapping occurrences within the dataset. Four models, Faster R-CNN, SSD, RetinaNet, and YOLOv8, were evaluated on the SKU110K dataset. The evaluation involved different image resolutions and object sizes. YOLOv8, the latest model, outperformed the other models in terms of accuracy. Insights from the dataset analysis revealed that a low Intersection over Union (IoU) threshold for the Non-Maximum Suppression (NMS) algorithm led to decreased accuracy. While RetinaNet performed well with high-resolution images, SSD showed reduced accuracy with increased image resolutions. Overall, YOLOv8 demonstrated superior performance in store object detection, although all models struggled with detecting small objects.
Keywords
Keywords (english)
Languageenglish
URN:NBNurn:nbn:hr:168:116569
Study programmeTitle: Computing
Study programme type: university
Study level: graduate
Academic / professional title: magistar/magistra inženjer/inženjerka računarstva (magistar/magistra inženjer/inženjerka računarstva)
Type of resourceText
File originBorn digital
Access conditionsClosed access
Terms of useLicence In copyright icon
Public note
Created on2023-10-11 10:50:11