prikaz prve stranice dokumenta Detekcija proizvoda na policama trgovina primjenom dubokog učenja
Rad nije dostupan
diplomski rad
Detekcija proizvoda na policama trgovina primjenom dubokog učenja
Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2023. urn:nbn:hr:168:116569
Tutić, Marko
Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva

Institucijski repozitorij: Repozitorij FER-a

Citirajte ovaj rad

Tutić, M. (2023). Detekcija proizvoda na policama trgovina primjenom dubokog učenja (Diplomski rad). Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:168:116569

Tutić, Marko. "Detekcija proizvoda na policama trgovina primjenom dubokog učenja." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2023. https://urn.nsk.hr/urn:nbn:hr:168:116569

Tutić, Marko. "Detekcija proizvoda na policama trgovina primjenom dubokog učenja." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2023. https://urn.nsk.hr/urn:nbn:hr:168:116569

Tutić, M. (2023). 'Detekcija proizvoda na policama trgovina primjenom dubokog učenja', Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, citirano: 25.11.2024., https://urn.nsk.hr/urn:nbn:hr:168:116569

Tutić M. Detekcija proizvoda na policama trgovina primjenom dubokog učenja [Diplomski rad]. Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva; 2023 [pristupljeno 25.11.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:116569

M. Tutić, "Detekcija proizvoda na policama trgovina primjenom dubokog učenja", Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, Zagreb, 2023. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:116569

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:168:116569
Podaci o radu
NaslovDetekcija proizvoda na policama trgovina primjenom dubokog učenja
Naslov (engleski)Detection of products on store shelves using deep learning
AutorMarko Tutić
MentorZoran Kalafatić (mentor)
Član povjerenstvaZoran Kalafatić (predsjednik povjerenstva)
Član povjerenstvaTomislav Hrkać (član povjerenstva)
Član povjerenstvaVladimir Čeperić (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva
Zagreb
Datum i država obrane2023-07-03, Hrvatska
Sažetak
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.
Sažetak (engleski)
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.
Ključne riječi
Ključne riječi (engleski)
Jezikengleski
URN:NBNurn:nbn:hr:168:116569
Studijski programNaziv: Računarstvo
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag.ing.comp.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaZatvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Javna napomena
Datum i vrijeme pohrane2023-10-11 10:50:11