Розпізнавання об’єктів в реальному часі в iOS-застосунках з використанням Core ML

Abstract

UA : Метою роботи є розробка та дослідження мобільної системи iOS-застосунку для розпізнавання автомобілів у реальному часі з використанням технологій машинного навчання та фреймворку Core ML. У роботі розглянуто теоретичні засади комп’ютерного зору, особливості задачі детекції об’єктів, сучасні підходи до побудови моделей, зокрема сімейство YOLO, а також принципи розгортання нейромережевих моделей у мобільному середовищі iOS з використанням Core ML та Vision. Практична частина присвячена підготовці даних у форматі, придатному для навчання детектора, навчанню моделі, оцінюванню якості за метриками Precision, а також експорту моделі у формат Core ML і інтеграції в iOS-застосунок. Реалізовано обробку відеопотоку з камери та візуалізацію результатів детекції bounding box, клас, confidence у режимі реального часу без використання зовнішнього серверу. Проведено аналіз результатів навчання та продемонстровано роботу застосунку, що підтверджує практичну придатність запропонованого підходу.EN : The aim of the thesis is to develop and study a mobile iOS application system for real-time car recognition using machine learning technologies and the Core ML framework. The thesis discusses the theoretical foundations of computer vision, the specifics of the object detection task, modern approaches to model development (in particular, the YOLO family), as well as the principles of deploying neural network models in the iOS mobile environment using Core ML and Vision. The practical part focuses on preparing data in a format suitable for training an object detector, training the model, evaluating its quality using Precision metrics, and exporting the model to the Core ML format followed by integration into an iOS application. Video stream processing from the device camera and visualization of detection results (bounding box, class, confidence) are implemented in real time without using an external server. The training results were analyzed and the application operation was demonstrated, confirming the practical applicability of the proposed approach.