Розробка застосунку детекції та класифікації об’єктів

Abstract

UA : Робота викладена на 75 сторінках друкованого тексту, містить 26 рисунків, 1 таблицю, 20 джерел, 2 додатки. Об’єкт дослідження – процес тренування моделі машинного навчання для розпізнавання військової техніки та інтеграції її у вебзастосунок. Мета роботи: розробка вебзастосунку для використання моделі машинного навчання для розпізнавання військової техніки. Методи дослідження – методи аналізу, емпіричні методи, методи програмної інженерії. У кваліфікаційній роботі було проведено аналіз сучасних методів розпізнавання об’єктів. Розглянуто різні архітектури моделей та обґрунтовано вибір YOLOv11, як оптимальної. Було сформовано набір даних, що включає чотири класи військової техніки: бронетехніка (AFV), бронетранспортери (APC), артилерійські системи та системи протиповітряної оборони. Після чого, модель YOLOv11 було натреновано на створеному наборі даних. Також, було розроблено вебзастосунок на основі фреймворку Streamlit, що надає можливість розпізнавання військової техніки на зображеннях, відеофайлах, YouTube-відео та RTSP потоках. Результати роботи можуть бути використані для автоматизації процесів моніторингу та розпізнавання військової техніки в різних умовах спостереження. Подальші дослідження можуть включати розширення набору даних більш детальними класами військової техніки та підвищення точності моделі.

EN : The work is presented on 75 pages of printed text, 26 figures, 1 table, 20 references, 2 supplements. The object of the study is the process of development a machine learning model for the detection and classification of military equipment and its integration into a web application. The aim of the study is development of a web application utilizing a machine learning model for the detection and classification of military equipment. The methods of research are methods of analysis, empirical methods, and the development of software. In this bachelor’s work, an analysis of modern object detection methods was conducted. Different model architectures were examined, and YOLOv11 was justified as the optimal choice. A dataset was created that includes four classes of military equipment: armored fighting vehicles (AFV), armored personnel carriers (APC), artillery systems, and air defense systems. Subsequently, the YOLOv11 model was trained on the created dataset. Additionally, a web application was developed, using Streamlit framework, which provides the capability to recognize military equipment on images, video files, YouTube videos, and RTSP streams. The results of this work can be used to automate the monitoring and identification of military equipment under various observation conditions. Further research may include expanding the dataset with more detailed classes of military equipment and improving the model’s accuracy.