UA : Робота викладена на 62 сторінках друкованого тексту, містить 22 рисунки, 22 джерела, 4 додатки. Об’єкт дослідження: процес локалізації об’єкта зображення. Предмет дослідження: локалізація об’єктів у межах цих зображень. Мета роботи: вивчити сучасні підходи до локалізації об’єктів зображення та реалізувати алгоритм, який ефективно вирішує це завдання. Метод дослідження – аналіз, вивчення та узагальнення, порівняння. У магістерській кваліфікаційній роботі досліджувалися проблеми виявлення об’єктів на зображеннях та реалізації існуючих алгоритмів. У результаті було визначено та реалізовано найбільш оптимальну модель та алгоритм розв’язання задачі. Зокрема, було перевірено ефективність і точність алгоритму YOLOv3 у локалізації об’єктів на зображеннях. Було проведено порівняльний аналіз різних алгоритмів виявлення об’єктів, включаючи варіанти R-CNN, SSD і YOLO, де YOLOv8 став високоефективним і точним рішенням. Крім того, розроблений алгоритм було реалізовано за допомогою мови програмування Python із використанням таких бібліотек, як OpenCV і numpy, для ефективної обробки зображень і локалізації об’єктів. Ефективність реалізованого алгоритму оцінювалася на основі підібраного набору даних, демонструючи значне покращення точності локалізації та часу обробки. Завдяки цій роботі було зроблено значний внесок у покращення методів локалізації об’єктів за допомогою інструментів програмування на Python, прокладаючи шлях для подальшого прогресу в обробці зображень і застосуваннях штучного інтелекту.
EN : The work is presented on 62 pages of printed text, 22 figures, 22 references, 4 supplements. The object of study is the process of image object localization. The subject of research is the localization of objects within these images. The aim of the work: to study modern approaches to image object localization, and to implement an algorithm that effectively addresses this task. The methods of research are analysis, study and generalization, comparison. In the Master’s qualification work, the problem of object detection within images and the implementation of existing algorithms were explored. As a result, the most optimal model and algorithm for solving the problem were identified and implemented. Specifically, the YOLOv3 algorithm was examined for its efficiency and accuracy in object localization within images. A comparative analysis was conducted among various object detection algorithms including R-CNN, SSD, and YOLO variants, where YOLOv8 emerged as a highly efficient and precise solution. Moreover, the developed algorithm was implemented using the Python programming language, leveraging libraries such as OpenCV and numpy for effective image processing and object localization. The performance of the implemented algorithm was evaluated against a curated dataset, showcasing a significant improvement in localization accuracy and processing time. Through this work, a substantial contribution towards enhancing object localization techniques using Python programming tools has been made, paving the way for further advancements in image processing and artificial intelligence applications.
