Нейромережева модель детектування та відстеження у транспортному потоці міста
Loading...
Date
2025
Journal Title
Journal ISSN
Volume Title
Publisher
Український державний університет науки і технологій, ННІ ≪Інститут промислових та бізнес технологій≫, ІВК ≪Системні технології≫, Дніпро
Abstract
UKR: В роботі проведено опис предметної галузі, а саме опис методів машинного навчання та нейронної мережі, а також завдання класифікації. Крім вищепереліченого було проведено огляд наукової літератури та аналогів та опис сімейства нейромережевих моделей YOLOv7. Описано архітектуру нейромережевої моделі YOLOV7, її основні частини та їх при-значення. Було описано набір даних для навчання та тестування моделі, описано веб-додаток «RoboFlow», в якому виконувалася розмітка зображень. Також було описано алгоритм Deep SORT для відстеження об'єктів у часі. Реалізовано нейромережну модель для детектування та трекінгу електросамокатів у транспортному потоці. Модель була навчена на зібраному наборі даних. Також було реалізовано веб-додаток для демонстрації роботи нейромережевої моделі. Веб-додаток повністю відповідає функціональним та нефункціональним вимогам. Проведено тестування нейронної мережі, тестування проводилося на різних моделях YOLOV7, найкращий результат показала модель YOLOV7-w6. Також було проведено функціональне тестування веб-програми. Було проведено автоматизоване тестування веб-застосування за допомогою інструменту cypress, веб-додаток було протестовано за допомогою двох видів тестування, компонентного та E2E.
ENG: The paper describes the subject area, namely the description of machine learning methods and neural networks, as well as the classification task. In addition to the above, a review of scientific literature and analogues and a description of the YOLOv7 family of neural network models were conducted. The architecture of the YOLOV7 neural network model, its main parts and their purpose were described. The dataset for training and testing the model was described the web application "RoboFlow" was described, in which image marking was performed. The Deep SORT algorithm for tracking objects in time was also described. A neural network model for detecting and tracking electric scooters in the traffic flow was implemented. The model was trained on the collected dataset. A web application was also implemented to demonstrate the operation of the neural network model. The web application fully meets the functional and non-functional requirements. Neural network testing was carried out, testing was carried out on different YOLOV7 models, the best result was shown by the YOLOV7-w6 model. Functional testing of the web program was also carried out. Automated testing of the web application was carried out using the cypress tool, the web application was tested using two types of testing, component and E2E. According to the purpose of this work, a neural network model was developed for recognizing and tracking electric scooters in traffic. To improve the performance of the neural network model, the following actions can be taken: increase the data set, add more data diversity, train the neural network model, change the model topologies, try to choose parameters with which the model will give the best results.
ENG: The paper describes the subject area, namely the description of machine learning methods and neural networks, as well as the classification task. In addition to the above, a review of scientific literature and analogues and a description of the YOLOv7 family of neural network models were conducted. The architecture of the YOLOV7 neural network model, its main parts and their purpose were described. The dataset for training and testing the model was described the web application "RoboFlow" was described, in which image marking was performed. The Deep SORT algorithm for tracking objects in time was also described. A neural network model for detecting and tracking electric scooters in the traffic flow was implemented. The model was trained on the collected dataset. A web application was also implemented to demonstrate the operation of the neural network model. The web application fully meets the functional and non-functional requirements. Neural network testing was carried out, testing was carried out on different YOLOV7 models, the best result was shown by the YOLOV7-w6 model. Functional testing of the web program was also carried out. Automated testing of the web application was carried out using the cypress tool, the web application was tested using two types of testing, component and E2E. According to the purpose of this work, a neural network model was developed for recognizing and tracking electric scooters in traffic. To improve the performance of the neural network model, the following actions can be taken: increase the data set, add more data diversity, train the neural network model, change the model topologies, try to choose parameters with which the model will give the best results.
Description
К. Островська: ORCID 0000-0002-9375-4121
Keywords
машинне навчання, тестування, трекінг, електросамокат, детекція, веб-додаток, machine learning, YOLOV, testing, tracking, electric scooter, deep sort, detection, web application, КІТС
Citation
Островська К. Ю., Петросян Е. Х. Нейромережева модель детектування та відстеження у транспортному потоці міста. Системні технології. Дніпро, 2025. Т. 1, № 156. С. 50–56. DOI: https://doi.org/10.34185/1562-9945-1-156-2025-06.