ОСОБЛИВОСТІ ПІДГОТОВКИ ДАТАСЕТІВ ДЛЯ НАВЧАННЯ ШТУЧНИХ НЕЙРОННИХ МЕРЕЖ
DOI:
https://doi.org/10.31471/1993-9981-2024-1(52)-115-120Ключові слова:
розпізнавання об'єктів, нейронні мережі, набори даних (виправлено), обробка даних (виправлено), анотація зображеньАнотація
У статті проаналізовано ключові аспекти формування навчальних датасетів, включаючи зображення об'єктів, для підготовки штучних нейронних мереж, зокрема на платформі YOLO, яка широко використовується для задач розпізнавання. Предметом дослідження є процес ідентифікації та класифікації об’єктів, пов'язаних із дорожніми сценаріями, таких як трасові моделі авто, перепони та поверхня доріжки. У статті представлено підхід до створення двовимірних зображень із відповідною анотацією класів "моделі авто", "траса" та "перепони". Особливу увагу приділено методам аугментації даних, які дозволяють збільшити варіативність та покращити якість навчальних вибірок, що є критично важливим для ефективності навчання нейронних мереж. У дослідженні описано процес спеціалізації нейронної мережі на розпізнаванні об'єктів за специфічними характеристиками або в умовах з обмеженими ресурсами. Після навчання мережа використовується для ідентифікації та сегментації визначених об'єктів на зображеннях. Зібрані результати розпізнавання підлягають агрегуванню, що дозволяє інтегрувати інформацію з різних джерел, тим самим підвищуючи загальну точність системи. Запропоновані методики можуть слугувати основою для розробки та вдосконалення алгоритмів розпізнавання об'єктів у різних прикладних завданнях, таких як мобільна робототехніка, моніторинг та аналіз середовища. Актуальність роботи обумовлена потребою підвищення стабільності та точності роботи систем розпізнавання об'єктів у складних умовах, зокрема при наявності обмежених і низькоякісних навчальних даних. Отримані результати та підходи можуть бути застосовані для вирішення практичних завдань і підтримки подальших досліджень у цій галузі
Завантаження
Посилання
1. Nanthini K., Sivabalaselvamani D. and oth. A Survey on Data Augmentation. 2023 7th International Conference on Computing Methodologies and Communication (ICCMC), Erode, India, 2023. pp. 913-920. DOI: 10.1109/ICCMC56507.2023.10084010.
2. Rogers A. W. and oth. A transfer learning approach for predictive modeling of bioprocesses using small data. Biotechnology and Bioengineering. 2021. Vol. 119, № 2. P. 411–422. DOI: 10.1002/bit.27980
3. Gürsakal N., Çelik S., Birişçi E. Synthetic Data Generation with Python. Synthetic Data for Deep Learning. Berkeley, CA, 2022. С. 159–214. DOI: 10.1007/978-1-4842-8587-9_5
4. Roboflow: Computer vision tools for developers and enterprises. Roboflow: Computer vision tools for developers and enterprises. URL: https://roboflow.com/
5. Huang L. Normalization Techniques in Deep Learning. Cham : Springer International Publishing, 2022. DOI: 10.1007/978-3-031-14595-7
6. A Review on Imbalanced Data Handling Using Undersampling and Oversampling Technique. International Journal of Recent Trends in Engineering and Research. 2017. Т. 3, № 4. С. 444–449. DOI: 10.23883/ijrter.2017.3168.0uwxm
.png)
