prikaz prve stranice dokumenta Usporedba performansi YOLOv5 i YOLOv8 algoritama u zadacima klasifikacije
  Preuzmi
PDF 2.91 MB
završni rad
Usporedba performansi YOLOv5 i YOLOv8 algoritama u zadacima klasifikacije
2024. urn:nbn:hr:166:073760
Drašković, Ema Andrea
Sveučilište u Splitu
Prirodoslovno-matematički fakultet
Odjel za informatiku

Citirajte ovaj rad

Drašković, E. A. (2024). Usporedba performansi YOLOv5 i YOLOv8 algoritama u zadacima klasifikacije (Završni rad). Split: Sveučilište u Splitu, Prirodoslovno-matematički fakultet. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:166:073760

Drašković, Ema Andrea. "Usporedba performansi YOLOv5 i YOLOv8 algoritama u zadacima klasifikacije." Završni rad, Sveučilište u Splitu, Prirodoslovno-matematički fakultet, 2024. https://urn.nsk.hr/urn:nbn:hr:166:073760

Drašković, Ema Andrea. "Usporedba performansi YOLOv5 i YOLOv8 algoritama u zadacima klasifikacije." Završni rad, Sveučilište u Splitu, Prirodoslovno-matematički fakultet, 2024. https://urn.nsk.hr/urn:nbn:hr:166:073760

Drašković, E. A. (2024). 'Usporedba performansi YOLOv5 i YOLOv8 algoritama u zadacima klasifikacije', Završni rad, Sveučilište u Splitu, Prirodoslovno-matematički fakultet, citirano: 01.10.2024., https://urn.nsk.hr/urn:nbn:hr:166:073760

Drašković EA. Usporedba performansi YOLOv5 i YOLOv8 algoritama u zadacima klasifikacije [Završni rad]. Split: Sveučilište u Splitu, Prirodoslovno-matematički fakultet; 2024 [pristupljeno 01.10.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:166:073760

E. A. Drašković, "Usporedba performansi YOLOv5 i YOLOv8 algoritama u zadacima klasifikacije", Završni rad, Sveučilište u Splitu, Prirodoslovno-matematički fakultet, Split, 2024. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:166:073760

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:166:073760
Prijavite se u repozitorij kako biste mogli spremiti objekt u svoju listu.
Podaci o radu
NaslovUsporedba performansi YOLOv5 i YOLOv8 algoritama u zadacima klasifikacije
Naslov (engleski)Performance comparison of YOLOv5 and YOLOv8 algorithms in classification tasks
AutorEma Andrea Drašković
MentorSaša Mladenović (mentor)
MentorDino Nejašmić (pomoć pri izradi, neposredni voditelj)
Član povjerenstvaDino Nejašmić (predsjednik povjerenstva)
Član povjerenstvaSaša Mladenović (član povjerenstva)
Član povjerenstvaNika Jerković (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Splitu
Prirodoslovno-matematički fakultet
(Odjel za informatiku)
Split
Datum i država obrane2024-09-16, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Računarstvo
Sažetak
Umjetna inteligencija predstavlja široko interdisciplinarno područje informatike koje stvara sustave sposobne demonstrirati ljudske vještine poput percepcije, učenja i rješavanja problema. Rad uvodi u koncepte ključne za razvoj AI sustava, kao strojno učenje i duboko učenje. Posebno se ističe YOLO algoritam dubokog učenja za detekciju objekata, razvijen radi brze i precizne analize slika. Pregledavajući arhitekturu varijanti v5 i v8 YOLO modela, ističe se njegova sposobnost prilagodbe različitim zahtjevima te podrška za vlastiti skup podataka. Analiza metrika poput srednje prosječne preciznosti i F1 pruža uvid u evaluaciju performansi modela. Treniranje modela, ključno za postizanje visokih performansi, ističe važnost kvalitetnih podataka i finog podešavanja (engl. fine-tuning) za specifične potrebe aplikacije. Detekcija objekata kroz klasifikaciju i regresiju objašnjava kako YOLO model brzo i precizno detektira objekte u slikama. Kroz primjere primjene, rad ilustrira kako pripremiti skup podataka i trenirati na njemu YOLO model, te uspoređuje različite inačice algoritma preko metrika i performansi.
Sažetak (engleski)
Artificial intelligence represents a broad interdisciplinary field of computer science that creates systems capable of demonstrating human-like skills such as perception, learning and problem solving. The paper introduces key concepts essential for the development of AI systems, such as machine learning and deep learning, where the YOLO algorithm for object detection is notable. By reviewing the architecture of the YOLO v5 and v8 model variants, the focus is on its adaptability to various requirements and support for custom datasets. The analysis of metrics such as mean average precision and F1 provides insight into the evaluation of model performance. Model training, crucial for achieving high performance, emphasizes the importance of quality data and fine-tuning for specific application needs. Object detection through classification and regression explains how YOLO model quickly and accurately detects objects in images. Through practical application, the paper illustrates how to prepare a dataset and train the YOLO model on it, comparing different versions of the algorithm based on metrics and performance.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:166:073760
Studijski programNaziv: Informatika
Vrsta studija: sveučilišni
Stupanj studija: prijediplomski
Akademski / stručni naziv: sveučilišni/a prvostupnik/prvostupnica (baccalaureus/baccalaurea) informatike (univ. bacc. inf.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaOtvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Datum i vrijeme pohrane2024-09-18 12:29:14