Analysis the efficiency of object detection in images using machine learning libraries in Python
Artykuł w czasopiśmie
MNiSW
5
spoza listy
| Status: | |
| Warianty tytułu: |
Analiza efektywności wykrywania obiektów na obrazach z zastosowaniem bibliotek uczenia maszynowego w języku Python
|
| Autorzy: | Kalita Patryk, Miłosz Marek |
| Dyscypliny: | |
| Aby zobaczyć szczegóły należy się zalogować. | |
| Rok wydania: | 2025 |
| Wersja dokumentu: | Elektroniczna |
| Język: | angielski |
| Wolumen/Tom: | 35 |
| Strony: | 202 - 208 |
| Bazy: | BazTech |
| Efekt badań statutowych | NIE |
| Materiał konferencyjny: | NIE |
| Publikacja OA: | TAK |
| Licencja: | |
| Sposób udostępnienia: | Witryna wydawcy |
| Wersja tekstu: | Ostateczna wersja opublikowana |
| Czas opublikowania: | W momencie opublikowania |
| Data opublikowania w OA: | 30 czerwca 2025 |
| Abstrakty: | angielski | polski |
| The purpose of this paper is to analyze and compare the accuracy of object detection in images using Python machine learning libraries such as PyTorch and Tensorflow. The paper describes the use of both libraries to train and test object detection models, considering architectures such as SSD and Faster R-CNN. The experiment was conducted on the Pascal VOC dataset to evaluate the effectiveness and performance of the models. The results include a comparison of metrics such as recall, precision and mAP which allows to choose the best solutions depending on the situation. The article concludes with a summary and final conclusions, allowing practical recommendations to be made for those working on object detection projects. | |
| Celem artykułu jest dokonanie analizy i porównanie dokładności wykrywania obiektów na zdjęciach przy pomocy bibliotek uczenia maszynowego w języku Python, takich jak: PyTorch i Tensorflow. W pracy opisano wykorzystanie obu bibliotek do trenowania i testowania modeli detekcji obiektów, uwzględniając takie architektury jak SSD i Faster R-CNN. Eksperyment został przeprowadzony na zestawie danych Pascal VOC, aby ocenić skuteczność i wydajność modeli. Wyniki obejmują porównanie takich metryk jak: recall, precision i mAP co pozwala na wybranie najlepszych rozwiązań w zależności od sytuacji. Artykuł kończy się podsumowaniem i końcowymi wnioskami, pozwalającymi dokonać praktycznych rekomendacji dla osób pracujących nad projektami związanymi z detekcją obiektów. |
