Розроблення системи розпізнавання об’єктів природного походження на зображеннях із використанням глибоких нейронних мереж
Автор: Жемелко Богдан Володимирович
Кваліфікаційний рівень: магістр
Спеціальність: Системне проєктування
Інститут: Інститут комп'ютерних наук та інформаційних технологій
Форма навчання: денна
Навчальний рік: 2025-2026 н.р.
Мова захисту: українська
Анотація: Жемелко Б.В., Андрійчук М.І. (керівник). Розроблення системи розпізнавання об’єктів природного походження на зображеннях із використанням глибоких нейронних мереж. Магістерська кваліфікаційна робота. – Національний університет «Львівська політехніка», Львів, 2025. Розширена анотація. Сучасні інформаційні системи дедалі частіше покладаються на алгоритми комп’ютерного зору, що дозволяють автоматизувати аналіз зображень у реальному часі. Наукові дослідження останнього десятиліття демонструють системний перехід від традиційних алгоритмів до моделей глибокого навчання, здатних виконувати обробку даних із високою точністю [1]. Особливу роль у цьому напрямку відіграють одноетапні моделі детекції об’єктів, серед яких архітектура YOLO, що забезпечує високу швидкодію без суттєвих втрат у якості розпізнавання[2]. У роботі виконано огляд розвитку архітектур детекції – від підходів типу R-CNN, які вимагали кількаетапної обробки та мали обмежену продуктивність [3], до сучасних трансформерних рішень, здатних виконувати детекцію у єдиному проході та масштабуватися для роботи зі значними обсягами вхідних даних [4]. З урахуванням аналізу було обрано модель YOLOv8 як основу реалізованої системи, оскільки вона демонструє збалансоване поєднання швидкодії, точності та простоти інтеграції у веб-орієнтоване середовище [2]. Розроблена система реалізована як клієнт–серверний веб-застосунок: фронтенд забезпечує завантаження зображень, взаємодію з користувачем та відображення результатів, тоді як серверна частина виконує REST-обробку запитів, forward-pass моделі та повертає координати знайдених об’єктів. Для оцінювання якості моделі застосовувалися загальноприйняті метрики, включаючи Precision, Recall, F1-score та Intersection over Union (IoU), що широко використовуються у сучасних системах об’єктної детекції [5]. Експериментальні результати показують, що система забезпечує стабільну роботу та високу продуктивність навіть на апаратурі середнього класу, а отримані характеристики підтверджують можливість її використання у реальних прикладних сервісах аналізу зображень – моніторингу, автоматизації обліку, екологічних дослідженнях, промисловому нагляді тощо. Крім того, представлений підхід демонструє потенціал для подальшого розвитку, зокрема розширення набору класів, застосування ансамблевих моделей, автоматичної оптимізації параметрів та переходу до потокової обробки відео. Об’єкт дослідження – процес автоматичного розпізнавання та локалізації об’єктів на зображеннях. Предмет дослідження – методи та алгоритми детекції об’єктів на основі сучасних моделей глибинного навчання. Мета дослідження: розроблення та впровадження веб-орієнтованої системи детекції об’єктів у реальному часі з підтримкою візуалізації результатів, перегляду статистики та збереження історії обробки. У роботі розроблено клієнт–серверну систему детекції об’єктів на основі моделі YOLOv8. Проведені експериментальні дослідження підтвердили високу точність розпізнавання при збереженні продуктивності, стабільність роботи сервера при зростанні навантаження та можливість практичного впровадження системи у виробничі та сервісні процеси. Система забезпечує повний цикл автоматизованої обробки – від завантаження зображення до отримання результатів детекції, візуалізації та аналітики. Ключові слова – детекція об’єктів; глибоке навчання; комп’ютерний зір; YOLOv8; веб-застосунок; нейронні мережі. Перелік використаних літературних джерел. 1. Krizhevsky, A., Sutskever, I., & Hinton, G. (2012). ImageNet Classification with Deep Convolutional Neural Networks. NeurIPS. 2. Ultralytics. (2023). YOLOv8 Documentation. 3. Girshick, R. (2014). Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation. CVPR. 4. Carion, N., Massa, F., Synnaeve, G., et al. (2020). End-to-End Object Detection with Transformers. ECCV. 5. Lin, T.-Y., Goyal, P., Girshick, R., He, K., & Dollar, P. (2017). Focal Loss for Dense Object Detection.