|
|
Detekce dopravních značek a semaforů
Oškera, Jan ; Špaňhel, Jakub (oponent) ; Herout, Adam (vedoucí práce)
Tato práce se zabývá moderními metodami umožňující detekci dopravních značek a semaforů přímo v provozu i zpětnou analýzou. Hlavním předmětem jsou konvoluční neuronové sítě (CNN). V řešení jsou použity konvoluční neuronové sítě typu YOLO. Hlavním cílem této práce je dosažení co největší optimalizace rychlosti a přesnosti modelů. Zkoumá vhodné datové sady. K trénování a experimentování je použita celá řada datových sad. Ty jsou složeny z reálných a syntetických datových sad. Pro trénování a testování byla data předzpracována pomocí nástroje Yolo mark. Trénování modelu bylo uskutečněno na výpočetním středisku náležící virtuální organizaci MetaCentrum VO. Z důvodu vyčíslitelného vyhodnocení kvality detektoru byl vytvořen program statisticky i graficky zobrazující jeho úspěšnost pomocí hodnotícího protokolu COCO a ROC křivky. V práci jsem vytvořil model, který dosahoval průměrné počáteční přesnosti až 81 %. Práce zobrazuje nejlepší volbu hranice jistoty napříč verzemi, velikostmi i IoU. Je vytvořeno i rozšíření pro telefony v TensorFlow Lite a Flutter.
|
|
|
Podpora deskové hry Nemesis na mobilním telefonu s OS Android
Štěpánek, Miroslav ; Švec, Tomáš (oponent) ; Smrž, Pavel (vedoucí práce)
Cílem této práce je vytvořit mobilní aplikaci k deskové hře Nemesis určenou na systém Android, která umožní uživateli zjistit informace o herních komponentech při hře. Práce se skládá ze dvou hlavních částí, první je model vytvořený za pomoci knihovny Tensorflow, který zajišťuje detekci těchto komponent. Druhou je pak samotná aplikace, která dostává výsledky od dříve zmíněného modelu a zobrazuje výsledné informace uživateli. Toto usnadňuje uživateli hru a pomáhá ji i urychlit. Výsledný systém je možné modifikovat, tak aby byla aplikace využitelná i pro jiné hry.
|
|
|
Využití strojového učení k rozpoznání pohybu feederového prutu
Vele, Patrik ; Vašíček, Zdeněk (oponent) ; Šimek, Václav (vedoucí práce)
Cílem této diplomové práce je vytvořit zařízení, které využívá metody strojového učení k rozpoznávání pohybů feederového rybářského prutu na základě dat z inerciální měřící jednotky. Úvodní část je věnována rybolovné technice feeder, výběru důležitých pohybů a možnostem upevnění detekčního zařízení na prut. Následuje vytvoření teoretického základu v oblasti strojového učení, seznámení s inerciální měřicí jednotkou a problematikou klasifikace. Obdržené znalosti jsou použity k výběru vhodných technik pro řešení úlohy rozpoznávání pohybů prutu. V praktické části je navrženo a vytvořeno detekční zařízení založené na platformě ESP32. To je nejprve používáno jako snímač pohybu, který v kombinaci se zpracováním naměřených hodnot slouží jako generátor trénovací datové sady. Práce pokračuje implementací konvoluční neuronové sítě, procesem učení na vytvořené datové sadě a integrací nejúspěšnějšího modelu do detekčního zařízení. Závěr je věnován testování v praxi, vyhodnocení a možnostem budoucího vývoje. Výsledkem je malé, bateriově napájené zařízení, které po připevnění na libovolný feederový prut poskytuje vysoce úspěšnou detekci všech klíčových pohybů během lovu. Navíc díky bezdrátové komunikaci přes ESP-NOW umožňuje odesílat výsledky na různá zařízení.
|
|
|
Převod modelů mezi nástroji strojového učení pro mobilní platformy
Pavella, Martin ; Zbořil, František (oponent) ; Kočí, Radek (vedoucí práce)
Nástroje pre strojové učenie používajú rôzne formáty pre reprezentáciu a uloženie modelov hlbokých neurónových sietí. Jedným z najpoužívanejších je formát Open Neural Network Exchange (ONNX). Vývoj softwarovej podpory pre hardwarové akcelerátory na vstavaných systémoch je drahý, a ONNX je len výnimočne podporovaný. Potrebné ovládače sú typicky implementované iba pre formát TensorFlow Lite (TFLite). Aktuálne možnosti pre konverziu netrénovaných ONNX modelov na TFLite sú nedostatočné, a produkujú neoptimálne modely. Táto práca sa zameriava na návrh a vývoj priameho konvertoru ONNX modelov na TFLite, ktorý produkuje čo najoptimálnejšie modely. Výsledný program bol v spolupráci so spoločnosťou NXP overený na reálnych modeloch. Tie po konverzii produkujú identické výstupy a rýchlosť ich inferencie na cieľových platformách je značne vyššia.
|
|
|
Využití strojového učení k rozpoznání pohybu feederového prutu
Vele, Patrik ; Vašíček, Zdeněk (oponent) ; Šimek, Václav (vedoucí práce)
Cílem této diplomové práce je vytvořit zařízení, které využívá metody strojového učení k rozpoznávání pohybů feederového rybářského prutu na základě dat z inerciální měřící jednotky. Úvodní část je věnována rybolovné technice feeder, výběru důležitých pohybů a možnostem upevnění detekčního zařízení na prut. Následuje vytvoření teoretického základu v oblasti strojového učení, seznámení s inerciální měřicí jednotkou a problematikou klasifikace. Obdržené znalosti jsou použity k výběru vhodných technik pro řešení úlohy rozpoznávání pohybů prutu. V praktické části je navrženo a vytvořeno detekční zařízení založené na platformě ESP32. To je nejprve používáno jako snímač pohybu, který v kombinaci se zpracováním naměřených hodnot slouží jako generátor trénovací datové sady. Práce pokračuje implementací konvoluční neuronové sítě, procesem učení na vytvořené datové sadě a integrací nejúspěšnějšího modelu do detekčního zařízení. Závěr je věnován testování v praxi, vyhodnocení a možnostem budoucího vývoje. Výsledkem je malé, bateriově napájené zařízení, které po připevnění na libovolný feederový prut poskytuje vysoce úspěšnou detekci všech klíčových pohybů během lovu. Navíc díky bezdrátové komunikaci přes ESP-NOW umožňuje odesílat výsledky na různá zařízení.
|
|
|
Podpora deskové hry Nemesis na mobilním telefonu s OS Android
Štěpánek, Miroslav ; Švec, Tomáš (oponent) ; Smrž, Pavel (vedoucí práce)
Cílem této práce je vytvořit mobilní aplikaci k deskové hře Nemesis určenou na systém Android, která umožní uživateli zjistit informace o herních komponentech při hře. Práce se skládá ze dvou hlavních částí, první je model vytvořený za pomoci knihovny Tensorflow, který zajišťuje detekci těchto komponent. Druhou je pak samotná aplikace, která dostává výsledky od dříve zmíněného modelu a zobrazuje výsledné informace uživateli. Toto usnadňuje uživateli hru a pomáhá ji i urychlit. Výsledný systém je možné modifikovat, tak aby byla aplikace využitelná i pro jiné hry.
|
|
|
Detekce dopravních značek a semaforů
Oškera, Jan ; Špaňhel, Jakub (oponent) ; Herout, Adam (vedoucí práce)
Tato práce se zabývá moderními metodami umožňující detekci dopravních značek a semaforů přímo v provozu i zpětnou analýzou. Hlavním předmětem jsou konvoluční neuronové sítě (CNN). V řešení jsou použity konvoluční neuronové sítě typu YOLO. Hlavním cílem této práce je dosažení co největší optimalizace rychlosti a přesnosti modelů. Zkoumá vhodné datové sady. K trénování a experimentování je použita celá řada datových sad. Ty jsou složeny z reálných a syntetických datových sad. Pro trénování a testování byla data předzpracována pomocí nástroje Yolo mark. Trénování modelu bylo uskutečněno na výpočetním středisku náležící virtuální organizaci MetaCentrum VO. Z důvodu vyčíslitelného vyhodnocení kvality detektoru byl vytvořen program statisticky i graficky zobrazující jeho úspěšnost pomocí hodnotícího protokolu COCO a ROC křivky. V práci jsem vytvořil model, který dosahoval průměrné počáteční přesnosti až 81 %. Práce zobrazuje nejlepší volbu hranice jistoty napříč verzemi, velikostmi i IoU. Je vytvořeno i rozšíření pro telefony v TensorFlow Lite a Flutter.
|
|
|
Detection Of Collapse By Android Smartphone
Repčík, Tomáš
The bachelor’s study is focused to design and build an Android application for the detection of collapse, which is enhanced by new techniques coming from a sphere of the artificial intelligence modified for smartphones. The application uses accelerometer outputs which are in suspicious moments analysed by the neural network. The artificial intelligence is based on simulated events of collapse and events which resemble a fall of a person. The study describes data collected from 20 people. To provide the best results of training, the most convenient and useful features were selected by multiple approaches. Total accuracy of the collapse detection reached 93 %, with 9 % and 13 % of false positive and false negative detections, respectively.
|
host ::
RSS.