https://libeldoc.bsuir.by/handle/123456789/63607| Title: | Модели и методы глубокого обучения для детектирования объектов в интеллектуальных системах обработки визуальных данных |
| Other Titles: | Deep learning models and methods for object detection in intelligent visual data processing systems |
| Authors: | Навроцкий, А. А. Шилин, Л. Ю. Хмыз, Д. Д. Сморщок, К. Д. |
| Keywords: | материалы конференций;Big Data;информационные системы;глубокое обучение;детектирование объектов;обработка визуальных данных;интеллектуальные информационные системы;оптимизация |
| Issue Date: | 2026 |
| Publisher: | БГУИР |
| Citation: | Модели и методы глубокого обучения для детектирования объектов в интеллектуальных системах обработки визуальных данных = Deep learning models and methods for object detection in intelligent visual data processing systems / А. А. Навроцкий, Л. Ю. Шилин, Д. Д. Хмыз, К. Д. Сморщок // Big Data и анализ высокого уровня = Big Data and Advanced Analytics : сборник научных статей XII Международной научно-практической конференции, Республика Беларусь, Минск, 23 апреля 2026 года : в 2 ч. Ч. 2 / Белорусский государственный университет информатики и радиоэлектроники [и др.] ; редкол.: В. А. Богуш [и др.]. – Минск, 2026. – С. 285–288. = / А. А. Навроцкий, Л. Ю. Шилин, Д. Д. Хмыз, К. Д. Сморщок // Big Data и анализ высокого уровня = Big Data and Advanced Analytics : сборник научных статей XII Международной научно-практической конференции, Республика Беларусь, Минск, 23 апреля 2026 года : в 2 ч. Ч. 2 / Белорусский государственный университет информатики и радиоэлектроники [и др.] ; редкол.: В. А. Богуш [и др.]. – Минск, 2026. – С. 285–288. |
| Abstract: | В работе представлено исследование и практическая реализация нейросетевой системы детектирования объектов транспортной инфраструктуры на основе современной архитектуры Ultralytics YOLO26. Рассмотрены методы глубокого обучения для обработки визуальных данных в задачах реального времени, особенности оптимизации параметров сети с использованием модифицированного алгоритма MuSGD, а также комплексная оценка качества модели по метрикам IoU, Precision, Recall, F1 и mAP. Полученные результаты (mAP@0.5 = 0.768, Precision = 0.93, Recall = 0.84) подтверждают эффективность предложенного подхода для применения в интеллектуальных информационных системах мониторинга. |
| Alternative abstract: | The paper presents a study and practical implementation of a neural network-based object detection system for transport infrastructure using the modern Ultralytics YOLO26 architecture. Methods of deep learning for visual data processing in real-time applications are considered, along with network parameter optimization using the modified MuSGD algorithm. A comprehensive evaluation of model performance is conducted using IoU, Precision, Recall, F1-score, and mAP metrics. The obtained results (mAP@0.5 = 0.768, Precision = 0.93, Recall = 0.84) confirm the effectiveness of the proposed approach for deployment in intelligent information monitoring systems. |
| URI: | https://libeldoc.bsuir.by/handle/123456789/63607 |
| Appears in Collections: | BIG DATA and Advanced Analytics = BIG DATA и анализ высокого уровня : сборник научных статей : в 2 ч. (2026) |
| File | Description | Size | Format | |
|---|---|---|---|---|
| Navrockij_Modeli.pdf | 1.6 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.