Please use this identifier to cite or link to this item: http://www.monografias.ufop.br/handle/35400000/4746
Title: Detecção de objetos com a arquitetura YOLO.
Authors: Gomes, João Vitor Esteves
metadata.dc.contributor.advisor: Ribeiro, Eduardo da Silva
metadata.dc.contributor.referee: Ribeiro, Eduardo da Silva
Medeiros, Talles Henrique de
Torres, Luiz Carlos Bambirra
Keywords: Detecção de objetos
Visão computacional
You Only Look Once
Redes neurais
Issue Date: 2022
Citation: GOMES, João Vitor Esteves. Detecção de objetos com a arquitetura YOLO. 2022. 52 f. Monografia (Graduação em Sistemas de Informação) - Instituto de Ciências Exatas e Aplicadas, Universidade Federal de Ouro Preto, João Monlevade, 2022
Abstract: Um problema cada vez mais relevante e pesquisado na área de Visão Computacional, a detecção de objetos, está muito presente no mundo atual, sendo aplicada em diversas situações diferentes. As técnicas de Aprendizado em Profundidade (Deep Learning) são utilizadas atualmente para resolver este problema através do uso de redes neurais convolu- cionais. Para realizar a implementação dessas técnicas existem vários modelos responsáveis pela detecção de objetos e o mais utilizado, principalmente para as aplicações em tempo real, é o YOLO (You Only Look Once). Neste trabalho foi realizada uma pesquisa do estado-da-arte das principais técnicas que utilizam redes neurais convolucionais para detecção de objetos de forma mais rápida e eficiente possível, e por fim é apresentado uma comparação entre algumas das versões existentes do modelo YOLO em um Dataset customizado para o desenvolvimento dos testes, a fim de verificar a evolução e a melhora do modelo com as atualizações feitas nas suas novas versões. Nos testes realizados foi possível observar a última atualização do modelo bem superior as demais, principalmente em relação as versões de anos anteriores ao ano de 2020. Na principal métrica utilizada para comparação dos modelos, a YOLOv5 foi o único modelo que obteve uma porcentagem acima dos 50%, chegando a 67,9%.
metadata.dc.description.abstracten: An increasingly relevant and researched problem in the area of Computer Vision, the object detection, is very present in the current world, being applied in several different situations. Deep Learning techniques are currently used to solve this problem through the use of convolutional neural networks. tional. To carry out the implementation of these techniques there are several models responsible for for the detection of objects and the most used, mainly for applications in time real, is YOLO (You Only Look Once). In this work, a survey of the state-of-the-art of the main techniques that use convolutional neural networks to object detection as quickly and efficiently as possible, and finally a comparison between some of the existing versions of the YOLO model in a Dataset customized for the development of tests, in order to verify the evolution and improvement of the model with the updates made in its new versions. In the tests carried out it was possible to observe the last update of the model much superior to the others, mainly in relation to versions from years prior to the year 2020. In the main metric used for comparison of models, YOLOv5 was the only model that obtained a percentage above 50%, reaching 67.9%.
URI: http://www.monografias.ufop.br/handle/35400000/4746
Appears in Collections:Sistema de Informação - JMV

Files in This Item:
File Description SizeFormat 
MONOGRAFIA_DetecçãoObjetosArquitetura.pdf5,76 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons