Россия
с 01.01.1921 по настоящее время Россия
Россия
В данной статье рассматривается применение нейросетевой архитектуры YOLO (You Only Look Once) для задач компьютерного зрения. YOLO является одной из наиболее эффективных моделей для детекции объектов в реальном времени. Описываются основные принципы работы сети, методы улучшения точности и скорости, а также перспективы её развития в будущем.
компьютерное зрение, искусственный интеллект, машинное обучение
1. Евстраткин, К. С. OPENCV: варианты использования компьютерного зрения / К. С. Евстраткин, А. Р. Султанова, А. В. Ерпелев // Цифровые технологии: наука, образование, инновации : Материалы III Международного научного Форума профессорско-преподавательского состава и молодых ученых, Москва, 09 ноября 2020 года / Под редакцией А.В. Олейник, А.А. Зеленского. – Москва: Московский государственный технологический университет "СТАНКИН", 2021. – С. 28-31. – EDN KTLCNJ.
2. Rice Fungal Diseases Recognition Using Modern Computer Vision Techniques / I. V. Arinichev, S. V. Polyanskikh, G. V. Volkova, I. V. Arinicheva // International Journal of Fuzzy Logic and Intelligent Systems. – 2021. – Vol. 21, No. 1. – P. 1-11. – DOIhttps://doi.org/10.5391/IJFIS.2021.21.1.1. – EDN CPIVQC.
3. Medvedeva, I. A. Automated complex development project based on computer vision technology / I. A. Medvedeva, M. V. Vanslav, M. A. Ragozina // Natural and Technical Sciences. – 2022. – No. 7(170). – P. 177-178. – EDN HONPYY.
4. He K., Zhang X., Ren S., Sun J. Глубокое остаточное обучение для распознавания изображений. CVPR, 2016.
5. Бочкарев С., Лемпитский В. Глубокое обучение в анализе изображений: тенденции и приложения. Распознавание образов, 2021.
6. Минакова, О. В. Повышение эффективности работы в проектах open sourse на основе архитектурного анализа (на примере проекта Сахана) / О. В. Минакова, И. В. Поцебнева, П. Ю. Гусев // Моделирование систем и процессов. – 2024. – Т. 17, № 1. – С. 84-92. – DOIhttps://doi.org/10.12737/2219-0767-2024-17-1-84-92. – EDN NZNSKM.
7. Заревич А.И., Макаренко Ф.В., Ягодкин А.С., Зольников К.В. Моделирование поведения мобильных роботов с использованием генетических алгоритмов // Моделирование систем и процессов. – 2022. – Т. 15, № 3. – С. 7-16. DOI: https://doi.org/10.12737/2219-0767-2022-15-3-7-16; EDN: https://elibrary.ru/AGVATZ
8. Сазонова, С. А. Моделирование процесса диагностики утечек на основе двухальтернативной гипотезы с учетом помех от стохастичности потребления в гидравлической системе / С. А. Сазонова, И. В. Щербакова, Г. И. Сметанкина // Моделирование систем и процессов. – 2024. – Т. 17, № 1. – С. 111-120. – DOIhttps://doi.org/10.12737/2219-0767-2024-17-1-111-120. – EDN CSKRIZ.
9. Выбор критерия оптимальности при принятии управленческих решений в сложных технических системах / А. В. Скрыпников, И. А. Высоцкая, С. А. Евдокимова [и др.] // Моделирование систем и процессов. – 2024. – Т. 17, № 1. – С. 120-128. – DOIhttps://doi.org/10.12737/2219-0767-2024-17-1-120-128. – EDN MMIAIH.
