CC BY
104VIDEO TASVIRLAR ASOSIDA OBYEKTLARNI ANIQLASH ALGORITMLARI VA DASTURINI ISHLAB CHIQISH
Ma'rufjon Olimjon o'g'li Mahkamov
Toshkent axborot texnologiyalari universiteti
ANNOTATSIYA
Ob'ektni aniqlashda chuqur o'rganish texnologiyasi keng qo'llanilgan. Chuqur o'rganish texnologiyasi ob'ektni aniqlashning aniqligini sezilarli darajada yaxshilagan bo'lsa-da, bizda yuqori hisoblash vaqti muammosi ham bor. Siz faqat bir marta qaraysiz (YOLO) - tasvirlardagi ob'ektlarni aniqlash tarmog'i. Ushbu maqolada biz YOLO tarmog'iga asoslangan videolar uchun real vaqt rejimida ob'ektni aniqlash algoritmini taklif qilamiz. Tasvirga oldindan ishlov berish orqali rasm fonining ta'sirini yo'q qilamiz va keyin ob'ekt haqida ma'lumot olish uchun ob'ektni aniqlash uchun Fast YOLO modelini o'rgatamiz. Google Inception Net (GoogLeNet) arxitekturasiga asoslanib, biz YOLO tarmog'ini dastlabki konvolyutsiya operatsiyasini almashtirish uchun kichik konvolyutsiya operatsiyasidan foydalangan holda yaxshilaymiz, bu parametrlar sonini kamaytirishi va ob'ektni aniqlash vaqtini sezilarli darajada qisqartirishi mumkin. Bizning Fast YOLO algoritmimiz videoda real vaqtda ob'ektni aniqlashda qo'llanilishi mumkin.
Kalit so'zlar: Ob'ektni aniqlash GoogleNet, YOLO, Real-time Video Kirish
So'nggi yillarda kompyuter ko'rishning jadal rivojlanishi bilan ob'ektni aniqlash (OD) kompyuter ko'rishning muhim qismi sifatida ko'plab sohalarda keng qo'llanila boshlandi. Tasvirni qayta ishlashga asoslangan OD tasvirlardan xususiyatlarni ajratib oladi, so'ngra toifa, joylashuv va yo'nalish kabi ob'ekt ma'lumotlarini oladi va tahlil qiladi. OD video monitoringi, g'ayritabiiy xatti-harakatlar tahlili va mobil robotlar kabi ko'plab real vaqtda vaziyatlarda keng qo'llaniladi. Ushbu yondashuv xususiyatlarni ajratib olish va tahlil qilish orqali juda qimmatli ma'lumotlarni olishi mumkin. Biroq, usul, ayniqsa, yuqori hisoblash va xotira talablari nuqtai nazaridan juda ko'p qiyinchiliklarga duch keladi.
Mashinani o'rganishning an'anaviy usullari tasvirlardan ob'ekt xususiyatlarini ajratib oladi va keyin xususiyatlarni klassifikatorga kiritadi. Xususiyatlarni ajratib olishning an'anaviy usullariga yo'naltirilgan gradientning gistogrammasi (HOG) usuli, masshtabni o'zgarmas xususiyat transformatsiyasi (SIFT) va boshqalar kiradi. Tasniflash usullari qo'llab-quvvatlovchi vektor mashinasi (SVM), Bayesian, qaror daraxtlari va boshqalarni o'z ichiga oladi. Bu usullar asosan oldingi bilimlarga tayan. Ular real vaqt rejimida emas, chunki ular doimiy ravishda namuna olishadi. Bundan tashqari, bu usullarda bir
nechta xususiyat nuqtalari mavjud va chekka xususiyatlami ajratib olish ba'zan aniq emas. Ushbu usullarning asosi xususiyatni ajratib olishdir va xususiyatni ajratib olish sifati usulning ishlashiga bevosita ta'sir qiladi. Biroq, amaliy dasturlarda bu usullar asosan kichik ma'lumotlar to'plamidan foydalangan holda aniq ob'ektlarni tanib olishga qaratilgan va umumlashtirish qobiliyati past. Mashinani o'rganish usullari doimiy ravishda optimallashtirilayotgan bo'lsa-da, past darajadagi xususiyatlarni olishdan tortib, tasvirlarning paydo bo'lishigacha, eng muvaffaqiyatli usul - deformatsiyalanadigan qismlar modeli (DPM). Biroq, bu usul sekin aniqlashga ega va namunalarning geometrik xususiyatlariga bog'liq. Hozirgi vaqtda an'anaviy mashinani o'rganish usullari OD texnologiyasida ma'lumotlarni qayta ishlashning samaradorligi, ishlashi, tezligi va razvedka talablariga javob bera olmaydi.
Chuqur o'rganish texnologiyasining paydo bo'lishi bilan kompyuterni ko'rish sohasi tez rivojlandi. Tasvirni aniqlash uchun chuqur o'rganish texnologiyasi qo'llanildi va u so'nggi yillarda ob'ektni tanib olishda katta yutuqlarga erishdi. Chuqur o'rganish texnologiyasi inson miyasining kognitiv qobiliyatini o'rganish va taqlid qilish orqali xususiyatlarni qayta ishlashi va tahlil qilishi mumkin, bu ODda katta ta'sir ko'rsatadi. An'anaviy xususiyatlarni ajratib olish usullaridan farqli o'laroq, chuqur konvolyutsion neyron tarmoqlar ko'p qatlamli konvolyutsiya operatsiyalari yordamida xususiyatlarni ajratib olish orqali yuqori aniqlik darajasiga erishishi mumkin. Bundan tashqari, ular geometrik o'zgarishlar, deformatsiyalar va yorug'lik nuqtai nazaridan mustahkamdir va atrof-muhit o'zgarishlari tufayli yuzaga keladigan qiyinchiliklarni engib o'tishlari mumkin. Chuqur o'rganish usullari o'quv ma'lumotlaridan foydalangan holda xususiyat tavsifini moslashtirishi mumkin va ular juda moslashuvchan va yuqori umumlashtirish qobiliyatiga ega. Chuqur o'rganish usullari orasida mintaqaviy konvolyutsion neyron tarmog'i (RCNN), tezroq mintaqaviy konvolyutsion neyron tarmog'i (Faster RCNN), Siz faqat bir marta ko'ring (YOLO) va bir martalik multibox detektori (SSD) ODda eng ko'p qo'llaniladigan usullardir. Biroq, chuqur o'rganishga asoslangan joriy OD usullari sekin aniqlash tezligi va yuqori vaqt sarfi tufayli hali ham muammolarga duch kelmoqda. Ushbu maqolada biz real vaqtda video OD usulini taklif qilamiz. Biz OD nazariyasi uchun Fast YOLO algoritmini mavhum tarzda tanishtiramiz va keyin Fast YOLO asosini, shu jumladan oldindan ishlov berish jarayoni, modelni o'rgatish va yo'qotish funksiyasini batafsil tanishtiramiz. Keyinchalik, Fast YOLO algoritmining ishlashini ba'zi tajribalar orqali tekshiramiz. Orqa fon
Chuqur o'rganish texnologiya rivojlanishi bilan keng tufayli uning kuchli xususiyati chiqarish qobiliyati uchun achigan ishlatiladigan bo'ldi. So'nggi yillarda, chuqur o'rganish asosida OD algoritmlari haqida tadqiqot ko'p olimlar e'tiborini jalb etdi. 2014-yilda, RCNN model Ross Girshick terma jamoasi tomonidan taklif etilgan edi. Agar bir necha nomzod viloyatlari asosiy fontlar dazmolni asrlar tanlab olindi va bir CNN
mintaqaviy xususiyatlarini ajratib olish uchun ishlatilgan. So'ngra, optimal viloyatlar bo'lmagan maksimal bostirish usuli yordamida olingan. Murakkab o'quv qadamlar muammolar va RCNN, Kaiming U boshq vaqti sarfini hal qilish uchun. butun grafik bir o'zgartirish jingalak operatsiya amalga vaqt iste'mol kamayadi fazoviy piramida pulining (SPP) Net, taklif va keyin bir xususiyati xarita nomzod viloyati Manzil ma'lumot bog'langan. 2015-yilda, Ross Girshick terma jamoasi RCNN yaxshilandi va asosan nomzod Windows hisob takrorladi Eàtimoliy to'ladi hal qilish uchun ishlatiladigan tezroq RCNN, mo'ljallangan. Ular innovatsion shaytondan on achigan e ffi samaradorligini va faoliyatini yaxshilandi convo-qoplamlar xususiyatlar va sonuçlarimiz Fi bilan baham ko'rish uchun viloyat nomzodlikni, siniflayicisinin fi kation va tushish yoqilgan nomzod viloyatlarini, ishlab chiqarish uchun joy taklif tarmog'i (RPN) taklif qildi. 2016-yilda, Yusuf Redmon boshq. juda ochish tezligi oshirish hamda yuqori aniqligini ta'minlash, yagona bulish yordamida tasvirlar nomzodi viloyatlarini olishingiz mumkin Yolo algoritmi taklif. Bundan tashqari, ko'plab boshqa olimlar achigan uchun ilg'or usullarini taklif etgan. Yadav va boshq. fonda bir dinamik sahna ob'ekt bo'lganda harakat aniqlash asoslangan yangi usuli taklif. Bu ish statistik p parametr asoslangan fon olish usuli ishlab chiqilgan va oliy ishlash erishildi. Lavanya Sharma va boshq. uyda qo'lga tushirish video-ketliklar uchun foydalanish mumkin va shahar yoki IP cam- davrlar uchun xavfsizlik uchun qo'llanilishi mumkin harakatlanuvchi ob'ektlarni aniqlash uchun fon olish usulini ishlatib, bir taklif video kuzatuv tizimi, batafsil fikr beradi. Mehran Yazdiy va boshq. mobil kameralar tomonidan qo'lga video ketliklar harakat ob'ektlarni aniqlash uchun ilg'or usullari so'rovnoma taqdim va ular ham qiyinchiliklar va fi qadim asosiy tashvish taqdim etdi. Lavanya Sharma va boshq. yoritish muammoni hal qilish uchun kuchli fon olish usulini taklif harakatga asoslangan o'zgarishlar. Dileep Kumar Yadav va boshq. uchun mustahkam usuli taklif video doirasida achigan harakat va suzib o'rtacha asoslangan fon modelini ishlab chiqdi. Bu shovqin yoki fon jadal komponentini kamaytirish mumkin. Lavanya Sharma va boshq. chiziqli diskriminant pol qiymati asoslangan yangi fon olish usuli taklif. Bu qiymat har bir keyingi har bir piksel uchun, ish vaqtida avtomatik ravishda yangilanadi ramka. GoogLeNet modeli
An'anaviy neyron tarmog'ining konvolyutsiya qatlamlaridan farqli o'laroq, GoogLeNet modeli parametrlar sonini kamaytiradi va hisoblash hajmini nazorat qiladi, bu esa yaxshi tasniflash ko'rsatkichlariga erishadi va aniqlash tezligini sezilarli darajada yaxshilaydi. Google Inception Network chuqur neyron tarmoq bo'lib, 22 ta qatlam, 21 ta konvolyutsion qatlam va bitta to'liq bog'langan qatlamdan iborat. Google Inception Network dizaynidagi asosiy yangilik siyrak matritsa operatsiyalarini mahalliy zichlashtirish va funksiyalarni parallel qayta ishlash va kompozitsiyada qo'llaniladigan ko'p miqyosli konvolyutsiya bo'lib, bu tezlikni sezilarli darajada oshirishi mumkin.
Inception moduli to'liq bog'langan qatlamni olib tashlaydi va uni global o'rtacha birlashtiruvchi qatlam bilan almashtiradi (tasvir o'lchamini 1 x 1 ga o'zgartiradi), bu modelni o'qitishni tezlashtiradi va haddan tashqari o'tish ehtimolini kamaytiradi. To'liq bog'langan qatlamni global o'rtacha birlashtiruvchi qatlam bilan almashtirish usuli tarmoq (NIN) model arxitekturasida tarmoqdan qabul qilingan. Dastlabki bosqichda boshlang'ich modulning dizayni parametrlardan foydalanish samaradorligini oshiradi. Boshlang'ich modul katta tarmoqdagi kichik tarmoqqa o'xshaydi, uning tuzilishini o'rgatish uchun qayta-qayta o'rnatish mumkin.katta tarmoq. YOLO
YOLO - mintaqaviy bo'lmagan nomzodga asoslangan ODning oxirigacha usuli. Fast RCNN kabi boshqa OD usullaridan farqli o'laroq, YOLO ob'ektni aniqlash vazifasini ob'ekt hududini bashorat qilish va sinfni bashorat qilish kabi bir nechta jarayonlarga ajratmaydi. YOLO algoritmi yuqori aniqlik bilan tezkor aniqlashga erishish uchun ikkala vazifani bitta neyron tarmoq modeliga birlashtiradi.
YOLO tasvirlardan xususiyatlarni to'g'ridan-to'g'ri ajratib olish va toifalarning chegaralangan qutilari va ehtimolliklarini hisoblash uchun ODni o'zgartiradi; keyin ob'ekt toifalari va joylashuv ma'lumotlarini oladi. YOLO toifalarning bir nechta chegaralovchi qutilari va ehtimolliklarini bashorat qilish uchun yagona konvolyutsion neyron tarmog'ini qabul qiladi. An'anaviy OD usullari bilan solishtirganda, YOLO algoritmi quyidagi afzalliklarga ega: YOLO jarayoni oddiy va aniqlash tezligi juda tez. Ushbu maqolada biz GoogLeNet arxitekturasiga asoslangan konvolyutsion neyron tarmog'ining konvolyutsion ishlashini dastlabki konvolyutsiya operatsiyasini almashtirish uchun kichik konvolyutsiya operatsiyasidan foydalangan holda yaxshiladik. Bizning usulimiz OD tezligini yaxshilash uchun YOLO algoritmini optimallashtirishi mumkin. O'qitish va bashorat qilish jarayonlarida YOLO butun grafikning xususiyat ma'lumotlarini ajratib oladi va ishlatadi, bu mahalliy aniqlash bilan solishtirganda xatolik darajasini sezilarli darajada kamaytiradi. YOLO algoritmi o'rganishi mumkinmuhim xususiyatlarni to'g'ri va umumiy ob'ektlar haqida umumiy ma'lumot.
Yilda bu qog'oz, biz taqdim bir tez ob'ekt ochish algoritmi uchun video. Biz ta'kidlash fa oliyatini tashkil bizning aniqlash ikkinchi va yuqori aniqlik boshiga video kvadrat ko'proq ko'zga e ffi samaradorligini bilan aniqlash tezligi jihatidan algoritm. Siz Faqat Bir marta ko'rasiz (YOLO) tarmog'iga asoslanib, biz hisoblash miqdorini kamaytirish va aniqlashni sezilarli darajada tezlashtirish uchun kichik konvolyutsiya o'rniga konvolyutsiya operatsiyasini yaxshilaymiz. Tasvirning rivojlanishi bilan biz atrof-muhit va shovqin ta'sirini yo'q qilamiz. Bundan tashqari, biz fonning cheklovchi qutilari sifatida har qanday o'lchamdagi qutilarni qurishimiz va fon tahlilini kamaytirishimiz shart emas.
Biz videolari tajribalar o'tkazish avtomobil nazorat DataSet olingan dan Xiamen shahar transporta- yozildi byurosi va baholash metrikalariga ikkinchi (fps) boshiga tan aniqlik va eslamoq sur'atlari va ramkalar foydalanish. Biz modelimizni o'rgatish va ob'ekt haqida ma'lumot olish uchun avtomobil monitoringi videosidagi belgilangan yorliqli tasvir yamoqlaridan foydalanamiz. Natijalar shuni ko'rsatadiki, bizning usulimiz asl YOLO algoritmi va boshqa asosiy usullardan yaxshiroq ishlashi mumkin. Bizning usulimiz nafaqat tezkor aniqlash tezligiga erishibgina qolmay, balki yuqori aniqlikni ham ta'minlaydi. Soni rasmlari tan mumkin, bizning usuli oshadi video doirasida deb. Shuning uchun bizning usulimiz yaxshi jihozlar sharoitida real vaqtda videolar uchun ob'ektni aniqlashni amalga oshirishi mumkin.
Kelajakda biz ko'pchilik namunalar salbiy bo'lsa, ijobiy va salbiy namunalar o'rtasidagi nomutanosiblik muammosini ko'rib chiqamiz va ushbu muammoni hal qilish uchun qayta namuna olish va ovoz berish kabi usullarni qo'llaymiz. Bundan tashqari, aniqlash tezligini yaxshilash va tarmoq strukturasini yanada optimallashtirish uchun modelimiz uchun ko'p miqyosli parallel ishlov berishni ko'rib chiqamiz, chunki biz hali ham katta hisoblash yuki va zich maqsadli ob'ektlar muammolariga duch kelamiz.
REFERENCES
1. Mulaydinov, F. (2021). Digital Economy Is A Guarantee Of Government And Society Development. Ilkogretim Online, 20(3), 1474-1479.
2. Mulaydinov, F. M. (2019). Econometric Modelling of the Innovation Process in Uzbekistan. Форум молодых ученых, (3), 35-43.
3. Mulaydinov, F., & Nishonqulov, S. (2021). Raqamli iqtisodiyotni rivojlantirishda axborot texnologiyalarining orni-The role of information technologies in the development of the digital economy.
4. Mulaydinov, F., & Nishonqulov, S. (2021). The role of information technologies in the development of the digital economy. The role of information technologies in the development of the digital economy.
5. Butaboyev, M., Urinov, A., Mulaydinov, F., & Tojimatov, I. Digital economy.
6. Mulaydinov, F. M. (2021). CROWDFUND OPPORTUNITIES IN SMALL BUSINESS AND ENTREPRENEURSHIP. Academic research in educational sciences, 2, 23-32.
7. Farkhod, M. (2020). Econometric Modelling of the Innovation Process in Uzbekistan. International Journal of Psychosocial Rehabilitation, 24(02).
8. Nishonqulov, S. F. O. G. L., & Solidjonov, D. Z. O. G. L. (2021). Ta'lim biznesida raqamli innovatsion texnologiyalar. Science and Education, 2(6), 233-238.
9. Мулайдинов, Ф. М. (2021). КИЧИК БИЗНЕС ВА ТАДБИРКОРЛИКДА КРАУДФАНДИНГ ИМКОНИЯТЛАРИ. Academic research in educational sciences, 2(Special Issue 4), 23-32.
10. Nishonqulov, S. F. O., Rajabboyev, B. O. O., & Mamasoliyev, J. O. O. (2021). OLIY O'QUV YURTLARIDA IQTISOD BO'YICHA QO'LLANMA: O'ZGARMAS" MA'RUZA VA BO'R" USULINI KO'RIB CHIQISH. Scientific progress, 2(3), 814-824.
11. Nishonqulov, S. F. O., Rajabboyev, B. O. O., & Mamasoliyev, J. O. O. (2021). IQTISODIYOT VA UNING TARMOQLARINI RAQAMLASHTIRISH. IQTISODIYOT SOHASIGA RAQAMLI TEXNALOGIYALARNI OLIB KIRILISHI. Scientific progress, 2(3), 825-831.
12. Inomxojayev, A. A. O., Yoldashev, A. E. O., & Nishonqulov, S. F. O. (2021). ZARARLI OBYEKTNING KOMPYUTERGA TA'SIRI UCHUN MATEMATIK MODEL IMMUNITET TIZIMI. Scientific progress, 2(2), 1662-1667.
13. Sulaymonov, J. B. O. G. L., Yuldashev, A. E. O. G. L., & Nishonqulov, S. F. O. G. L. (2021). Gidrologik modellashtirish bilan Geografik axborot tizimlari (GIS) integratsiya. Science and Education, 2(6), 239-246.
14. Sulaymonov, J. B. O., Nishonqulov, S. F. O., & Gofurov, M. R. (2021). GEOGRAFIK AXBOROT TIZIMLARI VA AMALIY IQTISODIYOT: POTENTSIAL ARIZALAR VA HISSALARNI DASTLABKI MUHOKAMALARI. Scientific progress, 2(2), 1371-1377.
15. Yoldashev, A. E. O., Nishonqulov, S. F. O., & Yoldasheva, M. R. Q. (2021). TA'LIMDAGI AXBOROT TEXNOLOGIYALARI. Scientific progress, 2(3), 806-813.
16. Solidjonov, D., & Nishonqulov, S. (2021). TA'LIM BIZNESIDA YANGI INNOVATSION TEXNOLOGIYALARNING QO'LLANISHI JOURNAL OF INNOVATIONS IN SCIENTIFIC AND EDUCATIONAL RESEARCH VOLUME-1. ISSUE-3 (Part-1, 18-JUNE), 1, 195-199.
17. Nishonqulov, S. F. O., Rajabboyev, B. O. O., & Mamasoliyev, J. O. O. (2021). ECONOMIC GUIDE IN HIGHER EDUCATION INSTITUTIONS: A REVIEW OF THE CONSTANT" LECTURE AND LAW" METHOD. Scientific progress, 2(3), 814824.
18. Solidjonov, D., & Nishonqulov, S. (2021). APPLICATION OF NEW INNOVATIVE TECHNOLOGIES IN EDUCATIONAL BUSINESS JOURNAL OF INNOVATIONS IN SCIENTIFIC AND EDUCATIONAL RESEARCH VOLUME-1. ISSUE-3 (Part-1, 18-JUNE), 1, 195-199.
19. Nishonqulov, S. F. O., Rajabboyev, B. O. O., & Mamasoliyev, J. O. O. (2021). DIGITALIZATION OF THE ECONOMY AND ITS NETWORKS. INTRODUCTION OF DIGITAL TECHNOLOGIES TO THE SECTOR OF THE ECONOMY. Scientific progress, 2(3), 825-831.
20. Nishonqulov, S., Rajabboyev, B., & Solidjonov, D. (2021). BANK TIZIMINI INNAVATSION ISLOH QILISH SHAROITIDA TIJORAT BANKLARINI TRANSFORMATSIYALASHNING ILMIY-AMALIY ASOSLARI.
21. Farxodjon ogli, N. S., & Odil ogli, R. B. (2021). Raqamli iqtisodiyot almashinuvining resurslar sarfiga sakkizta tasiri. Бошцарув ва Этика Коидалари онлайн илмий журнали, 1(1), 53-56.
22. Ogli, N. S. F., & Ogli, R. B. O. (2021). The Digital Economy is The Basis For Forming A Favorable Investment Environment. Eurasian Scientific Herald, 1(1), 1-5.
23. Ogli, N. S. F., & Ogli, R. B. O. (2021). In The Context of Developing the Digital Economy Modern Forms of Employment. Eurasian Scientific Herald, 1(1), 11-16.
24. Solidjonov, D. Z. O. (2021). THE IMPACT OF THE DEVELOPMENT OF INTERNET TECHNOLOGIES ON EDUCATION AT PANDEMIC TIME IN UZBEKISTAN. In СТУДЕНТ ГОДА 2021 (pp. 108-110).
25. Solidjonov, D. Z. (2021). THE IMPACT OF SOCIAL MEDIA ON EDUCATION: ADVANTAGE AND DISADVANTAGE. Экономика и социум, (3-1), 284-288.
26. Solidjonov, D. (2021). O'QITISH JARAYONLARIDA GOOGLE CLASSROOM PLATFORMASIDAN FOYDALANISH VA UNING FOYDALI JIHATLARI. Scientific progress, 2(3), 389-396.
27. Rakhimov, M., Yuldashev, A., & Solidjonov, D. (2021). THE ROLE OF ARTIFICIAL INTELLIGENCE IN THE MANAGEMENT OF E-LEARNING PLATFORMS AND MONITORING KNOWLEDGE OF STUDENTS. Oriental renaissance: Innovative, educational, natural and social sciences, 1(9), 308-314.
28. Tokhirov, R., & Rahmonov, N. (2021). Technologies of using local networks efficiently. Asian Journal Of Multidimensional Research, 10(6), 250-254.
29. Rahmonov, N. (2021). Problems And Solutions For The Implementation Of The Industry-4.0 Program In Uzbekistan. Qo'qon universitetining ilmiy materiallar bazasi, 1(000002).
