Analýza dopravy z videa pomocí neuronových sítí

Abstract

Tato diplomová práce se zabývá aplikací metod počítačového vidění pro analýzu dopravy ve videu, se zaměřením na detekci a sledování vozidel pomocí tradičních přístupů i hlubokých neuronových sítí. Tradiční metody jsou diskutovány z hlediska jejich efektivity a interpretovatelnosti, zatímco moderní modely hlubokého učení, jako jsou YOLOv8 a Faster R-CNN, jsou hodnoceny z hlediska přesnosti a přizpůsobivosti. Tyto modely jsou integrovány s algoritmem DeepSORT pro vícenásobné sledování objektů a laděny pomocí několika datových sad. Výkon je vyhodnocován pomocí metrik jako precision, recall, MOTA a IDF1, přičemž výsledky jsou vizualizovány prostřednictvím platformy Weights & Biases (WandB). Finální algoritmus je následně aplikován na reálné dopravní video s ručně vytvořenými anotacemi, aby byla ověřena její účinnost v praktickém, nestrukturovaném prostředí. Výsledky ukazují potenciál kombinace detekce založené na hlubokém učení s robustním sledováním pro spolehlivý monitoring a analýzu dopravy.