Использования алгоритмов нейронных сетей для детекции человека с оружием
ВВЕДЕНИЕПо данным МВД, в результате преступных посягательств в 2022 году в России погибли 21,2 тысячи человек, а 32,6 тысячи граждан получили тяжкий вред здоровью. 23 ноября 2022 года МВД России сообщило, что в России число преступлений с использованием оружия и боеприпасов выросло почти на 30 процентов за 10 месяцев с января по октябрь 2022 года — их число увеличилось на 29,7 процента.
Каждый год случаются теракты в школах, вооруженные нападения на магазины, банки, частные дома. Правоохранительным органам не хватает долей секунд, чтобы спасти жизни одного, а в худшем случае, всех людей. Так, например, в 2021 году в Казани произошло вооруженное нападение на гимназию №175. 19-летний житель Казани Ильназ Галявиев утром проснулся и пошел к гимназии, чтобы посмотреть расписание уроков. Примерно в 7.45 он прошел в здание, слева от входа было вывешено расписание.
Содержание
ВВЕДЕНИЕ 5
Глава 1. ТЕОРИЯ НЕЙРОННЫХ СЕТЕЙ 7
1.1 Математика нейронных сетей 7
1.2 Виды нейронных сетей и их применение 9
1.3 Свёрточные нейронные сети 15
Выводы к 1 главе 17
Глава 2. АРХИТЕКТУРА YOLOV8 18
2.1 Предварительные сведения 18
2.2 Архитектура YOLOv8 18
2.3 Метрики для проверки качества обучения 26
Вывод ко 2 главе 30
Глава 3. СОЗДАНИЕ НЕЙРОННОЙ СЕТИ И ОБУЧЕНИЕ YOLOV8 31
3.1 Сбор, аугментация и препроцессинг данных 31
3.2 Обучение нейронной сети 35
3.3 Проверка качества обучения 41
3.4 Сравнение моделей YOLOv8 45
Вывод к 3 главе 46
ЗАКЛЮЧЕНИЕ 47
СПИСОК ЛИТЕРАТУРЫ 48
Приложение 1 50
СПИСОК ЛИТЕРАТУРЫЖерон О. Прикладное машинное обучение с помощью Scikit-Learn, Keras и TensorFlow: концепции, инструменты и техники для создания интеллектуальных систем / O. Жерон. – СПб.: ООО «Диалектика» 2020. – 1040с.
Бринк Х. Машинное обучение / Х. Бринк, Д. Ричардс, М. Феверолф. - СПб.: Питер, 2017. - 336с.
Рашка С. Python и машинное обучение / С. Рашка. – М.: ДМК Пресс, 2017. – 418с.
Документация. [Электронный ресурс] - https://docs.python.org/3.8/
Тыртышников, Е. Е. Матричный анализ и линейная алгебра / Е. Е Тыртышников. – Москва: ФИЗМАТЛИТ, 2004.
Нейронные сети. Часть 1. [Электронный ресурс] - https://habr.com/ru/post/312450/
Нейронные сети. Часть 2. [Электронный ресурс] - https://habr.com/ru/articles/313216/
Нейронные сети. Часть 3. [Электронный ресурс] - https://habr.com/ru/articles/542574/
Гмурман, В. Е. Теория вероятностей и математическая статистика / В. Е. Гмурман. – Москва: ВШЭ, 2020.
Бастиан Ш. Крупномасштабное машинное обучение вместе с Python / Ш. Бастиан, Л. Массарон, А. Боскетти. – М.: ДМК Пресс, 2017. – 358с.
Kavukcuoglu, K. Learning Convolutional Feature Hierarchies for Visual Recognition / K. Kavukcuoglu, P. Sermanet, Y. Boureau, K. Gregor, M. Mathieu и Y. LeCun // Neural Information Processing Systems (NIPS) / – Vancouver, 2010.
Гасников, А. В. Современные численные методы оптимизации. Методы универсального градиентного спуска: учебное пособие / А. В. Гасников. – Москва: МФТИ, 2018.
Ultralytics YOLOv8 [Электронный ресурс] - https://habr.com/ru/articles/710016/
Ultralytics documentation [Электронный ресурс] - https://github.com/ultralytics/ultralytics
Другой подход заключается в том, чтобы оценить fx-ϵ∇xfx для нескольких значений ϵ и выбрать то, которое приведет к наименьшему значению целевой функции. Эта последняя стратегия называется линейным поиском.
Перевал сходится, когда каждый элемент градиента равен нулю (или, на практике, очень близок к нулю). В некоторых случаях можно избежать запуска этого итерационного алгоритма и просто перейти непосредственно к критической точке, решив уравнение ∇xfx=0 для x.
1.3 Сверточные нейронные сети
Производительность CNN в основном зависит от выбора гиперпараметров, которые обычно определяются методом проб и ошибок. Некоторые из гиперпараметров включают в себя функцию активации, количество эпох, модель обучения, количество батчей и т.д. Эти параметры очень важны, так как они управляют тем, как алгоритм обучается на данных.