Актуальність теми
Застосування автоматизованих систем розпізнавання об’єктів стрімко розвивається завдяки впровадженню сучасних алгоритмів глибокого навчання [11] та вбудованих обчислювальних платформ. Такі системи знаходять застосування у сферах безпеки, транспортних системах, промисловому контролі та робототехніці. Зокрема, розробка систем, здатних працювати в реальному часі на пристроях із обмеженими ресурсами, як-от NVIDIA Jetson Nano, є надзвичайно актуальною для створення автономних інтелектуальних рішень.
Використання нейронних мереж YOLOv8 дозволяє значно підвищити точність і швидкість обробки зображень. Проте інтеграція таких систем із вбудованими платформами потребує оптимізації моделі, а також розробки спеціалізованого програмного забезпечення. Розв’язання цієї проблеми дозволяє створити енергоефективні рішення для обробки відео- та зображень у реальному часі, що робить дослідження надзвичайно актуальним у контексті сучасних технологічних викликів.
Мета і задачі дослідження
Метою дослідження є розробка автоматизованої системи розпізнавання об'єктів на базі NVIDIA Jetson Nano, яка забезпечує точність, швидкодію та ефективність обробки даних у режимі реального часу.
Для досягнення цієї мети були поставлені такі задачі:
1. Провести аналіз сучасних алгоритмів розпізнавання об’єктів та методів оптимізації.
2. Розробити архітектуру програмного забезпечення системи.
3. Оптимізувати модель YOLOv8 за допомогою бібліотек TensorRT та ONNX.
4. Реалізувати програмний комплекс для обробки даних із використанням NVIDIA Jetson Nano.
5. Провести тестування системи в реальних умовах із різними наборами даних.
6. Оцінити ефективність, продуктивність та стабільність системи.
Об’єкт дослідження - Процес автоматизованого розпізнавання об'єктів у реальному часі.
Предмет дослідження - Методи розпізнавання об’єктів, алгоритми глибокого навчання, програмні інструменти та обчислювальні платформи.
Методи дослідження - Для вирішення поставлених задач використано методи глибокого навчання, алгоритми оптимізації моделей, методи об’єктно-орієнтованого програмування, а також інструменти бібліотек TensorFlow, TensorRT, OpenCV, PyTorch. Реалізація програмної частини виконана з використанням Python та C++.
Наукова новизна одержаних результатів
1. Створено інтегровану систему автоматизованого розпізнавання об'єктів із використанням нейронної мережі YOLOv8, оптимізованої для NVIDIA Jetson Nano.
2. Запропоновано методику інтеграції бібліотек ONNX та TensorRT для прискорення обчислень на вбудованих пристроях.
Практичне значення результатів дисертації
1. Розроблено енергоефективну систему розпізнавання об'єктів, яка може бути використана в системах безпеки, автономних роботах та транспортних системах.
2. Запропоноване рішення забезпечує високу продуктивність та може легко адаптуватися для інших вбудованих платформ і завдань комп’ютерного зору.
Керівник: доц., к.т.н. Нечай С.О.
