Object-Detection mit You Only Look Once (YOLO) : Einführung in die Objekterkennung mit YOLO sowie die Weiterentwicklung in den Versionen v2-v4
- In einer Vielzahl an Branchen kommen Objekterkennungsverfahren neben anderen
Methoden des maschinellen Lernens in unterschiedlichsten Anwendungsfällen zum
Einsatz. Ein mögliches State of the Art Object-Detection Verfahren, das für
Anwendungsfälle mit Echtzeitanforderungen genutzt werden kann, ist You Only Look
Once (YOLO). Nach seiner Veröffentlichung wurde YOLO in den Versionen v2-v4
mehrfach schrittweise verbessert. Um einen möglichst großen Vorteil aus der Nutzung
von YOLO als Objekterkennungsverfahren zu ziehen, ist es wichtig, stets die neuesten
Verfahren zu evaluieren und zu verwenden.
Die Arbeit „Object-Detection mit You Only Look Once (YOLO) - Einführung in die
Objekterkennung mit YOLO sowie die Weiterentwicklung in den Versionen v2-v4“ ist ein
Ausschnitt aus einer Bachelorarbeit, in der erforscht wird, ob und welche einzelnen
Verfahren, die in YOLOv4 für die verbesserte Objekterkennung vorgeschlagen werden,
ein bestehendes YOLO - System für einen speziellen Anwendungsfall maßgeblich
verbessern können. ImIn einer Vielzahl an Branchen kommen Objekterkennungsverfahren neben anderen
Methoden des maschinellen Lernens in unterschiedlichsten Anwendungsfällen zum
Einsatz. Ein mögliches State of the Art Object-Detection Verfahren, das für
Anwendungsfälle mit Echtzeitanforderungen genutzt werden kann, ist You Only Look
Once (YOLO). Nach seiner Veröffentlichung wurde YOLO in den Versionen v2-v4
mehrfach schrittweise verbessert. Um einen möglichst großen Vorteil aus der Nutzung
von YOLO als Objekterkennungsverfahren zu ziehen, ist es wichtig, stets die neuesten
Verfahren zu evaluieren und zu verwenden.
Die Arbeit „Object-Detection mit You Only Look Once (YOLO) - Einführung in die
Objekterkennung mit YOLO sowie die Weiterentwicklung in den Versionen v2-v4“ ist ein
Ausschnitt aus einer Bachelorarbeit, in der erforscht wird, ob und welche einzelnen
Verfahren, die in YOLOv4 für die verbesserte Objekterkennung vorgeschlagen werden,
ein bestehendes YOLO - System für einen speziellen Anwendungsfall maßgeblich
verbessern können. Im vorliegenden Ausschnitt wird in das Thema der Objekterkennung
mit maschinellen Lernverfahren eingeführt sowie YOLO im Detail erläutert. Außerdem
wird auf die in den Versionen YOLOv2-YOLOv4 vorgeschlagenen Verbesserungen des
YOLO - Objekterkennungssystems eingegangen. Insbesondere in der zum aktuellen
Zeitpunkt neuesten Version YOLOv4 werden eine Vielzahl an neuen Verfahren in YOLO
integriert, sodass im Hauptteil dieser Arbeit intensiv auf alle neuen Verfahren, die die
Autoren von YOLOv4 für das Objekterkennungssystem empfehlen, eingegangen wird.…
- In a large number of industries, alongside other machine learning methods, object
recognition processes are used in a wide variety of applications. You Only Look Once
(YOLO) is a state-of-the-art object detection method that can be used for applications
with real-time requirements. After it was released, YOLO was gradually improved several
times in the versions v2-v4. In order to get the greatest possible benefit from the use of
YOLO as an object recognition method, it is important to always evaluate and use the
latest methods for object detection.
The work presented here is an excerpt from a Bachelor thesis, in which it is researched
whether and which individual approaches proposed in YOLOv4 can significantly improve
an existing YOLO system for a special application. In this excerpt, the subject of object
recognition with machine learning approaches is introduced and YOLO is explained in
detail. In addition, the improvements of the YOLO object recognition system proposed in
the versions YOLOv2-YOLOv4 are discussed. In theIn a large number of industries, alongside other machine learning methods, object
recognition processes are used in a wide variety of applications. You Only Look Once
(YOLO) is a state-of-the-art object detection method that can be used for applications
with real-time requirements. After it was released, YOLO was gradually improved several
times in the versions v2-v4. In order to get the greatest possible benefit from the use of
YOLO as an object recognition method, it is important to always evaluate and use the
latest methods for object detection.
The work presented here is an excerpt from a Bachelor thesis, in which it is researched
whether and which individual approaches proposed in YOLOv4 can significantly improve
an existing YOLO system for a special application. In this excerpt, the subject of object
recognition with machine learning approaches is introduced and YOLO is explained in
detail. In addition, the improvements of the YOLO object recognition system proposed in
the versions YOLOv2-YOLOv4 are discussed. In the current version YOLOv4, a large
number of new methods are integrated into YOLO, so that in the main part of this thesis
all new methods that the authors of YOLOv4 recommend for the object recognition
system are dealt with intensively.…
MetadatenAuthor: | Mehmet Ali Daglioglu |
---|
URN: | urn:nbn:de:bvb:1051-opus4-1175 |
---|
Advisor: | Sebastian Leuoth |
---|
Document Type: | Bachelor Thesis |
---|
Language: | German |
---|
Date of Publication (online): | 2021/03/23 |
---|
Publishing Institution: | Hochschule für Angewandte Wissenschaften Hof |
---|
Granting Institution: | University of Applied Sciences of Hof, Informatik |
---|
Release Date: | 2021/03/23 |
---|
Tag: | AI; Artificial Intelligence; CNN; Computer Vision; Convoluional Neural Networks; Deep Learning; Machine Learning; Neural Networks; Object Detection; Real-Time Object Detection; Regression; Supervised Learning; YOLOv2; YOLOv3; YOLOv4; Yolo; You Only Look Once; unified real-time object detection |
---|
Page Number: | 79 Seiten |
---|
Institutes: | Informatik |
---|
Licence (German): | Creative Commons - CC BY - Namensnennung 4.0 International |
---|