Video tasvirlar asosida obyektlarni aniqlash algoritmlari va dasturini ishlab chiqish

ǀ
ISSUE 1 
ǀ
2022 
ISSN: 2181-1601
Uzbekistan
 
www.scientificprogress.uz
 
Page 14
nechta xususiyat nuqtalari mavjud va chekka xususiyatlarni 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 

---

SCIENTIFIC PROGRESS
VOLUME 3