Information Technology for Optimization of Common Cold Weapon Object Detection Algorithm Based on YOLOv11
Вантажиться...
Дата
2024
Автори
Науковий керівник
Укладач
Редактор
Назва журналу
ISSN
E-ISSN
Назва тому
Видавець
Одеський національний університет імені І. І. Мечникова
Анотація
Under the theme of "Optimization of the cold weapon detection algorithm based on YOLOv11", this paper explores the pressing demand for enhancing the accuracy and efficiency of cold weapon detection against the backdrop of increasingly severe public security issues. This study is particularly important in view of the increasing number of criminal incidents involving cold weapons, which pose a major threat to social stability and personal safety.
The study began by collecting and managing a comprehensive dataset of cold weapons, leveraging the e-commerce platform's vast repository to ensure a diverse and representative collection of weapon types. This dataset contains a variety of cold weapons and is the basis for training and evaluation of the
YOLOv11 algorithm. The dataset is carefully curated to reflect the variability of cold weapon appearance, including different models, conditions, and backgrounds, thus providing a solid foundation for algorithm training and testing.
Through several strategy adjustments, the optimization of YOLOv11 algorithm is realized. The configuration of the network layer is finely adjusted to boost the model's capability of extracting cold weapon features. Advanced loss functions are utilized to improve the model's capacity to generalize from training data and heighten its robustness against changes in real-world scenarios. These modifications were critical to adapting the YOLOv11 algorithm to the nuances of cold weapon detection, resulting in significant improvements in its detection capabilities.
A key contribution of this study is the introduction of focal - iou loss function, which solves the class imbalance problem prevalent in target detection datasets. This innovative loss function not only provides a more comprehensive assessment of the quality of the prediction box, but also adjusts the loss weights to focus the model's attention on samples that are harder to classify. The integration of the GSConv module represents another important advance, as it simplifies the calculation process without compromising the accuracy of the model. This module offers a more efficient feature extraction approach via grouping and separable volume design, thereby making the algorithm more applicable to real-time applications.
The results of the experiments carried out in this study indicate that the optimized YOLOv11 algorithm (called YOLOv11s+) has superior performance in various indexes. Compared to the previous model and other models, YOLOv11s+ has higher accuracy, recall and average accuracy (mAP) at different cross over association (IoU) thresholds. These metrics play a critical role in assessing the efficacy of target detection algorithms, particularly in situations where detection accuracy is of vital significance.
In a word, the research not only promotes the technological frontier of cold weapon detection, but also has practical significance for strengthening public safety. The optimized YOLOv11 algorithm provides a promising solution for accurate and efficient detection of cold weapons, and has potential application prospects in smart city development and social governance.
Виходячи з теми "Оптимізація алгоритму виявлення холодної зброї на основі YOLOv11", в даній роботі розглядається нагальна потреба в підвищенні точності та ефективності виявлення холодної зброї на тлі все більш серйозних проблем громадської безпеки. Це дослідження є особливо важливим з огляду на зростання кількості кримінальних інцидентів із застосуванням холодної зброї, які становлять серйозну загрозу соціальній стабільності та особистій безпеці. Дослідження почалося зі збору та управління всеосяжним набором даних про холодну зброю, використовуючи величезне сховище платформи електронної комерції для забезпечення різноманітної та репрезентативної колекції типів зброї. Цей набір даних містить різноманітну холодну зброю та є основою для навчання та оцінки алгоритму YOLOv11. Набір даних ретельно підібраний, щоб відобразити варіативність зовнішнього вигляду холодної зброї, включаючи різні моделі, умови та походження, таким чином забезпечуючи міцну основу для навчання та тестування алгоритмів. За допомогою декількох коригувань стратегії реалізується оптимізація алгоритму YOLOv11. Конфігурація мережевого рівня точно налаштована для підвищення здатності моделі виявляти особливості холодної зброї. Розширені функції втрат і методи регуляризації використовуються для підвищення здатності моделі узагальнювати на основі тренувальних даних і підвищувати її стійкість до змін реального сценарію. Ці модифікації мали вирішальне значення для адаптації алгоритму YOLOv11 до нюансів виявлення холодної зброї, що призвело до значного покращення його можливостей виявлення. Ключовим внеском цього дослідження є впровадження функції фокальних - iou втрат, яка вирішує проблему класового дисбалансу, поширену в наборах даних виявлення цілей. Ця інноваційна функція втрат не тільки забезпечує більш повну оцінку якості коробки прогнозування, але й коригує вагу втрат, щоб зосередити увагу моделі на зразках, які важче класифікувати. Інтеграція модуля GSConv є ще одним важливим прогресом, оскільки спрощує процес розрахунку без шкоди для точності моделі. Цей модуль забезпечує більш ефективний метод вилучення ознак за допомогою групування та відокремлюваного дизайну томів, що робить алгоритм більш придатним для додатків у реальному часі. Експериментальні результати цього дослідження показують, що оптимізований алгоритм YOLOv11 (під назвою YOLOv11s+) має чудову продуктивність за різними показниками. У порівнянні з попередньою моделлю та іншими моделями, YOLOv11s+ має вищу точність, запам'ятовування та середню точність (mAP) при різних порогових значеннях перехресних асоціацій (IoU). Ці показники мають вирішальне значення для оцінки ефективності алгоритмів виявлення цілей, особливо у випадках, коли точність виявлення є критичною. Одним словом, дослідження не лише просуває технологічний рубіж виявлення холодної зброї, а й має практичне значення для зміцнення громадської безпеки. Оптимізований алгоритм YOLOv11 є перспективним рішенням для точного та ефективного виявлення холодної зброї та має потенційні перспективи застосування у розвитку розумного міста та соціальному управлінні.
Виходячи з теми "Оптимізація алгоритму виявлення холодної зброї на основі YOLOv11", в даній роботі розглядається нагальна потреба в підвищенні точності та ефективності виявлення холодної зброї на тлі все більш серйозних проблем громадської безпеки. Це дослідження є особливо важливим з огляду на зростання кількості кримінальних інцидентів із застосуванням холодної зброї, які становлять серйозну загрозу соціальній стабільності та особистій безпеці. Дослідження почалося зі збору та управління всеосяжним набором даних про холодну зброю, використовуючи величезне сховище платформи електронної комерції для забезпечення різноманітної та репрезентативної колекції типів зброї. Цей набір даних містить різноманітну холодну зброю та є основою для навчання та оцінки алгоритму YOLOv11. Набір даних ретельно підібраний, щоб відобразити варіативність зовнішнього вигляду холодної зброї, включаючи різні моделі, умови та походження, таким чином забезпечуючи міцну основу для навчання та тестування алгоритмів. За допомогою декількох коригувань стратегії реалізується оптимізація алгоритму YOLOv11. Конфігурація мережевого рівня точно налаштована для підвищення здатності моделі виявляти особливості холодної зброї. Розширені функції втрат і методи регуляризації використовуються для підвищення здатності моделі узагальнювати на основі тренувальних даних і підвищувати її стійкість до змін реального сценарію. Ці модифікації мали вирішальне значення для адаптації алгоритму YOLOv11 до нюансів виявлення холодної зброї, що призвело до значного покращення його можливостей виявлення. Ключовим внеском цього дослідження є впровадження функції фокальних - iou втрат, яка вирішує проблему класового дисбалансу, поширену в наборах даних виявлення цілей. Ця інноваційна функція втрат не тільки забезпечує більш повну оцінку якості коробки прогнозування, але й коригує вагу втрат, щоб зосередити увагу моделі на зразках, які важче класифікувати. Інтеграція модуля GSConv є ще одним важливим прогресом, оскільки спрощує процес розрахунку без шкоди для точності моделі. Цей модуль забезпечує більш ефективний метод вилучення ознак за допомогою групування та відокремлюваного дизайну томів, що робить алгоритм більш придатним для додатків у реальному часі. Експериментальні результати цього дослідження показують, що оптимізований алгоритм YOLOv11 (під назвою YOLOv11s+) має чудову продуктивність за різними показниками. У порівнянні з попередньою моделлю та іншими моделями, YOLOv11s+ має вищу точність, запам'ятовування та середню точність (mAP) при різних порогових значеннях перехресних асоціацій (IoU). Ці показники мають вирішальне значення для оцінки ефективності алгоритмів виявлення цілей, особливо у випадках, коли точність виявлення є критичною. Одним словом, дослідження не лише просуває технологічний рубіж виявлення холодної зброї, а й має практичне значення для зміцнення громадської безпеки. Оптимізований алгоритм YOLOv11 є перспективним рішенням для точного та ефективного виявлення холодної зброї та має потенційні перспективи застосування у розвитку розумного міста та соціальному управлінні.
Опис
Ключові слова
126 інформаційні системи та технології, магістр, Cold Weapon Target Detection, YOLOv11 Algorithm, Dataset Construction, Algorithm Optimization, Target Detection, Public Safety, виявлення цілей холодної зброї, Алгоритм YOLOv11, побудова наборів даних, оптимізація алгоритмів, виявлення цілі, Громадська безпека
Бібліографічний опис
Li Yongming Information Technology for Optimization of Common Cold Weapon Object Detection Algorithm Based on YOLOv11 : кваліфікаційна робота магістра / Li Yongming. – Одеса, 2024. – 102 с.