RECOGNIZING OBJECTS IN IMAGES WITH YOLO ARCHITECTURE

Authors

  • Сергей Стаценко Иркутский национальный исследовательский технический университет
  • Zhanna Afanasyeva Irkutsk National Research Technical University

Keywords:

neural network, computer vision, personal protection, YOLO class architecture, dataset, object recognition, security

Abstract

The paper presents the results of research on the development and application of a neural network model for recognizing personal protective equipment - helmets and protective vests. A convolutional neural network of YOLO class architecture was used for this task. The justification of the choice of YOLO architecture for solving the problem of recognizing personal protective equipment is carried out. It is shown how the processing of the image received in the neural network and obtaining the output result in the form of recognized objects in this image occurs. Metrics and parameters affecting the output result are described. The choice of version and dimensionality of the used neural network model is argued.
Two datasets were used to train the model to recognize personal protective equipment (helmets and protective vests): our own dataset and a ready-made, marked-up dataset from the Kaggle platform. The output results of the model on own images and ready dataset were compared, the pros and cons of each approach were noted.
This research was carried out within the framework of the project on improvement of safety control at the industrial enterprise. The results of the study can be recommended for implementation in the system of safety control at the enterprise.

References

Использование метода компьютерного зрения для обеспечения безопасности производственных процессов, Емельянов А. А., Санкт-Петербургский государственный экономический университет (дата обращения: 20.03.2023)

Real-time Object Detection with YOLO, YOLOv2 and now YOLOv3 [Электронный ресурс]. – Режим доступа. – URL: https://jonathan-hui.medium.com/real-time-object-detection-with-yolo-yolov2-28b1b93e2088 (дата обращения: 19.03.2023)

Ultralytics YOLOv8 [Электронный ресурс]. – Режим доступа. – URL: https://habr.com/ru/articles/710016/ (дата обращения: 11.03.2023)

Анализ понятий нейронная сеть и сверточная нейронная сеть, обучение сверточной нейросети при помощи модуля Tensorflow, Багаев И.И., Математическое и программное обеспечение систем в промышленной и социальной сферах, Магнитогорский государственный технический университет им. Г.И. Носова (дата обращения: 20.03.2023)

Распознавание объектов на изображении с использованием Faster R-CNN, Фаустова И.Л., Фаустов Б.А., актуальные проблемы инновационного развития ядерных технологий, научная сессия НИЯУ МИФИ, 2017 (дата обращения: 10.03.2023)

Алгоритм YOLO простым языком [Электронный ресурс]. – Режим доступа. – URL: https://medium.com/nuances-of-programming (дата обращения: 11.03.2023)

Intersection over Union (IoU) in Object Detection & Segmentation [Электронный ресурс]. – Режим доступа. – URL: https://learnopencv.com/intersection-over-union-iou-in-object-detection-and-segmentation/ (дата обращения: 15.03.2023)

Как работает Object Tracking на YOLO и DeepSort [Электронный ресурс]. - Режим доступа: https://habr.com/ru/articles/514450/ (дата обращения: 10.03.2023)

Как работает инструмент вычисление точности для выявления объектов [Электронный ресурс]. – Режим доступа. – URL: https://pro.arcgis.com/ru/pro-app/latest/tool-reference/image-analyst/how-compute-accuracy-for-object-detection-works.htm (дата обращения: 27.03.2023)

YOLO v8! The real state-of-the-art? [Электронный ресурс]. – Режим доступа. – URL: https://medium.com/mlearning-ai/yolo-v8-the-real-state-of-the-art-eda6c86a1b90(дата обращения: 12.03.2023)

Performance Benchmark of YOLO v5, v7 and v8 [Электронный ресурс]. – Режим доступа. – URL: https://www.stereolabs.com/blog/performance-of-yolo-v5-v7-and-v8/ (дата обращения: 12.03.2023)

Construction Site Safety Image Dataset Roboflow [Электронный ресурс]. – Режим доступа: https://www.kaggle.com/datasets/snehilsanyal/construction-site-safety-image-dataset-roboflow (дата обращения: 20.03.2023)

How to Train YOLOv8 Object Detection on a Custom Dataset [Электронный ресурс]. - Режим доступа. – URL: https://blog.roboflow.com/how-to-train-yolov8-on-a-custom-dataset/ (дата обращения: 21.03.2023)

Train Custom Data [Электронный ресурс]. – Режим доступа: – URL: https://github.com/ultralytics/yolov5/wiki/Train-Custom-Data (дата обращения: 21.03.2023)

Peiyuan Jiang, Daji Ergu, Fangyao Liu, Ying Cai, and Bo Ma. A review of yolo algorithm developments. Procedia Computer Science, 199:1066–1073, 2022. (дата обращения: 23.03.2023)

Jocher, G., Chaurasia, A., & Qiu, J. (2023). YOLO by Ultralytics (Version 8.0.0) [Электронный ресурс]. – Режим доступа. – URL: https://github.com/ultralytics/ultralytics (дата обращения: 27.03.2023)

Helmet Wearing Recognition of Construction Workers Using Convolutional Neural Network [Электронный ресурс]. – Режим доступа. – URL:

https://www.hindawi.com/journals/wcmc/2022/4739897/ (

дата обращения: 27.03.2023)

Published

2023-10-06

How to Cite

Стаценко, С., & Афанасьева, Ж. (2023). RECOGNIZING OBJECTS IN IMAGES WITH YOLO ARCHITECTURE. The Electronic Scientific Journal "Young Science of Siberia", (2(20). Retrieved from https://ojs.irgups.ru/index.php/mns/article/view/1321

Issue

Section

Life safety and ecology