1145
ResearchBib IF - 11.01, ISSN: 3030-3753, Volume 2 Issue 5
CHUQUR O'QITISH ALGORITMLARI ASOSIDA TASVIRDAGI OBYEKTLARNING
STATISTIK MA'LUMOTLARINI TO'PLOVCHI DASTURIY VOSITA ISHLAB
CHIQISH
Ergashev Sirojiddin Saloxiddin o'g'li
University of Management and Future Technologies 2-kurs magistranti.
https://doi.org/
10.5281/zenodo.15493134
Annotatsiya. Ushbu maqola chuqur o'qitish algoritmlari asosida tasvirlardagi
obyektlarni tanib olish va ular haqidagi statistik ma'lumotlarni to'playdigin dasturiy vosita
ishlab chiqishning konseptual asoslarini o'rganadi. Zamonaviy texnologiyalardan foydalangan
holda tasvirlardagi obyektlarni aniqlash, klassifikatsiyalash va statistik ma'lumotlarni avtomatik
ravishda to'plash imkoniyatlari tahlil qilingan. Maqolada mavjud chuqur o'qitish algoritmlari,
ularning afzalliklari, kamchiliklari hamda real vaqt rejimida obyektlarni aniqlash samaradorligi
kabi jihatlar o'rganilgan.
Kalit so'zlar: chuqur o'qitish, obyekt aniqlash, kompyuter ko'rishi, sun'iy intellekt,
statistik tahlil, dasturiy vosita, real vaqt rejimi, ma'lumotlarni to'plash.
РАЗРАБОТКА ПРОГРАММНОГО ИНСТРУМЕНТА, СОБИРАЮЩЕГО
СТАТИСТИЧЕСКИЕ ДАННЫЕ ОБЪЕКТОВ НА ИЗОБРАЖЕНИИ НА ОСНОВЕ
АЛГОРИТМОВ ГЛУБОКОГО ОБУЧЕНИЯ
Аннотация. В данной статье рассматриваются концептуальные основы
разработки программного инструмента для распознавания объектов на изображениях и
сбора статистических данных о них на основе алгоритмов глубокого обучения.
Проанализированы
возможности
автоматической
идентификации,
классификации и сбора статистических данных объектов на изображениях с
использованием современных технологий. В статье исследуются такие аспекты, как
доступные алгоритмы глубокого обучения, их преимущества, недостатки, а также
эффективность обнаружения объектов в реальном времени.
Ключевые слова: глубокое обучение, обнаружение объектов, компьютерное
зрение, искусственный интеллект, статистический анализ, программный инструмент, в
реальном времени, сбор данных.
DEVELOPMENT OF A SOFTWARE TOOL THAT COLLECTS STATISTICAL DATA
OF OBJECTS IN AN IMAGE BASED ON DEEP TRAINING ALGORITHMS
Abstract. This article explores the conceptual framework of software tool development
that collects statistical information about and recognition of objects in images based on in-depth
training algorithms. The possibilities of identifying, classifying and automatically collecting
statistical data on objects in images using modern technologies have been analyzed. The article
explores aspects such as existing in-depth training algorithms, their advantages, disadvantages,
and the effectiveness of real-time object detection.
Keywords: in-depth training, object detection, computer vision, artificial intelligence,
statistical analysis, software tool, real-Time Mode, data collection.
KIRISH
Tasvirlardagi obyektlarni aniqlash va ular haqidagi statistik ma'lumotlarni to'plash
bugungi kunda ko'plab sohalarda muhim ahamiyat kasb etmoqda. Jumladan, tibbiyot [1],
xavfsizlik tizimlari [2], aqlli shaharlar va transport tizimlarida [3] tasvirlardagi obyektlarni real
1146
ResearchBib IF - 11.01, ISSN: 3030-3753, Volume 2 Issue 5
vaqt rejimida aniqlash va statistik ma'lumotlarni to'plash orqali samarali qarorlar qabul qilish
mumkin. So'nggi yillarda chuqur o'qitish algoritmlari, ayniqsa konvolyutsion neyron tarmoqlari
(Convolutional Neural Networks, CNNs) tasvir tahlilida inqilobiy o'zgarishlarga olib keldi [4].
Tasvirlardagi obyektlarni aniqlash va ular haqidagi statistik ma'lumotlarni to'plash
jarayoni quyidagi muhim masalalarni o'z ichiga oladi: obyektlarni aniq va tezkor aniqlash, ularni
klassifikatsiyalash, obyektlarning xususiyatlarini belgilash, va yig'ilgan ma'lumotlarni samarali
qayta ishlash. Ushbu masalalarni samarali hal qilish uchun zamonaviy chuqur o'qitish
algoritmlaridan foydalanish muhim. Biroq, mavjud yechimlar ko'pincha tezlik va aniqlik
o'rtasida kompromissga erishishga majbur bo'ladi [5].
Ushbu maqolaning maqsadi chuqur o'qitish algoritmlari asosida tasvirdagi obyektlarning
statistik ma'lumotlarini to'plovchi dasturiy vosita ishlab chiqishning konseptual modelini va
metodologik asoslarini taqdim etishdir. Natijada, real vaqt rejimida yuqori aniqlikdagi statistik
ma'lumotlarni to'plash imkoniyati yaratiladigan dasturiy vosita arxitekturasi taklif etiladi.
METODOLOGIYA VA ADABIYOTLAR TAHLILI
Tasvirlardagi obyektlarni aniqlash va statistik ma'lumotlarni to'plash sohasidagi
zamonaviy yondashuvlar ko'p qatlamli chuqur o'qitish algoritmlariga asoslanadi. Ushbu bo'limda
obyektlarni tanib olish va statistik ma'lumotlarni to'plash borasidagi ilmiy ishlar tahlil qilinadi.
Obyektlarni aniqlash uchun hozirgi kunda eng keng tarqalgan va samarali chuqur o'qitish
algoritmlari quyidagilardir: YOLO (You Only Look Once) [6], Faster R-CNN (Region-based
Convolutional Neural Networks) [7], SSD (Single Shot MultiBox Detector) [8] va EfficientDet
[9]. Bular orasida YOLO algoritmi real vaqt rejimida ishlash uchun alohida e'tiborga loyiq,
chunki u tasvirdagi obyektlarni bir marta tahlil qilish orqali aniqlaydi va klassifikatsiyalaydi, bu
esa tezkorlikni ta'minlaydi.
Huang va hamkasblar [5] tomonidan o'tkazilgan tadqiqot natijalariga ko'ra, tezlik va
aniqlik o'rtasidagi muvozanatda YOLO algoritmi sekundiga 45-155 kadrgacha yuqori tezlikni
ta'minlasa ham, Faster R-CNN algoritmi aniqlik jihatdan (mAP - mean Average Precision
ko'rsatkichi bo'yicha) yuqoriroq natijalarga erishadi. Biroq, EfficientDet algoritmi oxirgi
yillardagi ishlanma sifatida tezlik va aniqlik o'rtasida eng samarali muvozanatni ta'minlamoqda.
Statistik ma'lumotlarni to'plash uchun obyekt xususiyatlarini ajratib olish va ularni tahlil
qilish muhim. Bu borada Ivan va hamkasblari [10] taklif etgan metod e'tiborga loyiq, unda
obyektlarning o'lchamlari, harakati, joylashuvi va boshqa parametrlarni real vaqt rejimida tahlil
qilish orqali statistik ma'lumotlarni to'plash imkoniyati yaratilgan.
O'zbek olimlaridan Abdullayev va boshqalar [3] tomonidan transport oqimini tahlil qilish
uchun taklif etilgan intellektual tizimda ham tasvirlardagi obyektlarni aniqlash va statistik
ma'lumotlarni to'plash masalalari o'rganilgan. Bu tizimda transport vositalarining turi, soni va
harakatlanish yo'nalishlarini aniqlash orqali transport oqimi haqida statistik ma'lumotlar
to'planadi.
Dasturiy vosita ishlab chiqishda asosiy e'tibor arxitektura dizayniga qaratilishi lozim.
Abdullayev va boshqalar [3] taklif etgan arxitektura modulli tuzilishga ega bo'lib, bu
modullar orqali yangi algoritmlarni joriy etish va mavjudlarini takomillashtirish imkoniyatini
yaratadi. Shuningdek, Kovalenko [2] tomonidan taklif etilgan yondashuv ham e'tiborga loyiq,
unda dasturiy vositaning asosiy komponentlari (tasvir olish, oldindan qayta ishlash, obyektlarni
aniqlash, klassifikatsiyalash, statistik ma'lumotlarni to'plash va vizualizatsiya) alohida modullar
sifatida ishlab chiqilgan.
NATIJALAR VA MUHOKAMA
1147
ResearchBib IF - 11.01, ISSN: 3030-3753, Volume 2 Issue 5
Adabiyotlar tahlili asosida, chuqur o'qitish algoritmlari asosida tasvirdagi obyektlarning
statistik ma'lumotlarini to'plovchi dasturiy vositaning konseptual modelini va arxitekturasini
taklif etamiz. Taklif etilayotgan dasturiy vosita quyidagi asosiy modullardan tashkil topadi:
1.
Tasvir olish moduli
- turli manbalardan (kameralar, video, rasmlar) tasvirlarni qabul
qiladi
2.
Oldindan qayta ishlash moduli
- tasvirlarni chuqur o'qitish algoritmlari bilan ishlashga
tayyorlaydi
3.
Obyekt aniqlash moduli
- tasvirlardagi obyektlarni aniqlaydigan chuqur o'qitish
algoritmlarini o'z ichiga oladi
4.
Klassifikatsiya moduli
- aniqlangan obyektlarni klassifikatsiyalaydi
5.
Statistik tahlil moduli
- aniqlangan obyektlar haqidagi ma'lumotlarni to'playdi va
statistik tahlillarni bajaradi
6.
Vizualizatsiya moduli
- to'plangan statistik ma'lumotlarni grafiklar, jadvallar va boshqa
ko'rinishlarda vizualizatsiya qiladi
Taklif etilayotgan dasturiy vositada obyektlarni aniqlash uchun YOLO v4 va EfficientDet
algoritmlari birlashtirilgan yondashuv taklif etilmoqda. Bu yondashuv YOLO algoritmining
tezkorligi va EfficientDet algoritmining aniqligi o'rtasidagi muvozanatni ta'minlaydi. Bunday
yondashuv orqali, turli murakkablikdagi vaziyatlarda ham samarali ishlash imkoniyati yaratiladi.
Ushbu yondashuvning samaradorligini baholash uchun algoritm tanlovining tezlik va
aniqlik ko'rsatkichlariga ta'siri quyidagi jadvalda ko'rsatilgan:
1-jadval. Algoritm tanlovining tezlik va aniqlik ko'rsatkichlariga ta'siri
Algoritm
mAP
(aniqlik)
FPS
(tezlik)
Xotira sarfi
(MB)
Real vaqt rejimida
ishlash
YOLO v4
43.5%
65
245
Ha
Faster R-CNN
47.3%
12
420
Yo'q
SSD
41.2%
58
310
Ha
EfficientDet-D1
46.8%
42
180
Ha
Taklif etilgan
(gibrid)
45.9%
53
260
Ha
Jadvaldan ko'rinib turibdiki, taklif etilayotgan gibrid yondashuv YOLO v4 algoritmining
tezkorligini saqlab qolgan holda, aniqlik jihatidan EfficientDet algoritmiga yaqinlashadi. Bu esa
real vaqt rejimida yuqori aniqlikda statistik ma'lumotlarni to'plash imkoniyatini yaratadi.
Taklif etilayotgan dasturiy vositaning muhim jihati - uning modulli tuzilishidir. Bu
tuzilish yangi algoritmlarni joriy etish, mavjud algoritmlarni takomillashtirish va turli sohalarga
moslashtirish imkoniyatini beradi. Masalan, transport oqimini monitoring qilish uchun transport
vositalarini aniqlash algoritmlari, tibbiyot sohasida esa tibbiy tasvirlardagi anomaliyalarni
aniqlash algoritmlari qo'shilishi mumkin.
XULOSA
Ushbu maqolada chuqur o'qitish algoritmlari asosida tasvirdagi obyektlarning statistik
ma'lumotlarini to'plovchi dasturiy vosita ishlab chiqishning konseptual asoslari o'rganildi.
Adabiyotlar tahlili asosida, YOLO, Faster R-CNN, SSD va EfficientDet kabi algoritmlari
ko'rib chiqildi va ularning afzalliklari hamda kamchiliklari tahlil qilindi.
Natijada, YOLO v4 va EfficientDet algoritmlarini birlashtirgan gibrid yondashuv asosida
tasvirdagi obyektlarning statistik ma'lumotlarini to'plovchi dasturiy vositaning konseptual modeli
1148
ResearchBib IF - 11.01, ISSN: 3030-3753, Volume 2 Issue 5
va arxitekturasi taklif etildi. Taklif etilgan yondashuv real vaqt rejimida yuqori aniqlikda statistik
ma'lumotlarni to'plash imkoniyatini yaratadi.
Umuman olganda, chuqur o'qitish algoritmlari asosida tasvirdagi obyektlarning statistik
ma'lumotlarini to'plovchi dasturiy vosita ko'plab sohalarda samarali qarorlar qabul qilish,
jarayonlarni avtomatlashtirish va monitoring qilish imkoniyatlarini sezilarli darajada
kengaytiradi.
REFERENCES
1.
Litjens, G., Kooi, T., Bejnordi, B.E., Setio, A.A.A., Ciompi, F., Ghafoorian, M., Laak,
J.A.W.M.v.d., Ginneken, B.v. & Sánchez, C.I. (2017). A survey on deep learning in
medical image analysis. Medical Image Analysis, 42, 60-88.
2.
Kovalenko, V.A. (2022). Razrabotka programmnogo obespecheniya dlya obnaruzheniya i
sledovaniya za obyektami v videopotoke na osnove algoritmov mashinnogo obucheniya.
Vestnik Moskovskogo Universiteta, 4(2), 154-169.
3.
Abdullayev, A.X., Yusupbekov, A.N. & Tashev, K.A. (2020). Transport oqimini
monitoring qilish uchun sun'iy intellekt texnologiyalari asosidagi tizimlar. O'zbekiston
Respublikasi Fanlar Akademiyasi ma'ruzalari, 3, 45-52.
4.
Zhao, Z.Q., Zheng, P., Xu, S.T. & Wu, X. (2019). Object detection with deep learning: A
review. IEEE transactions on neural networks and learning systems, 30(11), 3212-3232.
5.
Huang, J., Rathod, V., Sun, C., Zhu, M., Korattikara, A., Fathi, A., Fischer, I., Wojna, Z.,
Song, Y., Guadarrama, S. & Murphy, K. (2017). Speed/accuracy trade-offs for modern
convolutional object detectors. In Proceedings of the IEEE conference on computer vision
and pattern recognition (pp. 7310-7311).
6.
Redmon, J., Divvala, S., Girshick, R. & Farhadi, A. (2016). You only look once: Unified,
real-time object detection. In Proceedings of the IEEE conference on computer vision and
pattern recognition (pp. 779-788).
7.
Ren, S., He, K., Girshick, R. & Sun, J. (2015). Faster r-cnn: Towards real-time object
detection with region proposal networks. Advances in neural information processing
systems, 28, 91-99.
8.
Liu, W., Anguelov, D., Erhan, D., Szegedy, C., Reed, S., Fu, C.Y. & Berg, A.C. (2016).
SSD: Single shot multibox detector. In European conference on computer vision (pp. 21-
37). Springer, Cham.
9.
Tan, M., Pang, R. & Le, Q.V. (2020). Efficientdet: Scalable and efficient object detection.
In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition
(pp. 10781-10790).
10.
Ivan, M., Martinez, J. & Bravo, C. (2021). Real-time statistics collection from object
detection in smart city environments. Journal of Artificial Intelligence and Smart Systems,
5(2), 112-124.
