Investigating techniques for improving accuracy and limiting overfitting for YOLO and real-time object detection on iOS

DSpace Repository

Investigating techniques for improving accuracy and limiting overfitting for YOLO and real-time object detection on iOS

Overview

Detailed record

dc.contributor.author Güven, Jakup
dc.date.accessioned 2019-06-26T12:24:46Z
dc.date.available 2019-06-26T12:24:46Z
dc.date.issued 2019 en_US
dc.identifier.uri http://hdl.handle.net/2043/29169
dc.description I detta arbete genomförs utvecklingen av ett realtids objektdetekteringssystem för iOS. För detta ändamål används YOLO, en ett-stegs objektdetekterare och ett s.k. ihoplänkat neuralt nätverk vilket åstadkommer betydligt bättre prestanda än övriga realtidsdetek- terare i termer av hastighet och precision. En dörrdetekterare baserad på YOLO tränas och implementeras i en systemutvecklingsprocess. Maskininlärningsprocessen sammanfat- tas och praxis för att undvika överträning eller “overfitting” samt för att öka precision och hastighet diskuteras och appliceras. Vidare genomförs en rad experiment vilka pekar på att dataaugmentation och inkludering av negativ data i ett dataset medför ökad precision. Hyperparameteroptimisering och kunskapsöverföring pekas även ut som medel för att öka en objektdetekringsmodells prestanda. Författaren lyckas öka modellens mAP, ett sätt att mäta precision för objektdetekterare, från 63.76% till 86.73% utifrån de erfarenheter som dras av experimenten. En modells tendens för överträning utforskas även med resultat som pekar på att träning med över 300 epoker rimligen orsakar en övertränad modell. en_US
dc.description.abstract This paper features the creation of a real time object detection system for mobile iOS using YOLO, a state-of-the-art one stage object detector and convoluted neural network far surpassing other real time object detectors in speed and accuracy. In this process an object detecting model is trained to detect doors. The machine learning process is outlined and practices to combat overfitting and increasing accuracy and speed are discussed. A series of experiments are conducted, the results of which suggests that data augmentation, including negative data in a dataset, hyperparameter optimisation and transfer learning are viable techniques in improving the performance of an object detection model. The author is able to increase mAP, a measurement of accuracy for object detectors, from 63.76% to 86.73% based on the results of experiments. The tendency for overfitting is also explored and results suggest that training beyond 300 epochs is likely to produce an overfitted model. en_US
dc.format.extent 31 en_US
dc.language.iso eng en_US
dc.publisher Malmö universitet/Teknik och samhälle sv-SE
dc.subject YOLO en_US
dc.subject object detection en_US
dc.subject overfitting en_US
dc.subject dataset composition en_US
dc.subject hyperparameter optimisation en_US
dc.subject transfer learning en_US
dc.subject iOS en_US
dc.subject real-time en_US
dc.subject improving accuracy en_US
dc.title Investigating techniques for improving accuracy and limiting overfitting for YOLO and real-time object detection on iOS en_US
dc.title.alternative Undersökning av tekniker för att förbättra precision och begränsa överträning för YOLO och realtidsobjekt detektering för iOS en_US
dc.type M2 en_US
dc.setspec.uppsok Technology en_US
dcterms.relation.coopPrivate Cybercom
dc.contributor.examiner Paraschakis, Dimitris
dc.contributor.supervisor Emruli, Blerim
mahlocal.xprt.faculty2019 TS
mahlocal.xprt.institution2019 TS
mahlocal.xprt.program Systemutvecklare
 Find Full text Files for download
Icon

This item appears in the following Collection(s)

Overview

Search


Browse

My Account

Statistics