Pendeteksi Mobil Berdasarkan Merek dan Tipe Menggunakan Algoritma YOLO
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The government system in an area or city has regulations in regulating the activities of its residents, especially those related to driving on the highway. Traffic violations often occur on urban roads and highways, this can trigger accidents due to violating traffic regulations. This has prompted the government to take firm measures against motorists who violate regulations. Therefore we need a system that can help monitor traffic conditions. So, the aims this research is create a system that is able to detect car vehicles based on the brand and type with a high level of detection accuracy, so that it can make it easier to recognize car objects around. The detection system will be developed using the YOLO (You Only Look Once) Algorithm, because YOLO is one of the fastest and most accurate methods of object detection and is even capable of exceeding 2 times the capabilities of other algorithms. The YOLO (You Only Look Once) algorithm is an architecture of Deep Learning and an algorithm developed to detect an object in real-time. Detection is carried out on the image, and when accessing a laptop webcam, which contains a car object, uses a model from a dataset that has been trained using the Darknet framework. The detected car object will have a bounding box in the object area, and there will be a description of the car name and type and year of production in the bounding box area. Based on the classification performance test of the data that has been trained, it shows that the accuracy value reaches 92% so it can be concluded that the system can work well.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle