مقایسه دقت و سرعت دو شبکه Faster RCNN و YOLO v۵ جهت شمارش ماشینها

تراکم ترافیک یک مشکل جدی است که به طور قابل توجهی بر کیفیت زندگی شهری تاثیر میگذارد در واقع درک و شناخت دقیق و عمیق تحرکات شهری در دنیای واقعی کاربردهای زیادی از جمله در مدیریت ترافیک شهری و رانندگیهای مستقل را به همراه دارد. در این مقاله سعی بر آن است تا با بهره گیری از دو شبکه یادگیری عمیق Faster RCNN و YOLO v۵ که قبلا بر روی دیتابیس COCO آموزش داده شده عملکرد آنها جهت شمارش ماشین بر روی دیتابیس Trancos سنجیده شود با توجه به نتایج حاصل شده از این دو شبکه، مشخص گردید شبکه Faster CNN از دقت بالاتر با میانگین خطای مطلق ۱۱,۴۴۳ و سرعت کمتری نسبت به YOLO v۵ برخورداراست.

کلیدواژه ها:

شبکه عصبی کانولوشنال ، هوش مصنوعی ، یادگیری عمیق ، یادگیری ماشین