تشخیص انسان در تصاویر: مروری تحلیلی بر معماری های YOLO و پیشرفت های اخیر

تشخیص انسان در تصاویر یک وظیفه بنیادین بینایی ماشین با کاربردهای حیاتی در سیستم های نظارتی، خودروهای خودران، رباتیک و مدیریت جمعیت را نمایندگی می کند. این مقاله مروری تحلیلی جامع از معماری های YOLO (You Only Look Once) برای تشخیص انسان ارائه می دهد و پیشرفت های اخیر از سال ۲۰۲۳ به بعد را مورد بررسی قرار می دهد. ما به طور سیستماتیک عملکرد نسخه های معاصر YOLO شامل YOLOv۹، YOLOv۸، YOLOv۵ و YOLOv۱۰ را بر روی datasetهای معیار شناخته شده مانند CrowdHuman، COCO و CityPersons ارزیابی می کنیم. این مطالعه مروری، بهبودهای معماری، روش شناسی های ارزیابی و معیارهای عملکردی شامل recall، precision، mean Average Precision (MAP)، Intersection over Union (IoU) و frames per second (FPS) را تحلیل می کند. از طریق بررسی انتقادی ادبیات اخیر، چالش های پایدار شامل مدیریت occlusion (انسداد)، تشخیص اشیاء کوچک، تحلیل صحنه های شلوغ و تغییرات نوردهی را شناسایی می کنیم. یافته های ما نشان می دهد که معماری های مدرن YOLO عملکرد برتر در زمان واقعی را حفظ می کنند و در عین حال دقت رقابتی دارند، به طوری که YOLOv۸ و نسخه های جدیدتر وعده خاصی برای استقرار در محیط های با منابع محدود نشان می دهند. این مطالعه مروری به محققان و متخصصان درک به روزی از قابلیت ها و محدودیت ها در تشخیص انسان مبتنی بر YOLO ارائه می دهد.

کلیدواژه ها:

تشخیص انسان ، YOLO ، انسداد ، تشخیص اشیا ، خودروهای خودران ، رباتیک ، سیستم های نظارتی