Treffer: Analysis the efficiency of object detection in images using machine learning libraries in Python.

The purpose of this paper is to analyze and compare the accuracy of object detection in images using Python machine learning libraries such as PyTorch and Tensorflow. The paper describes the use of both libraries to train and test object detection models, considering architectures such as SSD and Faster R-CNN. The experiment was conducted on the Pascal VOC dataset to evaluate the effectiveness and performance of the models. The results include a comparison of metrics such as recall, precision and mAP which allows to choose the best solutions depending on the situation. The article concludes with a summary and final conclusions, allowing practical recommendations to be made for those working on object detection projects. [ABSTRACT FROM AUTHOR]

Celem artykułu jest dokonanie analizy i porównanie dokładności wykrywania obiektów na zdjęciach przy pomocy bibliotek uczenia maszynowego w języku Python, takich jak: PyTorch i Tensorflow. W pracy opisano wykorzystanie obu bibliotek do trenowania i testowania modeli detekcji obiektów, uwzględniając takie architektury jak SSD i Faster R-CNN. Eksperyment został przeprowadzony na zestawie danych Pascal VOC, aby ocenić skuteczność i wydajność modeli. Wyniki obejmują porównanie takich metryk jak: recall, precision i mAP co pozwala na wybranie najlepszych rozwiązań w zależności od sytuacji. Artykuł kończy się podsumowaniem i końcowymi wnioskami, pozwalającymi dokonać praktycznych rekomendacji dla osób pracujących nad projektami związanymi z detekcją obiektów. [ABSTRACT FROM AUTHOR]

Copyright of Journal of Computer Sciences Institute is the property of Lublin University of Technology and its content may not be copied or emailed to multiple sites without the copyright holder's express written permission. Additionally, content may not be used with any artificial intelligence tools or machine learning technologies. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)