Abstract
V članku raziskujemo integracijo modela MobileNetV3 v ogrodju Flutter, osredotočajoč se na napredno klasifikacijo slik avtomobilov. Preučujemo večplasten pristop, ki vključuje uporabo raznolikih podatkovnih zbirk, fino prilagajanje modela ter njegovo brezhibno implementacijo v mobilno aplikacijo. S poudarkom na izboljšanju uporabniške izkušnje smo ustvarili tri specializirane modele z visoko stopnjo natančnosti (97%), ki prepoznajo ustrezne slike, klasificirajo tip slike (vozilo, armaturna plošča ali dokument) ter določajo stran avtomobila (spredaj, levo, desno, zadaj). Rezultati kažejo izjemno hitrost in odzivnost aplikacije, pri čemer MobileNetV3 zagotavlja natančno klasifikacijo v le 60 ms, kar prispeva k izjemni učinkovitosti celotnega sistema.
Publisher
Univerza v Mariboru, Univerzitetna založba
Reference15 articles.
1. Binary Relevance (31.1.2024). Pridobljeno iz Scikit-multilearn: http://scikit.ml/api/skmultilearn.problem_transform.br.html (2024).
2. de Carvalho, A. C. & Freitas, A. A. "A tutorial on multi-label classification techniques". Foundations of Computational Intelligence Volume 5: Function Approximation and Classification, (2009): 177-195.
3. Flutter. (31. 1. 2024). tflite_flutter. Pridobljeno iz Pub.dev: https://pub.dev/packages/tflite_flutter (2024)
4. LeCun, Y., Benagio, Y. & Hinton, G. "Deep learning". Nature (2015): 436-444.
5. Nikoloski, S. "Structured Output Prediction and Modeling Soil Functions". Doctoral Dissertation. Jozef Stefan International Postgraduate School, Ljubljana Slovenia (2020).