Comparative Analysis of Lightweight Object Detection Models for Retail Video Surveillance on Edge Devices Description: The goal of this thesis is to compare real-time performance, resource consump-

Read full text Summarise with VIRAT
Authors: DEJAN KOVAČEVIĆ
Cited by: 0
References: 15

Summary

No summary yet. VIRAT can read this paper and write a plain-language summary of its aim, methods, key findings and limitations.

Summarise with VIRAT Free to try with your Science Catalogs account.

Abstract

V diplomski nalogi primerjamo pet lahkih modelov za zaznavanje objektov – YOLOv8n, YOLOv8s, YOLOv5n, NanoDet-Plus in MobileSAM – v kontekstu maloprodajnega videonadzora. Modele ocenimo na podmnožici testne množice COCO 2017, ki zajema 2693 slik z oznakami razreda oseb, z uporabo pred- naučenih uteži na prenosnem računalniku Apple MacBook Pro z M2 Max procesorjem. Primerjamo jih po petih merilih: hitrosti izvajanja (FPS), točnosti (mAP@0,5, mAP@0,5:0,95), povprečnem priklicu (AR@0.5), velikosti modela in računski zahtevnosti (GFLOPs). Rezultati kažejo, da je NanoDet-Plus najhitrejši model (66,0 FPS) z najnižjo računsko zahtevnostjo (2,97 GFLOPs), vendar z nižjo točnostjo, še posebej pri strogem merilu mAP@0,5:0,95 (19,97 %). YOLOv8s dosega najboljšo točnost (mAP@0,5 = 70,26 %), a pri nižji hitrosti (19,6 FPS). Za ce- lostno najboljše razmerje med hitrostjo in točnostjo se izkaže YOLOv8n (30,0 FPS, mAP@0,5 = 64,36 %), ki ponuja dobro ravnovesje za uporabo v malopro- dajnem okolju na napravah z omejenimi viri. YOLOv5n je najkompaktnejši model (1,9 M parametrov, 4,0 MB), primeren za okolja z zelo omejenimi viri pomnilnika. MobileSAM kljub dodani segmentacijski zmogljivosti ni konkurenčen čistim detektorjem v hitrosti izvajanja (2,7 FPS). V nalogi podrobno opišemo arhitekturne razlike med modeli, izzive pri implementaciji enotnega merilnega cevovoda ter analiziramo razmerja med posameznimi metrikami. Ugotovitve so relevantne za načrtovalce sistemov računalniškega vida, ki izbirajo med različnimi lahkimi detektorji za namesti- tev na edge napravah v maloprodajnem okolju.

Fields of Study & Subjects

Advanced Neural Network Applications Video Surveillance and Tracking Methods IoT and Edge/Fog Computing

Publication details

Journal / source
Repository of the University of Ljubljana (University of Ljubljana)
Publication date
16 March 2026
Language
SL
Document type
Thesis