• Горский Максим Сергеевич, Московский технический университет связи и информатики (Москва, Россия)
• Мосева Марина Сергеевна, Московский технический университет связи и информатики (Москва, Россия)

Целью статьи является описание разработки и обучения модели, способной классифицировать автомобили по маркам и моделям на основе изображений, а также интерфейса для удобного взаимодействия с моделью. Новизна работы подтверждается использованием современных методов идентификации транспортных средств для их тонкой классификации. В статье представлены три раздела, каждый из которых охватывает ключевые аспекты исследования. В рамках первого раздела выполнен анализ предметной области, в котором рассмотрены существующие методы идентификации транспортных средств, включая технологии на основе лидарных данных, а также методы, использующие изображения и видео. Особое внимание уделено анализу современных подходов к классификации транспортных средств по маркам, моделям и другим атрибутам. Этот анализ позволил выявить сильные и слабые стороны различных подходов и обосновать выбор архитектур глубокого обучения для дальнейшего исследования. Во втором разделе описан собранный набор данных с детальной маркировкой по маркам и моделям, использованный для исследования. Проведено сравнение трех моделей машинного обучения по различным метрикам, таким, как точность, полнота, f1-мера. В результате анализа была выбрана модель, которая продемонстрировала наилучшие результаты в задачах классификации транспортных средств. Так же была проведена количественная оценка детектора, используемого в дальнейшем, которая подтвердила эффективность выбранной модели. Третий раздел описывает практическую часть работы, в которой были проведены аугментация и дополнение набора данных. После дообучения модели на улучшенных данных была выполнена интеграция классификатора с детектором YOLOv11. Реализован веб-интерфейс, который обеспечивает удобное взаимодействие с системой, позволяя загружать видео, просматривать результаты детекции и классификации в реальном времени, а также анализировать статистические данные. Тестирование системы на реальных данных видеонаблюдения подтвердило эффективность подхода, хотя и выявило необходимость дальнейшей оптимизации для сложных ракурсов и условий освещенности.

идентификация транспортных средств, машинное обучение, YOLO, компьютерное зрение, аугментация данных

2026-06-05