Deep learning for object detection

Γαλανοπούλου, Άννα

Deep learning for object detection

dc.contributor.advisor	Γιαννακόπουλος, Θεόδωρος
dc.contributor.author	Γαλανοπούλου, Άννα
dc.contributor.committee	Σκιαδόπουλος, Σπυρίδων
dc.contributor.committee	Ζαβιτσάνος, Ηλίας
dc.contributor.department	Τμήμα Πληροφορικής και Τηλεπικοινωνιών	el
dc.contributor.faculty	Σχολή Οικονομίας και Τεχνολογίας	el
dc.contributor.master	Επιστήμη Δεδομένων	el
dc.date.accessioned	2026-03-13T10:37:10Z
dc.date.available	2026-03-13T10:37:10Z
dc.date.issued	2026-01
dc.description	Μ.Δ.Ε. 149	el
dc.description.abstract	The aim of this dissertation is to compare three YOLO-based object detection algorithms on the MAR20 dataset, which includes annotated remote sensing images of military aircraft. The study focuses on the small versions of YOLOv8s, YOLOv9s, and YOLOv10s. Each model, after tuning, was trained and evaluated under the same settings. Their performance was measured using precision, recall, F1-score, and average precision (mAP). The results show that all YOLO versions achieve high detection accuracy, but YOLOv8s offers the best overall balance between performance and computational efficiency.	el
dc.description.abstracttranslated	Η παρούσα διπλωματική εργασία εξετάζει και συγκρίνει τρεις εκδόσεις του αλγορίθμου ανίχνευσης αντικειμένων YOLO (YOLOv8s , YOLOv9s και YOLOv10s) χρησιμοποιώντας το σύνολο δεδομένων MAR20, το οποίο περιλαμβάνει επισημασμένες δορυφορικές εικόνες στρατιωτικών αεροσκαφών. Στόχος είναι ο εντοπισμός της πιο αποδοτικής εκδοχής, μέσω διαδικασίας ρύθμισης υπερπαραμέτρων (hyperparameter tuning), με σκοπό τη βελτίωση της σταθερότητας και της γενίκευσης των μοντέλων. Τα μοντέλα αξιολογήθηκαν κάτω από κοινές συνθήκες και η απόδοση τους μετρήθηκε βάσει δεικτών Precision, Recall, F1-score και mean Average Precision (mAP).Τα αποτελέσματα δείχνουν ότι και οι τρεις εκδόσεις επιτυγχάνουν υψηλή ακρίβεια ανίχνευσης, με το YOLOv8s να παρουσιάζει την καλύτερη συνολική ισορροπία μεταξύ ακρίβειας, υπολογιστικής αποδοτικότητας και ταχύτητας.	el
dc.format.extent	101	el
dc.identifier.uri	https://amitos.library.uop.gr/handle/123456789/9757
dc.language.iso	en	el
dc.publisher	Πανεπιστήμιο Πελοποννήσου	el
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Βαθιά μάθηση (Μηχανική μάθηση)	el
dc.subject	Επεξεργασία εικόνας	el
dc.subject	Συστήματα αναγνώρισης προτύπων-Συστήματα υπολογιστών	el
dc.subject	Deep Learning (Machine Learning)	el
dc.subject	Image Processing	el
dc.subject	Pattern recognition systems-Computer systems	el
dc.subject.keyword	YOLO	el
dc.subject.keyword	hyper parameter tuning	el
dc.subject.keyword	Image recognition	el
dc.subject.keyword	Object detection	el
dc.subject.keyword	Computer vision	el
dc.subject.keyword	Military aircraft	el
dc.subject.keyword	Deep learning	el
dc.subject.keyword	Aerial images	el
dc.subject.keyword	Satellite images	el
dc.subject.keyword	One stage detector	el
dc.subject.keyword	Hyper parameter tuning	el
dc.title	Deep learning for object detection	el
dc.title.alternative	Ανίχνευση αντικειμένων με χρήση βαθιάς μάθησης	el
dc.type	Μεταπτυχιακή διπλωματική εργασία	el

Files

Original bundle

Now showing 1 - 1 of 1

Name:: Galanopoulou_2022202304005.pdf
Size:: 2.5 MB
Format:: Adobe Portable Document Format
Description:: Μεταπτυχιακή διπλωματική εργασία

Download

License bundle

Now showing 1 - 1 of 1

Name:: license.txt
Size:: 933 B
Format:: Item-specific license agreed upon to submission
Description:

Download

Collections

Τμήμα Πληροφορικής και Τηλεπικοινωνιών (Μ. Δ. Ε.)