Детальная информация

Данная работа посвящена разработке мобильного приложения и обучению нейронной сети для распознавания объектов. В ходе исследования был проведен анализ мобильных приложений, связанных с коллекционированием искусства. На основе результатов анализа сформированы требования для разработки мобильного приложения. Была дообучена модель YOLO на собственном датасете с аугментацией. Обученная модель была конвертирована в формат TensorFlow Lite и подготовлена для развертывания на мобильном устройстве. Было разработано мобильное приложение с многомодульной архитектурой. Реализация выполнена на языке Kotlin с использованием Jetpack Compose, архитектура UI построена с применением MVVM. Также была реализована работа с камерой и пользовательской коллекцией. Проведено модульное и UI-тестирование основных компонентов. Вручную проведена верификация работы нейросети. Для достижения данных результатов в работе были использованы следующие информационные технологии: сервис для разметки датасетов Roboflow, языки программирования Python и Kotlin, среда разработки PyCharm и Android Studio, Google Colab - среда разработки и вычислительные мощности для обучения модели, система контроля версий GitHub.

This work is dedicated to the development of a mobile application and the training of a neural network for object recognition. As part of this final qualification work, an analysis of mobile applications related to art collection was conducted. Based on the results of this analysis, requirements for the mobile application were formulated. A YOLO model was fine-tuned on a custom dataset with data augmentation. The trained model was converted to TensorFlow Lite format and prepared for deployment on mobile devices. A mobile application was developed with a multi-module architecture. The implementation was carried out in Kotlin using Jetpack Compose, and the UI architecture followed the MVVM pattern. Functionality for camera integration and user collection management was implemented. Module-level and UI testing of key components was performed. Additionally, manual verification of the neural networks performance was conducted. To achieve these outcomes, the following information technologies were used: Roboflow as dataset annotation service, Python and Kotlin as programming languages, PyCharm and Android Studio as development environments, Google Colab as platform and computational resources for model training, and GitHub as version control system.