Разработка алгоритма формирования рекомендаций выбора моделей детектирования объектов на основе мета-признаков данных и базы знаний экспериментов

Введение. Детектирование объектов в системах видеонаблюдения, медицинской диагностике, в автономных транспортных средствах и иных технических системах с компонентами компьютерного зрения связано с выбором лучшей модели для конкретного набора данных. Эта задача до сих пор остается трудоемкой и требует значительных вычислительных и временных ресурсов. Предлагается метод автоматизированного формирования рекомендаций по выбору модели детектирования объектов на основе анализа мета-признаков изображений и базы знаний результатов выполненных ранее научных исследований. 
Метод. Предложенный метод предполагает формирование векторов мета-признаков на основе набора данных (изображения и аннотации) и поиске похожих наборов данных с использованием алгоритма CatBoostClassifier (F1-score = 0,82) в собранной базе знаний. После определения аналогичных наборов данных осуществляется ранжирование моделей детектирования объектов по точности (mean Average Precision) и производительности (Frames Per Second) на основе накопленных экспериментальных данных, что позволяет рекомендовать наиболее подходящие архитектуры. Метод реализован в открытом рекомендательном фреймворке Object Detection Recommendation System. 
Основные результаты. Экспериментально подтверждено, что применение предложенного алгоритма сокращает время выбора модели на 40 % по сравнению с традиционными подходами, требующими ручного тестирования. Результаты проверки на 12 тестовых наборах данных продемонстрировали высокую эффективность метода в задачах с ограниченными вычислительными ресурсами и разнообразными характеристиками изображений. 
Обсуждение. Благодаря интеграции в Object Detection Recommendation System метод доступен специалистам, не обладающим глубокими знаниями в области машинного обучения/компьютерного зрения. Метод особенно полезен в условиях ограниченных временных и вычислительных ресурсов, когда необходимо быстро получить обоснованное начальное приближение к выбору модели. В будущем планируется расширение базы знаний, а также адаптация метода для задач семантической сегментации и трекинга объектов.

1. Edozie E., Shuaibu A.N., John U.K., Sadiq B.O. Comprehensive review of recent developments in visual object detection based on deep learning // Artificial Intelligence Review. 2025 V. 58. N 9. P. 277. https://doi.org/10.1007/s10462-025-11284-w

2. Yudin D., Zakharenko N., Smetanin A., Filonov R., Kichik M., Kuznetsov V., et al. Hierarchical waste detection with weakly supervised segmentation in images from recycling plants // Engineering Applications of Artificial Intelligence. 2024. V. 128. P. 128. https://doi.org/10.1016/j.engappai.2023.107542

3. Alyari F., Navimipour N.J. Recommender systems: a systematic review of the state of the art literature and suggestions for future research // Kybernetes. 2018. V. 47. N 5. P. 985–1017. https://doi.org/10.1108/K-06-2017-0196

4. Feurer M., Klein A., Eggensperger K., Springenberg J.T., Blum M., Hutter F. Efficient and robust automated machine learning // Proc. of the 29th International Conference on Neural Information Processing Systems Systems. 2015. V. 2. P. 2755–2763.

5. Bhanuse R., Mal S. A Systematic Review: deep learning based E-Learning Recommendation System // Proc. of the International Conference on Artificial Intelligence and Smart Systems (ICAIS). 2021. P. 190–197. https://doi.org/10.1109/icais50930.2021.9395835

6. Samin H., Azim T. Knowledge based recommender system for academia using machine learning: a case study on higher education landscape of Pakistan // IEEE Access. 2019. V. 7. P. 67081–67093. https://doi.org/10.1109/ACCESS.2019.2912012

7. Rivolli A., Garcia L.P.F., Soares C., Vanschoren J., de Carvalho A.C.P.L.F. Characterizing classification datasets: a study of meta-features for meta-learning // arXiv. 2018. arXiv:1808.10406v2. https://doi.org/10.48550/arXiv.1808.10406

8. Okezie Ben-John. Beyond Accuracy: Understanding Precision and Recall in Machine Learning. [Электронный ресурс]. URL: https://benjohnokezie.medium.com/beyond-accuracy-understandingprecision-and-recall-in-machine-learning-9a07db9bc46c (дата обращения: 20.07.2025)

9. Gao X., Luo H., Wang Q., Zhao F., Ye L., Zhang Y. A human activity recognition algorithm based on stacking denoising autoencoder and lightGBM // Sensors. 2019. V. 19. N 4. P. 947. https://doi.org/10.3390/s19040947

10. Salehin I., Islam M.S., Saha P., Noman S.M., Tuni A., Hasan M.M., Baten M.A. AutoML: A systematic review on automated machine learning with neural architecture search // Journal of Information and Intelligence. 2024. V. 2. N 1. P. 52–81. https://doi.org/10.1016/j.jiixd.2023.10.002

11. Wu B.K. K-means clustering algorithm and Python implementation // Proc. of the IEEE International Conference on Computer Science, Artificial Intelligence and Electronic Engineering (CSAIEE). 2021. P. 55–59. https://doi.org/10.1109/csaiee54046.2021.9543260

12. Manoju T., Sajeev G.P. Conductivity based agglomerative spectral clustering for community detection // Proc. of the 6th International Conference on Image Information Processing (ICIIP). 2021. P. 385–389. https://doi.org/10.1109/iciip53038.2021.9702554

13. Dorogush A.V., Ershov V., Gulin A. CatBoost: gradient boosting with categorical features support // arXiv. 2018. arXiv:1810.11363v1. https://doi.org/10.48550/arXiv.1810.11363

14. Mollas I., Bassiliades N., Tsoumakas G. Conclusive local interpretation rules for random forests // Data Mining and Knowledge Discovery. 2022. V. 36. N 4. P. 1521–1574. https://doi.org/10.1007/s10618-022-00839-y

15. Chelmis C., Qi W. Hierarchical MultiClass AdaBoost // Proc. of the IEEE International Conference on Big Data. 2021. P. 5063–5070. https://doi.org/10.1109/bigdata52589.2021.9671291

16. Singh G., Sachan M. Multi-layer perceptron (MLP) neural network technique for offline handwritten Gurmukhi character recognition // Proc. of the IEEE International Conference on Computational Intelligence and Computing Research. 2014. P. 1–5. https://doi.org/10.1109/iccic.2014.7238334

17. Alkentar S.M., Alsahwa B., Assalem A., Karakolla D. Practical comparation of the accuracy and speed of YOLO, SSD and Faster RCNN for drone detection // Journal of Engineering. 2021. V. 27. N 8. P. 19–31. https://doi.org/10.31026/j.eng.2021.08.02

18. Diwan T., Anirudh G., Tembhurne J.V. Object detection using YOLO: challenges, architectural successors, datasets and applications // Multimedia Tools and Applications. 2023. V. 82. N 6. P. 9243–9275. https://doi.org/10.1007/s11042-022-13644-y

19. Chen X.Q., Zhang Q.Y., Lin M.H., Yang G.Y., He C. No-reference color image quality assessment: from entropy to perceptual quality // EURASIP Journal on Image and Video Processing. 2019. V. 2019. N 1. P. 77. https://doi.org/10.1186/s13640-019-0479-7