Проверка моделей распознавания людей

Lesson-19/HomeWork/People_recognison/Readme.md

@@ -0,0 +1,76 @@
+# 🧠 Отчёт по сравнительному анализу моделей детекции людей
+
+## 1️⃣ Цель работы  
+Цель — провести сравнительную оценку трёх моделей детекции объектов (**YOLOv8**, **Faster R-CNN**, **RetinaNet**) для задачи распознавания людей в различных погодных и световых условиях.  
+
+Использовались два набора данных:
+- **rain_person** — одиночный человек под дождём;  
+- **rain_croud** — большое количество людей под дождём, сцена с низкой освещённостью.
+
+---
+
+## 2️⃣ Метрики оценки  
+Для анализа использовались следующие метрики:  
+- **Precision** — точность (доля правильно найденных объектов среди всех найденных).  
+- **Recall** — полнота (доля найденных объектов среди всех существующих).  
+- **F1-score** — гармоническое среднее Precision и Recall.  
+- **mAP@50** — средняя точность при пороге IoU = 0.5.
+
+---
+
+## 3️⃣ Результаты экспериментов  
+
+| Датасет       | Модель        | Precision | Recall | F1-score | mAP@50 |
+|----------------|----------------|------------|----------|-----------|----------|
+| **rain_croud** | YOLOv8         | 0.90 | 0.84 | 0.86 | 0.76 |
+| **rain_croud** | Faster R-CNN   | 0.74 | 0.90 | 0.80 | 0.74 |
+| **rain_croud** | RetinaNet      | 0.95 | 0.75 | 0.83 | 0.76 |
+| **rain_person** | YOLOv8         | 0.91 | 0.98 | 0.93 | 0.77 |
+| **rain_person** | Faster R-CNN   | 0.72 | 1.00 | 0.80 | 0.83 |
+| **rain_person** | RetinaNet      | 1.00 | 1.00 | 1.00 | 0.84 |
+
+---
+
+## 4️⃣ Анализ и обсуждение  
+
+### 👤 Датасет `rain_person`  
+Сцена — один человек под дождём.  
+- **RetinaNet** показала **идеальные результаты** (все метрики = 1.00), что говорит о высокой стабильности при распознавании одиночных объектов.  
+- **YOLOv8** также демонстрирует отличную точность (Precision = 0.91, Recall = 0.98).  
+- **Faster R-CNN** имеет высокую полноту (1.00), но немного уступает по точности.  
+
+✅ **Вывод:** RetinaNet — оптимальный выбор для задач, где требуется максимально точное и надёжное определение одного человека в кадре.
+
+---
+
+### 👥 Датасет `rain_croud`  
+Сцена — множество людей под дождём в условиях плохого освещения.  
+- **YOLOv8** показывает **наилучший баланс между Precision (0.90)** и **Recall (0.84)**.  
+- **RetinaNet** демонстрирует высокую точность (0.95), но снижает полноту до 0.75 — часть объектов не детектируется.  
+- **Faster R-CNN** уверенно находит большинство людей (Recall = 0.90), однако уступает по точности.  
+
+✅ **Вывод:** YOLOv8 — лучший вариант для многолюдных сцен и сложных погодных условий, обеспечивая устойчивое качество и скорость.
+
+---
+
+## 5️⃣ Сравнительная таблица итогов  
+
+| Сценарий | Оптимальная модель | Особенности |
+|-----------|---------------------|--------------|
+| Одиночный человек под дождём | **RetinaNet** | Абсолютная точность и стабильность |
+| Группа людей, тёмное время суток | **YOLOv8** | Оптимальный баланс между точностью и полнотой |
+| Максимальная полнота | **Faster R-CNN** | Находит почти все объекты, но создаёт ложные срабатывания |
+
+---
+
+## 6️⃣ Заключение  
+
+Результаты экспериментов показывают:
+- **YOLOv8** — универсальная и быстрая модель, устойчивая к шуму и плохому освещению.  
+- **RetinaNet** — лучшая для одиночных объектов, обеспечивает предельно высокую точность.  
+- **Faster R-CNN** — надёжная модель для задач, где важна высокая полнота, но требует фильтрации ложных срабатываний.  
+
+**Итоговое резюме:**  
+Для систем видеонаблюдения в дождливых условиях:
+- при **небольшом количестве людей** оптимальна **RetinaNet**;  
+- при **большом скоплении людей** — **YOLOv8**.