Επανεκπαίδευση μοντέλων YOLO για ανίνχευση ατόμων σε
περιβάλλον Edge AI

Μπούμπαλος, Νεκτάριος; Mpoumpalos, Nektarios

dc.contributor.author	Μπούμπαλος, Νεκτάριος	el
dc.contributor.author	Mpoumpalos, Nektarios	en
dc.date.accessioned	2025-12-23T11:30:50Z
dc.date.available	2025-12-23T11:30:50Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/63110
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.30806
dc.relation	info:eu-repo/grantAgreement/EC/HORIZON-EUROPE/101073910	el
dc.rights	Default License
dc.subject	YOLO	el
dc.subject	επανεκπαίδευση μοντέλων	el
dc.subject	εντοπισμός ατόμων	el
dc.subject	Edge AI	el
dc.subject	αξιολόγηση μοντέλου	el
dc.subject	Edge AI	en
dc.subject	person detection	en
dc.subject	model evaluation	en
dc.subject	model retraining	en
dc.title	Επανεκπαίδευση μοντέλων YOLO για ανίνχευση ατόμων σε περιβάλλον Edge AI	el
heal.type	bachelorThesis
heal.classification	Τεχνητή νοημοσύνη	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2025-10-31
heal.abstract	Η παρούσα διπλωματική εργασία εστιάζει στην επανεκπαίδευση μοντέλων YOLO βάσει δύο διακριτών πειραματικών σεναρίων, με στόχο την ανάπτυξη συστήματος εντοπισμού έκνομων επιβατών στην οροφή κινούμενων συρμών σε πραγματικό χρόνο, σε περιβάλλον Edge AI. Τα δύο σενάρια διαφοροποιούνται τόσο ως προς το μέγεθος και την ποικιλία των χρησιμοποιούμενων συνόλων δεδομένων, όσο και ως προς την παραμετροποίηση της διαδικασίας επανεκπαίδευσης, επιτρέποντας τη διερεύνηση της επίδρασής τους στην απόδοση και τη γενικευσιμότητα των μοντέλων σε πραγματικές συνθήκες λειτουργίας. Παράλληλα, πραγματοποιείται η δημιουργία εξειδικευμένου dataset από εναέρια δεδομένα και παρουσιάζεται μεθοδολογία ημιαυτόματης επισημείωσης, η οποία αξιοποιείται για την αποτελεσματική και ταχεία παραγωγή αξιόπιστων δεδομένων εκπαίδευσης.	el
heal.abstract	7 Abstract This thesis focuses on the retraining of YOLO models based on two distinct experimental scenarios, aiming at the development of a real-time system for detecting unauthorized passengers on the roof of moving trains within an Edge AI environment. The two scenarios differ both in the size and diversity of the datasets used, as well as in the parameterization of the retraining process, allowing for the investigation of their impact on model performance and generalization in real operational conditions. Additionally, a specialized dataset is constructed from aerial video data, and a semi-automatic annotation methodology is presented, which is employed to enable efficient and rapid production of reliable training data.	en
heal.advisorName	Τσανάκας, Παναγιώτης
heal.committeeMemberName	Τσανάκας, Παναγιώτης
heal.committeeMemberName	Ματσόπουλος, Γεώργιος
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας-Γεώργιος
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών.	el
heal.academicPublisherID	ntua
heal.fullTextAvailability	false