Bei Smart-Security geht es darum mit Cutting-Edge Technologien Sicherheit in Ihrem Zuhause zu schaffen! Daher geben wir uns nicht mit einer einfachen Sicherheitskamera zur \u00dcberwachung zufrieden, sondern erweitern diese mit Machine Learning um Objekte wie Menschen im Aufnahmebereich der Kamera zu erkennen. In diesem Blogeintrag geht es um die Auswahl einer passenden Erkennungsmethode.<\/p>\n\n\n\n
Zur Objekterkennung in Bildern und Videos gibt es verschiedene Methoden. In den mei\u00dften Objekterkennungsanwendungen werden heutzutage gr\u00f6\u00dftenteils Deep Neural Networks (DNNs)<\/a> genutzt. Optimal ist die Entwicklung eines auf den Anwendungsfall zugeschnittenen DNNs. Da sich dies jedoch als sehr zeit und ressourcen intensiv darstellt wurde sich f\u00fcr ein vortrainiertes DNN entschieden. F\u00fcr die Objekterkennung gibt es eine vielzahl von verwendbaren Algorithmen, unter Anderem Region Based Convolutional Neural Networks (R-CNN), Single Shot Detector (SSD) und You Only Look Once (YOLO). In den h\u00e4ufigsten F\u00e4llen werden Objekterkennungsalgorithmen auf starken CPUs, GPUs oder TPUs<\/a> ausgef\u00fchrt, bei dem Smart-Security Projekt soll die Objekterkennung jedoch auf einem relativ schwachen Raspberry-Pi erm\u00f6glicht werden. Daher ist es n\u00f6tig einen Objekterkennungsalgorithmus auszuw\u00e4hlen, der effizient auf einem Raspberry-Pi l\u00e4uft und trotzdem eine hohe Erkennungsgenauigkeit aufwei\u00dft. <\/p>\n\n\n\n Wir betrachten die folgenden drei, mit dem COCO-Dataset vortrainierten, Erkennungsalgorithmen MobileNet SSD<\/a>, SqueezeNet SSD<\/a> und YOLO v3<\/a>. In der folgenden Tabelle sind die Dauer f\u00fcr die Objekterkennung eines Bildes sowie die mean Average Precision (mAP) dargestellt.<\/p>\n\n\n\n F\u00fcr die Nutzung als Sicherheitskamera ist die Objekterkennung mit der YOLO-Methode nicht praktikabel, da die Berechnungsdauer f\u00fcr ein Bild zu hoch ist. Die Entscheidung zwischen dem MobileNet SSD und dem SqueezeNet SSD hingegen fallen knapper aus, das SqueezeNet SSD f\u00fchrt die Objekterkennung in der Regel schneller aus als das MobileNet SSD, wei\u00dft jedoch eine geringe mAP auf. Damit wenige Fehlalarme ausgel\u00f6st werden haben wir uns f\u00fcr das MobileNet SSD entschieden, da dieses die h\u00f6here mAP als das SqueezeNet SSD aufweist. Hierbei ist die l\u00e4ngere Berechnungsdauer von 0,8 Sekunden zu vernachl\u00e4ssigen, da Einbrecher oder unbefugte Personen sich mei\u00dft l\u00e4nger als eine Sekunde im Aufnahmebereich der Kamera aufhalten.<\/p>\n","protected":false},"excerpt":{"rendered":" Bei Smart-Security geht es darum mit Cutting-Edge Technologien Sicherheit in Ihrem Zuhause zu schaffen! Daher geben wir uns nicht mit einer einfachen Sicherheitskamera zur \u00dcberwachung zufrieden, sondern erweitern diese mit Machine Learning um Objekte wie Menschen im Aufnahmebereich der Kamera<\/p>\n","protected":false},"author":3,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":[],"categories":[9],"tags":[23],"_links":{"self":[{"href":"https:\/\/www.iot-embedded.de\/iot-2021\/wp-json\/wp\/v2\/posts\/374"}],"collection":[{"href":"https:\/\/www.iot-embedded.de\/iot-2021\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.iot-embedded.de\/iot-2021\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.iot-embedded.de\/iot-2021\/wp-json\/wp\/v2\/users\/3"}],"replies":[{"embeddable":true,"href":"https:\/\/www.iot-embedded.de\/iot-2021\/wp-json\/wp\/v2\/comments?post=374"}],"version-history":[{"count":8,"href":"https:\/\/www.iot-embedded.de\/iot-2021\/wp-json\/wp\/v2\/posts\/374\/revisions"}],"predecessor-version":[{"id":416,"href":"https:\/\/www.iot-embedded.de\/iot-2021\/wp-json\/wp\/v2\/posts\/374\/revisions\/416"}],"wp:attachment":[{"href":"https:\/\/www.iot-embedded.de\/iot-2021\/wp-json\/wp\/v2\/media?parent=374"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.iot-embedded.de\/iot-2021\/wp-json\/wp\/v2\/categories?post=374"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.iot-embedded.de\/iot-2021\/wp-json\/wp\/v2\/tags?post=374"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}Erkennungsalgorithmus<\/td> Erkennungsdauer eines Bildes auf dem Raspberry Pi 4 B<\/td> mean Average Precision (mAP)<\/td><\/tr> MobileNet SSD<\/td> ca. 0,8 Sekunden<\/td> 72,7<\/td><\/tr> SqueezeNet SSD<\/td> ca. 0,67 Sekunden<\/td> 64,3<\/td><\/tr> YOLO v3<\/td> 11-14 Sekunden<\/td> 51,5<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n