Object Detection and classification in Image using yolo and CNN / Zineddine Ahmed Ouaret

Public ISBD Titre : Object Detection and classification in Image using yolo and CNN Type de document : document électronique Auteurs : Zineddine Ahmed Ouaret ; Seif Eddine Haddad, Auteur ; Fella Berrimi, Directeur de thèse Editeur : Setif:UFA Année de publication : 2025 Importance : 1 vol (53 f .) Format : 29 cm Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Artificial Intelligence Image Classification Object Detection YOLOv8 OpenCV Index. décimale : 004 Informatique Résumé : This project applies artificial intelligence (AI) and deep learning techniques for image classification (using convolutional neural networks) and object detection (YOLOv8). Models were trained and evaluated using datasets with 4–6 categories, and assessed through metrics like accuracy and confusion matrices. Real-world applications include license plate recognition and solar panel detection. Tools such as OpenCV and PyTesseract yielded accurate and fast results for automated visual analysis systems. Note de contenu : Sommaire Contents List of Figures List of Tables Generale Introduction 1 1 state of the art 3 1.1 object detection and classification in AI . . . . . . . . . . . . . . . . 4 1.1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.1.2 Importance in Modern Applications . . . . . . . . . . . . . . . . . . . 5 1.1.3 The Importance of Deep Learning in Object Detection . . . . . . . . . 5 1.2 Object Detection and Deep Learning . . . . . . . . . . . . . . . . . . . 6 1.3 Disadvantages and Advantages of Object Detection . . . . . . . . . 6 1.3.1 1.4 How Deep Learning Object Detection Algorithms Work . . . . . . 7 1.4 Top Image Detection Algorithms in Use . . . . . . . . . . . . . . . . . 7 1.5 How to Compare Image Detection Algorithms . . . . . . . . . . . . . 8 1.6 Deep Learning Object Detection Use Cases and Applications . . . 9 1.6.1 Object Detection in Retail . . . . . . . . . . . . . . . . . . . . . . . . . 10 1.7 Most Popular Object Detection Algorithms . . . . . . . . . . . . . . 10 1.7.1 YOLO – You Only Look Once . . . . . . . . . . . . . . . . . . . . . . 11 1.7.2 SSD – Single-Shot Detector . . . . . . . . . . . . . . . . . . . . . . . . 11 1.7.3 R-CNN – Region-Based Convolutional Neural Networks . . . . . . . . 12 1.7.4 Mask R-CNN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.7.5 SqueezeDet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.7.6 MobileNet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.7.7 YOLOR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.8 Advancing Object Detection (The Next Frontier in Deep Learning) 14 1.9 Understanding Classification in Machine Learning . . . . . . . . . 14 1.9.1 Machine Learning Classification Explained . . . . . . . . . . . . . . . 14 1.9.2 Lazy Learners Vs. Eager Learners . . . . . . . . . . . . . . . . . . . . 15 1.9.3 Machine Learning Classification Vs. Regression . . . . . . . . . . . . . 15 1.9.4 Examples of Machine Learning Classification in Real Life . . . . . . . 15 1.9.5 Different Types of Classification Tasks in Machine Learning . . . . . . 16 1.9.5.1 Multi-Class Classification . . . . . . . . . . . . . . . . . . 16 1.9.6 One-versus-one . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 1.9.7 One-versus-rest . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 1.9.7.1 Multi-Label Classification . . . . . . . . . . . . . . . . . . 19 1.10 A Comparative Analysis of Image Classification and Object Detection Techniques . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 1.10.1 Image Classification . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 1.10.2 Object Localization: . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 1.10.3 Object Detection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 1.10.4 Comparison Between Image Classification, Localization, and Detection 20 1.11 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2 object detection and classification methods 21 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.2 Object detection with deep learning . . . . . . . . . . . . . . . . . . . 22 2.2.1 Methods and Algorithms . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.2.1.1 One-Stage Object Detectors . . . . . . . . . . . . . . . . . 23 2.2.1.2 Two-Stage Object Detectors: The R-CNN Family . . . . 25 2.3 Detection Methods Classification . . . . . . . . . . . . . . . . . . . . 27 2.3.1 Classification by Task . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 2.3.2 Classification by Technique . . . . . . . . . . . . . . . . . . . . . . . . 27 2.3.3 Classification by Architecture . . . . . . . . . . . . . . . . . . . . . . 28 2.4 Fundamental Deep Learning Classification Methods . . . . . . . . 28 2.5 Advanced Techniques for Classification . . . . . . . . . . . . . . . . 29 2.5.1 Transfer Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 2.5.2 Few-Shot Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 2.5.3 Explainability . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 2.6 Task-Specific Classification Methods . . . . . . . . . . . . . . . . . . 30 2.6.1 Binary Classification . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 2.6.2 Multi-Class Classification . . . . . . . . . . . . . . . . . . . . . . . . . 30 2.6.3 Multi-Label Classification . . . . . . . . . . . . . . . . . . . . . . . . 30 2.7 Applications and Datasets . . . . . . . . . . . . . . . . . . . . . . . . . 30 2.7.1 Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 2.7.2 Benchmark Datasets . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 2.8 Classification Methods in Machine Learning . . . . . . . . . . . . . 31 2.8.1 Classification by Learning Paradigm . . . . . . . . . . . . . . . . . . . 31 2.8.2 Advanced Techniques . . . . . . . . . . . . . . . . . . . . . . . . . . 31 2.9 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 3 From Theory to Practice (Implementation) 33 3.1 Detection based YOLO8 . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 3.1.1 definition of YOLOv8 : . . . . . . . . . . . . . . . . . . . . . . . . . 34 3.1.2 Development of YOLOv8 : . . . . . . . . . . . . . . . . . . . . . . . 34 3.1.3 YOLOv8 Architectur . . . . . . . . . . . . . . . . . . . . . . . . . . 35 3.1.3.1 In-Depth Analysis of the YOLOv8 Architecture . . . . . 35 3.1.4 Tools Used for Our Implementation . . . . . . . . . . . . . . . . . . . 36 3.1.5 Model Variants and Capabilities . . . . . . . . . . . . . . . . . . . . . 38 3.1.6 Practical Applications of YOLOv8 . . . . . . . . . . . . . . . . . . . . 39 3.1.7 Code Description . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 3.2 Classification Based CNN . . . . . . . . . . . . . . . . . . . . . . . . . . 41 3.2.1 The importance of CNNs . . . . . . . . . . . . . . . . . . . . . . . . . 41 3.2.2 Key Components of a CNN . . . . . . . . . . . . . . . . . . . . . . . 42 3.2.3 Deep Learning Frameworks for CNNs . . . . . . . . . . . . . . . . . 44 3.2.4 CNN-Based Image Classification Model (Code Overview)) . . . . . . . 45 3.2.4.1 Setup of the Development Environment for the CNN Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 3.2.4.2 Dataset Description . . . . . . . . . . . . . . . . . . . . . 46 3.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50 Generale Conclusion 51 Bibliography 52 Côte titre : MAI/1059 Object Detection and classification in Image using yolo and CNN [document électronique] / Zineddine Ahmed Ouaret ; Seif Eddine Haddad, Auteur ; Fella Berrimi, Directeur de thèse . - [S.l.] : Setif:UFA, 2025 . - 1 vol (53 f .) ; 29 cm. Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Artificial Intelligence Image Classification Object Detection YOLOv8 OpenCV Index. décimale : 004 Informatique Résumé : This project applies artificial intelligence (AI) and deep learning techniques for image classification (using convolutional neural networks) and object detection (YOLOv8). Models were trained and evaluated using datasets with 4–6 categories, and assessed through metrics like accuracy and confusion matrices. Real-world applications include license plate recognition and solar panel detection. Tools such as OpenCV and PyTesseract yielded accurate and fast results for automated visual analysis systems. Note de contenu : Sommaire Contents List of Figures List of Tables Generale Introduction 1 1 state of the art 3 1.1 object detection and classification in AI . . . . . . . . . . . . . . . . 4 1.1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.1.2 Importance in Modern Applications . . . . . . . . . . . . . . . . . . . 5 1.1.3 The Importance of Deep Learning in Object Detection . . . . . . . . . 5 1.2 Object Detection and Deep Learning . . . . . . . . . . . . . . . . . . . 6 1.3 Disadvantages and Advantages of Object Detection . . . . . . . . . 6 1.3.1 1.4 How Deep Learning Object Detection Algorithms Work . . . . . . 7 1.4 Top Image Detection Algorithms in Use . . . . . . . . . . . . . . . . . 7 1.5 How to Compare Image Detection Algorithms . . . . . . . . . . . . . 8 1.6 Deep Learning Object Detection Use Cases and Applications . . . 9 1.6.1 Object Detection in Retail . . . . . . . . . . . . . . . . . . . . . . . . . 10 1.7 Most Popular Object Detection Algorithms . . . . . . . . . . . . . . 10 1.7.1 YOLO – You Only Look Once . . . . . . . . . . . . . . . . . . . . . . 11 1.7.2 SSD – Single-Shot Detector . . . . . . . . . . . . . . . . . . . . . . . . 11 1.7.3 R-CNN – Region-Based Convolutional Neural Networks . . . . . . . . 12 1.7.4 Mask R-CNN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.7.5 SqueezeDet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.7.6 MobileNet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.7.7 YOLOR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.8 Advancing Object Detection (The Next Frontier in Deep Learning) 14 1.9 Understanding Classification in Machine Learning . . . . . . . . . 14 1.9.1 Machine Learning Classification Explained . . . . . . . . . . . . . . . 14 1.9.2 Lazy Learners Vs. Eager Learners . . . . . . . . . . . . . . . . . . . . 15 1.9.3 Machine Learning Classification Vs. Regression . . . . . . . . . . . . . 15 1.9.4 Examples of Machine Learning Classification in Real Life . . . . . . . 15 1.9.5 Different Types of Classification Tasks in Machine Learning . . . . . . 16 1.9.5.1 Multi-Class Classification . . . . . . . . . . . . . . . . . . 16 1.9.6 One-versus-one . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 1.9.7 One-versus-rest . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 1.9.7.1 Multi-Label Classification . . . . . . . . . . . . . . . . . . 19 1.10 A Comparative Analysis of Image Classification and Object Detection Techniques . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 1.10.1 Image Classification . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 1.10.2 Object Localization: . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 1.10.3 Object Detection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 1.10.4 Comparison Between Image Classification, Localization, and Detection 20 1.11 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2 object detection and classification methods 21 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.2 Object detection with deep learning . . . . . . . . . . . . . . . . . . . 22 2.2.1 Methods and Algorithms . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.2.1.1 One-Stage Object Detectors . . . . . . . . . . . . . . . . . 23 2.2.1.2 Two-Stage Object Detectors: The R-CNN Family . . . . 25 2.3 Detection Methods Classification . . . . . . . . . . . . . . . . . . . . 27 2.3.1 Classification by Task . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 2.3.2 Classification by Technique . . . . . . . . . . . . . . . . . . . . . . . . 27 2.3.3 Classification by Architecture . . . . . . . . . . . . . . . . . . . . . . 28 2.4 Fundamental Deep Learning Classification Methods . . . . . . . . 28 2.5 Advanced Techniques for Classification . . . . . . . . . . . . . . . . 29 2.5.1 Transfer Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 2.5.2 Few-Shot Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 2.5.3 Explainability . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 2.6 Task-Specific Classification Methods . . . . . . . . . . . . . . . . . . 30 2.6.1 Binary Classification . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 2.6.2 Multi-Class Classification . . . . . . . . . . . . . . . . . . . . . . . . . 30 2.6.3 Multi-Label Classification . . . . . . . . . . . . . . . . . . . . . . . . 30 2.7 Applications and Datasets . . . . . . . . . . . . . . . . . . . . . . . . . 30 2.7.1 Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 2.7.2 Benchmark Datasets . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 2.8 Classification Methods in Machine Learning . . . . . . . . . . . . . 31 2.8.1 Classification by Learning Paradigm . . . . . . . . . . . . . . . . . . . 31 2.8.2 Advanced Techniques . . . . . . . . . . . . . . . . . . . . . . . . . . 31 2.9 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 3 From Theory to Practice (Implementation) 33 3.1 Detection based YOLO8 . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 3.1.1 definition of YOLOv8 : . . . . . . . . . . . . . . . . . . . . . . . . . 34 3.1.2 Development of YOLOv8 : . . . . . . . . . . . . . . . . . . . . . . . 34 3.1.3 YOLOv8 Architectur . . . . . . . . . . . . . . . . . . . . . . . . . . 35 3.1.3.1 In-Depth Analysis of the YOLOv8 Architecture . . . . . 35 3.1.4 Tools Used for Our Implementation . . . . . . . . . . . . . . . . . . . 36 3.1.5 Model Variants and Capabilities . . . . . . . . . . . . . . . . . . . . . 38 3.1.6 Practical Applications of YOLOv8 . . . . . . . . . . . . . . . . . . . . 39 3.1.7 Code Description . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 3.2 Classification Based CNN . . . . . . . . . . . . . . . . . . . . . . . . . . 41 3.2.1 The importance of CNNs . . . . . . . . . . . . . . . . . . . . . . . . . 41 3.2.2 Key Components of a CNN . . . . . . . . . . . . . . . . . . . . . . . 42 3.2.3 Deep Learning Frameworks for CNNs . . . . . . . . . . . . . . . . . 44 3.2.4 CNN-Based Image Classification Model (Code Overview)) . . . . . . . 45 3.2.4.1 Setup of the Development Environment for the CNN Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 3.2.4.2 Dataset Description . . . . . . . . . . . . . . . . . . . . . 46 3.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50 Generale Conclusion 51 Bibliography 52 Côte titre : MAI/1059

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/1059	MAI/1059	Mémoire	Bibliothèque des sciences	Anglais	Disponible Disponible

---

1 (1 - 1 / 1)