Diplomová práce p. Medka se zabývá detekcí vozidel pro navazující trasování a detekci dopravních událostí (trasování a dopravní události nejsou předmětem práce), konkrétně na platformě Intel Atom x7433RE. Cílem je implementace metod detekce vozidla a RZ a ověření, jestli daná platforma je schopna v reálném čase zpracovat datový stream z kamery bez využití externího M.2 akcelerátoru.
Téma práce hodnotím jako středně náročné a s velkým přesahem do realizační části. Student pracoval samostatně, s minimem konzultací a korekcí navržených postupů. Bez pomoci oživil platformu včetně instalace OS, knihoven a vývojových nástrojů. Trénování probíhalo na externím počítači s výkonnou grafickou kartou, na embedded platformě pak byly testovány natrénované modely převedené do OpenVINO, a to jak s využitím čistě CPU prostředků, tak také na integrované grafice Intel Xe-LP.
Velkou část práce zajisté vzala anotace rozsáhlého datasetu, ač se student o této podstatné části v textu nezmiňuje. Celkově oceňuji praktickou stránku práce a samotné dosažené výsledky – detekce mAP50 s úspěšností přes 99% a nízkou výpočetní náročnost umožňující dosáhnout 20 FPS. Navíc i s přihlédnutím k nočním snímkům s velmi nízkým kontrastem.
Práci hodnotím jako zdařilé inženýrské dílo a doporučuji k obhajobě. Points proposed by supervisor: 85

Předložená diplomová práce se zabývá problematikou detekce vozidel a jejich registračních značek s využitím metod strojového učení a implementací navrženého řešení na embedded platformě Intel Atom x7433RE s integrovaným Intel GPU. Cílem práce bylo navrhnout a implementovat metody vhodné pro provoz v reálném čase a ověřit jejich použitelnost na zvolené hardwarové platformě.

Vlastní text práce o rozsahu přibližně 100 stran je rozdělen do šesti logicky navazujících kapitol. Úvodní kapitoly jsou věnovány problematice zpracování obrazu, strojového učení a přehledu vybraných algoritmů pro detekci objektů. Následuje přehled hardwarových akcelerátorů a jejich porovnání. Praktická část práce se zabývá návrhem metody rozpoznávání vozidel a registračních značek, trénováním modelů, jejich optimalizací pro prostředí OpenVINO a implementací výsledného řešení v jazyce Python a C++.

Autor zvolil korektní postup řešení a v práci prokázal schopnost samostatně pracovat s moderními nástroji strojového učení. Pozitivně hodnotím zejména rozsah provedených experimentů, porovnání více modelů neuronových sítí, jejich optimalizaci pro cílovou platformu a vytvoření funkční aplikace realizující celý řetězec zpracování obrazu od detekce pohybu až po rozpoznání registrační značky. Práce obsahuje značné množství prakticky odvedené práce a výsledné řešení je funkční.

Přes uvedené klady mám k práci několik výhrad.
Teoretická část práce je poměrně rozsáhlá a místy působí spíše jako obecný přehled problematiky zpracování obrazu a strojového učení. Řada popsaných metod segmentace, klasifikace či zpracování obrazu není v navrženém řešení dále využita, zatímco některým oblastem přímo souvisejícím s řešenou úlohou je věnován relativně malý prostor. Zejména postrádám hlubší rozbor problematiky rozpoznávání registračních značek a metod sledování objektů v obraze.

Významnější výhradu mám k metodice návrhu řešení. V práci chybí jasně definované systémové požadavky, ze kterých by následně vycházela jednotlivá konstrukční rozhodnutí. Není stanovena požadovaná minimální snímková frekvence, maximální přípustná latence zpracování, předpokládaná rychlost projíždějících vozidel ani požadovaná úspěšnost detekce a rozpoznávání. V práci je často vidět výsledné řešení, nikoliv úvahy a rozhodovací proces, které k němu vedly. Práce proto působí více jako dokumentace realizovaného řešení než jako návrh technického systému založený na definovaných požadavcích a jejich vyhodnocení.

Další připomínka se týká charakterizace cílové hardwarové platformy. Přestože je platforma Intel Atom x7433RE dána vedoucím práce, očekával bych, její podrobnější experimentální zhodnocení. V práci postrádám referenční benchmarky umožňující objektivně kvantifikovat výpočetní výkon procesoru a integrovaného GPU pro úlohy neuronových sítí. Autor sice provádí rozsáhlé porovnání jednotlivých modelů, avšak chybí zařazení dosažených výsledků do širšího kontextu běžně používaných embedded AI platforem. Vzhledem k dostupnosti publikovaných benchmarků modelů YOLO na platformách NVIDIA Jetson, Hailo či Coral TPU by postačovalo provést referenční měření na cílové platformě a výsledky porovnat s dostupnými daty. Práce tak charakterizuje použité modely, avšak pouze omezeně vypovídají o vlastnostech samotné cílové platformy.

Práce dále obsahuje několik technických nepřesností a zjednodušení při popisu použitých technologií. Místy dochází k nepřesnému používání odborné terminologie nebo k záměně vývojových prostředí, frameworků a operačních systémů. Tyto nedostatky nemají zásadní vliv na dosažené výsledky, avšak snižují odbornou úroveň textu. Dále se v práci objevují významnější stylistické a gramatické nedostatky.

Určitou nejasnost spatřuji také ve vztahu mezi názvem práce a jejím skutečným obsahem. Název práce používá pojem „trasování vozidel“, zatímco vlastní řešení je zaměřeno především na detekci vozidel a registračních značek. Problematika sledování objektů v čase  není v práci rozpracována a není zřejmé, jakým způsobem je řešena identifikace vozidel mezi jednotlivými snímky.

Přes uvedené připomínky práce splňuje všechny body zadání. Autor prokázal schopnost samostatně řešit technický problém, orientovat se v problematice strojového učení a implementovat funkční řešení na cílové embedded platformě. Topics for thesis defence:

1. V názvu práce je uvedeno „trasování vozidel“. Jakým způsobem je v navrženém řešení realizováno vlastní sledování vozidel mezi jednotlivými snímky a přiřazování identity objektům v čase?
2. Jaké systémové požadavky na minimální snímkovou frekvenci, latenci zpracování a rychlost projíždějících vozidel byly při návrhu systému uvažovány – např. kolik metrů ujede vozidlo za 1s, jaké je zorné pole kamery…?
3. Na základě jakých objektivních kritérií a výkonnostních metrik byla posuzována vhodnost platformy Intel Atom x7433RE pro řešenou úlohu? Bezesporu silným kritériem je požadavek vedoucího, nicméně i tak je dobré provést srovnání s ostatními systémy.
4. Proč nebyla provedena referenční benchmarková měření cílové platformy a jejich porovnání s běžně používanými embedded AI platformami?
5. Jaká byla úspěšnost samotného OCR systému při čtení registračních značek a jakým způsobem byla tato úspěšnost vyhodnocována?

Points proposed by reviewer: 72