Potřebnou literaturu a metody student sám vyhledal a prostudoval. Na základě získaných znalostí a prvotních experimentů se zaměřil na využití segmentačního modelu OneFormer.

Práce byla dokončena v dostatečném předstihu a definitivní podoba technické zprávy byla přiměřeně konzultována.

Technická zpráva v celém svém rozsahu ukazuje na nepochopení základů zkoumané oblasti – která je ovšem velice náročná a složitá. V tomto případě by patrně bylo pro řešitele přístupnější pustit se do zadání méně náročného, které by ale dobře zvládl.

Technická zpráva neanalyzuje dobře skutečně důležité vlastnosti zkoumaného řešení – o co přesně při kontrole kvality při výrobě pneumatik jde a jaké informace by kontrolní systém měl poskytnout. V anotacích a při zpracování pracuje v systému pouze se symboly, které se vyskytují v obraze celé (obr. 3.2 a okolní text), což může být značnou vadou (a ukazuje na nepochopení problematiky).

Těžiště řešení pro studenta patrně bylo v implementačním řešení. To naznačuje, že největší detail je v kapitole 7: řešitel se potýkal s konverzemi anotačních formátů a ne tolik se samotným strojovým učením a jeho optimalizací.

Experimenty v kapitole 8 jsou značně neuspokojivé a neinterpretovatelné. Řešitel si neosvojil způsob, jakým způsobem jsou podobné systémy testované a jak jsou reportované jejich výsledky. Všechny grafy jsou pořízené jako screenshoty (patrně z W&B), které každou veličinu měří v závislosti na počtu kroků trénování. V experimentech chybí užitečná ablační studie, která by skutečně srovnala, jak se různé části řešení (obr 6.1) chovají a co přinášejí/kazí. Datová sada je malá a nejspíše pochází celá z práce předchozího studenta – řešitel této bakalářské práce k rozměru nebo kvalitě datové sady (bohužel) nepřispěl.

Trénování modelů probíhalo s velikostí dávky (batch size) 4 nebo 2 (první odstavec na straně 33), což ukazuje na hrozné nepochopení samotných základů strojového učení a dokonale to zpochybňuje všechna měření. Volba daleko skromnějšího, menšího modelu, který by umožnil "rozumné" parametry trénování, by patrně byla daleko vhodnější.

Řešitel vytvořil skripty pro strojové učení a kód pro převody formátu anotací datových sad. Pracoval s velice sofistikovanými a náročnými modely strojového učení. Na jednu stranu musel vynaložit množství energie na jejich zprovoznění a základní pochopení. Na druhou stranu provedená měření a experimenty ukazují, že pochopení je pouze částečné a základní a provedené experimenty nemají velkou cenu.

Některé důležité části řešení jsou v kódu přímo zakódovaná a neumožňují experimentování (například, původní obrázky se silně nestejným poměrem stran jsou při učení převedeny natvrdo do rozlišení 512×512 – včetně změny poměru stran – to je zásadní deformace, která nebyla testovaná a má neurčité konsekvence). Vytvořené experimentální výsledky byly zhusta dosaženy modifikováním skriptů, takže replikace experimentů je nemožná (nebo extrémně obtížná). 

Grafy s výsledky experimentů jsou pořízené jako screenshoty (patrně z W&B), nikoli s použitím vhodných knihoven pro vykreslování, čímž jsou experimenty opět obtížně replikovatelné.

Stupeň hodnocení: zadání splněno s vážnějšími výhradami

Podle zadání měl řešitel zkoumat možnosti self-supervised a unsupervised learning. Výsledné řešení ale používá existující datovou sadu předchozího studenta bez rozšíření a používá "klasické" učení s učitelem. Rozšíření je v tom, že dříve natrénovaný model dotrénovává na datech, kde jsou smíchané nové vzorky se starými daty; to ale není dobrá realizace záměru self/un-supervised learning.

Provedené experimenty také ukazují na základní nepochopení jádra prolematiky (která je však hodně náročná a přesahuje obvyklý rozsah bakalářského studia). Provedené experimenty jsou značně vadné a posuzovatel by se na jejich základě zdráhal dělat JAKÉKOLI závěry.

Řešená problematika je hodně složitá a při řešení se student musel zorientovat v náročné oblasti, která přesahuje běžný rámec bakalářského studia. V tomto případě byla složitost problematiky patrně nad možnosti řešitele a práce ukazuje na zásadní nepochopení samotných základů: jak modely fungují, jak se učí, jak reportovat jejich výsledky, co vlastně řešit.