В разделе объясняется, почему распознавание предметов относится к актуальным задачам компьютерного зрения и машинного обучения. Формулируются проблема, цель, задачи, объект и предмет проекта, а также описывается предполагаемый практический результат. Отдельно указывается, какие данные и критерии будут использованы для проверки качества модели.

Здесь рассматривается математическая модель искусственного нейрона, состоящая из входных сигналов, весов, смещения и функции активации. Объясняется, как отдельные нейроны объединяются в слои и как сеть преобразует входные значения в результат классификации. Теоретический материал подготавливает основу для понимания программной реализации.

Раздел посвящён тому, как цифровое изображение представляется в виде числового массива и какие признаки может анализировать модель. Описываются контуры, цвета, текстуры и пространственные связи между пикселями. Также объясняется различие между классификацией, обнаружением объекта и сегментацией изображения.

В пункте рассматриваются свёрточные, активационные и объединяющие слои, часто применяемые для анализа изображений. Поясняется, как фильтры выделяют локальные признаки, а последующие слои объединяют их в более сложные представления предметов. Обосновывается выбор упрощённой архитектуры для учебного эксперимента.

Здесь описываются требования к набору изображений, правила разметки и разделение данных на обучающую, проверочную и тестовую части. Рассматриваются нормализация, изменение размеров изображений, функция потерь, оптимизатор и количество эпох. Отдельно объясняется риск переобучения и способы его обнаружения.

Раздел знакомит с точностью, матрицей ошибок и долями правильных и неправильных предсказаний по каждому классу. Объясняется, почему одной общей точности недостаточно при неравном количестве примеров. Также перечисляются ограничения учебной модели: небольшой набор данных, чувствительность к фону и зависимость от качества фотографий.

В практической части описывается создание программы на Python с использованием библиотеки машинного обучения. Показывается порядок загрузки изображений, подготовки массивов, создания слоёв, запуска обучения и сохранения параметров модели. Предусматривается функция, которая принимает новое изображение и выводит наиболее вероятный класс.

В разделе приводится план проверки разработанного прототипа на изображениях, отсутствовавших в обучающей выборке. Результаты представляются в таблице и, при необходимости, на графиках изменения ошибки и точности по эпохам. Анализируются типичные ошибки, сравниваются классы и формулируются условия, при которых модель работает лучше или хуже.

В заключении обобщаются результаты эксперимента и проверяется выполнение поставленных задач. Указывается достигнутая точность, описываются сильные стороны прототипа и причины допущенных ошибок. Также формулируются возможные направления улучшения: расширение набора данных, настройка архитектуры, аугментация изображений и использование более мощных вычислительных ресурсов.

В разделе перечисляются учебники, научно-популярные материалы, официальная документация библиотек и проверенные электронные ресурсы, использованные при изучении нейронных сетей и разработке прототипа. Источники оформляются единообразно и позволяют проверить сведения о машинном обучении, архитектурах компьютерного зрения и методах оценки качества.