📉 YOLOv8 Robustness & Compression Analysis

Projekt Zaliczeniowy: Sygnały i Obrazy Cyfrowe Semestr: 3 (Informatyczne Systemy Automatyki)

Projekt badawczy mający na celu sprawdzenie odporności modelu detekcji obiektów (YOLOv8) na ekstremalną degradację sygnału wizyjnego. Narzędzie automatycznie szuka "punktu krytycznego" – najmniejszego rozmiaru pliku (w bajtach), przy którym obiekt jest nadal poprawnie klasyfikowany przez sztuczną inteligencję.

📊 Case Study: Test "Auta"

Parametr	Obraz Oryginalny	Obraz Przetworzony	Zmiana
Wizualizacja			-
Rozmiar pliku	2,95 MB	7,56 KB	📉 -99,75%
Pewność YOLO	0.94 (94%)	0.52 (52%)	📉 -0.42
Status	✅ Wykryto	✅ Wykryto	Sukces

Wniosek: Usunięcie ponad 99% informacji z pliku (szum, kolor, detale tekstury) wpłynęło na pewność algorytmu w stopniu marginalnym. Potwierdza to tezę, że modele wizyjne są odporne na degradację sygnału wysokoczęstotliwościowego.

🎓 Kontekst Akademicki

Projekt stanowi podsumowanie wiedzy zdobytej podczas laboratoriów z przedmiotu Sygnały i Obrazy Cyfrowe. Program integruje techniki przetwarzania sygnałów poznane w trakcie semestru:

• Interpolacja Obrazów: Wykorzystanie algorytmów (np. Bicubic) do skalowania obrazu (Downsampling).
• Przekształcenia Przestrzeni Barw: Analiza wpływu konwersji RGB -> Grayscale na skuteczność detekcji.
• Kompresja Stratna: Badanie wpływu kwantyzacji JPEG (Quality Factor) na utratę kluczowych cech obrazu.

🤖 AI-Assisted Development

Zgodnie z rekomendacją prowadzącego przedmiot, projekt był realizowany przy wsparciu Large Language Models (LLM). Modele GenAI pełniły rolę "wirtualnego asystenta" (Copilot) i były wykorzystywane do:

• Refaktoryzacji kodu i poprawy czytelności (Clean Code).
• Optymalizacji pętli przetwarzania obrazów.
• Analizy błędów biblioteki ultralytics.

To podejście pozwoliło na szybsze prototypowanie i skupienie się na analizie wyników (Signal Processing), zamiast na walce ze składnią.

⚙️ Metodyka Przetwarzania Sygnału

Zastosowany potok przetwarzania (pipeline) składa się z trzech etapów, dobranych tak, aby maksymalnie zredukować entropię pliku przy zachowaniu cech kluczowych dla sieci konwolucyjnych:

Krok I: Interpolacja (Skalowanie)

Wykorzystano metodę Najbliższego Sąsiada (Nearest-Neighbor).

• Dlaczego? Choć dla ludzkiego oka daje ona efekt "pikselozy", dla algorytmu jest optymalna – w przeciwieństwie do metod wygładzających (jak Bilinear), Nearest-Neighbor sztucznie wyostrza krawędzie i granice obiektów, co ułatwia detekcję kształtów przez YOLO.

Krok II: Estymacja (Przestrzeń Barw)

Konwersja RGB -> Grayscale.

• Teoria: Redukcja sygnału z trzech kanałów do jednego. Przy klasyfikacji obiektów (np. samochód, kot) kluczowa jest geometria i kontrast, a nie informacja o chrominancji (kolorze).

Krok III: Aproksymacja (Kompresja Stratna)

Agresywna kwantyzacja JPEG.

• Teoria: Algorytm traktuje obraz nie jako zbiór punktów, lecz jako superpozycję fal (transformata DCT). Dzieląc obraz na bloki, uśredniamy wartości ("zerujemy" wysokie częstotliwości odpowiadające za detale), zostawiając tylko główne składowe sygnału.

🛠️ Technologie

• Python 3.x
• OpenCV (cv2) – Operacje na macierzach, interpolacja, kompresja.
• Ultralytics YOLO – State-of-the-art Object Detection.
• NumPy – Obliczenia numeryczne.