Streszczenie:
Podsumowując, projekt spełnił wszystkie postawione założenia i działa w
zaplanowany od początku sposób. Wymagania wytłuszczone na początku zostały
zaimplementowane. Aplikacja poprawnie rozpoznaje twarze przy użyciu nauczania
maszynowego oraz adekwatnie zmienia wygląd deski rozdzielczej. Co więcej, wszystkie
problemy napotkane po drodze zostały rozwikłane. Rozwiązanie napisane jest w taki sposób, aby łatwo można było je ulepszyć.
Model działa poprawnie, o czym świadczą wyniki mean average precision opisane w
rozdziale 4.3 oraz wizualna reprezentacja pracy modelu na rysunku 4.7. Wynik na poziomie
80%, w porównaniu z innymi, podobnymi rozwiązaniami z literatury, pokazuje, iż model
wykrywa twarze nawet z większą precyzją [30].
Aplikacja, wraz z modelem, może być wykorzystywana w samochodach osobowych,
tak jak zostało to założone w celu pracy. Warto jednak zaznaczyć, iż jest to tylko prototyp
rozwiązania. Oznacza to, że kod wymagałby kilku zmian, tak aby był on możliwy do
integracji ze środowiskiem w samochodach.
Innym założeniem projektu było pogłębienie wiedzy w zakresie nauczania
maszynowego przez autora. Ten cel również został w pełni zrealizowany. Implementacja
różnych modeli detekcji twarzy oraz zdobyta wiedza na temat przeróżnych deep
learningowych frameworków, pozwoliła autorowi na zdobycie szerokiego doświadczenia w
tej dziedzinie. Praca oraz cała jej złożoność idealnie podsumowuje wiedzę zdobytą podczas
całych studiów magisterskich.
