Abstract
В статті проведено дослідження та порівняння алгоритмів FASTER-RCNN, YOLO, SSD та R-FCN. що необхідні для створення ефективної інтелектуальної системи виявлення об'єктів у режимі реального часу. Здійснено оцінку алгоритмів Precision, recall, F1-score, mAP та часу на виведення за показниками ефективності на основі тестового набору даних. Визначено, що модель глибокого навчання YOLOv5 має високі точність та швидкість обробки даних, що дозволяє її застосовувати в області комп'ютерного зору та штучного інтелекту для інтелектуальної системи виявлення об'єктів. Розроблено модель для системи виявлення та класифікації об'єктів (транспортних засобів) у відеопотоці даних на основі глибинного навчання. Використано модель нейронної мережі YOLOv5. Проведено експериментальні дослідження навченої моделі. Наведено отримані як графічні і табличні результати досліджень, так і скріншоти роботи навченої моделі з відеопотоком даних.