Tekoälyn opettaminen synteettisellä ja itse kerätyllä aineistolla

Abstract

Opinnäytetyössä tutkittiin tekoälyn oppimista synteettisellä sekä itse kerätyllä aineistolla. Tavoitteena oli selvittää, miten tekoälyn oppiminen ja sen tulokset eroavat eri aineistojen välillä. Tutkimus suoritettiin kokeellisena tutkimuksena, jossa verrattiin eri aineistojen vaikutusta tekoälyn oppimiseen. Aineistot kerättiin kamerapuhelimen kameran ja Unreal Engine 5 -pelimoottorin avulla.

Tärkeä osa tekoälyn opettamista oli kerätyn aineiston pohjalta suoritettu kuvien merkitseminen. Tämän jälkeen tekoälyä opetettiin molemmilla aineistoilla käyttäen YOLOv5-objektintunnistusmenetelmää.

Molemmat menetelmät osoittivat hyviä tuloksia tekoälyn oppimisessa. Tuloksista voidaan kuitenkin päätellä vielä nykyään todellisen datan tarjoavan hieman tehokkaampaa oppimista. Menetelmän valinta voi kuitenkin riippua resursseista ja tarpeista.

Opinnäytetyön avulla saadaan hyödyllistä tietoa tekoälyn opettamisesta eri aineistoilla ja se auttaa ymmärtämään, miten tekoälyä voidaan hyödyntää tehokkaasti. Tulosten perusteella tekoälyn opettamista voidaan kehittää ja soveltaa käytännön ongelmiin. On tärkeää jatkaa tutkimuksia, jotta tulevaisuudessa voidaan hyödyntää tekoälyn potentiaalia entistä tehokkaammin.

The aim of this thesis study was to investigate the learning of artificial intelligence using both synthetic and self-collected data. The goal was to examine how the learning process and its outcomes differ between different types of data.

The research was conducted through an experimental study, in which the impact of different datasets on AI learning were compared. The data was collected using the camera of a mobile phone and the Unreal Engine 5 game engine. Based on the collected data, image labeling was performed, which played an important role in teaching the AI. After that the AI was trained using the YOLOv5 object detection method on both datasets. Both methods yielded promising results in AI learning. However, the results suggest that real-world data currently provides slightly more efficient learning. The choice between datasets may depend on available resources and specific needs.

This thesis provides valuable insights into teaching AI with different datasets and contributes to a better understanding of how AI can be effectively utilized. The findings can guide future development and application of AI in practical problem-solving scenarios. Continuation of research in this field is crucial to fully harness the potential of AI in the future.