Date of Award

11-2023

Document Type

Thesis

Degree Name

Master of Science in Software Engineering

Department

Computer Science and Software Engineering

First Advisor

Dr. Munkhjargal Gochoo

Abstract

The dress code violation detection system is crucial for assessing clothing appropriateness in public areas. This study aims to improve this system using advanced computer vision and machine learning techniques to more effectively categorize people's attire in images and videos. To enhance adaptability and create a user-friendly graphical interface for system management and deployment, we have generated a unique dataset from various contexts mix of Western and Arabic clothing. This allows users to interact with graphical components, including the ability to upload images or use live video for clothing detection. Moreover, we have taken privacy concerns into account and implemented robust privacy measures. For this research, we utilized data from the DeepFashion dataset, the People Segment Dataset, and various web sources. Specifically for clothing detection, we've made a significant contribution by creating a labeled dataset containing 1520 images representing diverse clothing styles. You can access this Dress Code dataset publicly through [https://github.com/Maha411S/DressCode.git]. We conducted a systematic review of dress code identification using the latest YOLOv8 machine learning model to distinguish between proper and improper clothing choices. To annotate images and define bounding boxes, we used the Computer Vision Annotation Tool (CVAT) and then trained the dataset using YOLOv8 in PyCharm and Google Colab. Our testing results showed an F1-score of 0.83 and an mAP of 0.84. The system is capable of identifying appropriate and inappropriate attire, whether through camera inputs or image uploads, powered by the latest YOLOv8 model. These findings underscore the technology's potential to redefine dress code enforcement and monitoring, providing a more efficient and accurate means of ensuring compliance.

Arabic Abstract

الكشف عن مخالفات قواعد اللباس في المناطق العربية باستخدام نموذج التعلم الآلي لكشف الأشياء

يعد نظام الكشف عن مخالفات قواعد اللباس تطبيقا أساسيًا يجب مراعاته لتقييم وتحديد الملابس المناسبة وغير المناسبة في الأماكن العامة. تهدف هذه الدراسة إلى تطوير طريقة فعالة لتحسين نظام قواعد اللباس الذي يستفيد من تقنيات رؤية الحاسوب المتقدمة وخوارزميات التعلم الآلي لمعالجة هذه المشكلات. لتعزيز القدرة على التكيف وإنشاء واجهة رسومية سهلة الاستخدام لإدارة النظام ونشره، قمنا بإنشاء مجموعة بيانات فريدة من مزيج سياقات مختلفة من الملابس الغربية والعربية. يتيح ذلك للمستخدمين التفاعل مع المكونات الرسومية، بما في ذلك القدرة على تحميل الصور أو استخدام الفيديو المباشر للكشف عن الملابس. علاوة على ذلك، تم دمج تدابير خصوصية قوية لمعالجة مراقبة مخاوف المستخدم في هذا التقرير المحدد، تم استخدام مجموعة بيانات Deep Fashion ومجموعة بيانات شريحة الأشخاص والصور من مواقع الويب المختلفة. قدمنا مساهمة كبيرة للمشروع من خلال إنشاء مجموعة بيانات مصنفة تحتوي على 1520 صورة تمثل أنماط ملابس متنوعة. يمكن الوصول إلى مجموعة بيانات قواعد اللباس هذه بشكل عام على [https://github.com/Maha411S/DressCode.git]. لقد أجرينا مراجعة منهجية لتحديد قواعد اللباس باستخدام نموذج التعلم الآلي YOLOv8 الحديث للتعرف على خيارات الملابس المناسبة وغير المناسبة. لتعليق الصور وتحديد المربعات المحيطة، تم تنفيذ أداة CVAT (أداة التعليق التوضيحي لرؤية الحاسوب) ومن ثم تدريب مجموعة البيانات باستخدام YOLOv8 في PyCharm و Google Collab. أظهرت نتائج الاختبار لدينا درجة F1 تبلغ 0.83 و mAP تبلغ 0.84 النظام قادر على تحديد الملابس المناسبة وغير المناسبة من خلال إدخالات الكاميرا وتحميل الصور، مدعومًا بأحدث طراز YOLOv8 . تسلط هذه النتائج الضوء على قدرة التكنولوجيا على إعادة تعريف إنفاذ ومراقبة قواعد اللباس، مما يوفر وسيلة أكثر كفاءة ودقة لضمان الامتثال.

Download
COinS