kaz44Вестник Университета Шакарима. Серия технические наукиBulletin of Shakarim University. Technical Sciences2788-79953006-0524«Шәкәрім университеті» КеАҚ10.53360/2788-7995-2025-3(19)-11kaz44-1994Research ArticleАВТОМАТИЗАЦИЯ И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ (ОРИГИНАЛЬНАЯ СТАТЬЯ)AUTOMATION AND INFORMATION TECHNOLOGY (ORIGINAL ARTICLE)СРАВНИТЕЛЬНЫЙ АНАЛИЗ МОДЕЛЕЙ, ОСНОВАННЫХ НА GPT И СОБСТВЕННОЙ СОЗДАННОЙ НЕЙРОННОЙ СЕТИ В ЗАДАЧЕ ОБНАРУЖЕНИЯ ОБЪЕКТОВA COMPARATIVE ANALYSIS OF MODELS BASED ON GPT AND ITS OWN CREATED NEURAL NETWORK IN THE PROBLEM OF OBJECT DETECTIONhttps://orcid.org/0000-0001-9872-7483КурмашевИ. Г.KurmashevI.

Ильдар Гусманович Курмашев – PhD, ассоцированный профессор

150000, Республика Казахстан, г. Петропавловск, ул. Магжана Жумабаева 114 

Ildar Gusmanovich Kurmashev – PhD, Associate Professor

150000, Republic of Kazakhstan, Petropavlovsk, Magzhan Zhumabayev St. 114 

ikurmashev@ku.edu.kzhttps://orcid.org/0009-0004-5435-5509КосаяковаА. К.KosayakovaA. K.

 Акнур Коптилеуовна Косаякова

150000, Республика Казахстан, г. Петропавловск, ул. Магжана Жумабаева 114

Aknur Koptileuovna Kossayakova 

150000, Republic of Kazakhstan, Petropavlovsk, Magzhan Zhumabayev St. 114

aknur_ast_enu@mail.ruhttps://orcid.org/0000-0001-5977-8448КалмановаД. М.KalmanovaD. М.

Динара Мирзабековна Калманова – кандидат  педагогических наук, и.о. доцент кафедры «Космическая техника и технологии»

010000, Республика Казахстан, г.Астана, ул.Сатпаева дом 2

Dinara Mirzabekovna Kalmanova – Candidate of Pedagogical Sciences and Acting Associate Professor of the Department of «Space Engineering and Technology» 

Republic of Kazakhstan, Astana, Satpayev street, building 2

dinara_kalmanova@mail.ruhttps://orcid.org/0000-0001-7621-5444АбдирашевО. К.AbdirashevO.

Омирзак Коптилеуович Абдирашев – PhD, и.о. доцент кафедры «Космическая техника и технологии»

010000, Республика Казахстан, г.Астана, ул.Сатпаева дом 2

Omirzak Koptileuovich Abdirashev – PhD, Acting Associate Professor of the Department of «Space Engineering and Technology»

Republic of Kazakhstan, Astana, Satpayev street, building 2

omeke_92@mail.ruСеверо-Казахстанский университет имени Манаша КозыбаеваКазахстанManash Kozybayev North Kazakhstan universityKazakhstanСеверо-Казахстанский университет имени Манаша Козыбаева КазахстанManash Kozybayev North Kazakhstan universityKazakhstanЕвразийский национальный университет имени Л.Н. ГумилеваКазахстанL.N. Gumilyov Eurasian National UniversityKazakhstanЕвразийский национальный университет им. Л.Н. ГумилеваКазахстанL.N. Gumilyov Eurasian National UniversityKazakhstan20250311202503(19)9098Copyright © Курмашев И.Г., Косаякова А.К., Калманова Д.М., Абдирашев О.К., 20252025Курмашев И.Г., Косаякова А.К., Калманова Д.М., Абдирашев О.К.Kurmashev I., Kosayakova A.K., Kalmanova D.М., Abdirashev O.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://tech.vestnik.shakarim.kz/jour/article/view/1994

В последние годы применение нейронных сетей значительно расширилось за счет разработки моделей, таких как Generative Pre-trained Transformer (GPT) и различных вариаций сверточных нейронных сетей (CNN) для различных задач машинного зрения. Одной из ключевых задач в этой области является обнаружение объектов на изображениях.В этой статье представлен сравнительный анализ моделей на основе GPT, предварительно обученных моделей и созданных искусственных нейронных сетей в контексте обнаружения объектов. Обнаружение объектов является ключевой задачей в компьютерном зрении, а приложения охватывают различные области, такие как автономное вождение, наблюдение и медицинская визуализация. Исследование начинается с изложения основ обнаружения объектов и важности выбора правильной модели для эффективной реализации.Преимущества их обширной предварительной подготовки сопоставляются с проблемами, связанными с высокими вычислительными требованиями и ограниченной настройкой.

In recent years, the use of neural networks has expanded significantly through the development of models such as Generative Pre-trained Transformer (GPT) and various variations of convolutional neural networks (CNN) for various machine vision tasks. One of the key tasks in this area is the detection of objects in images. This article presents a comparative analysis of GPT-based models, pre-trained models and created artificial neural networks in the context of object detection. Object detection is a key task in computer vision, and applications cover various fields such as autonomous driving, surveillance, and medical imaging. The study begins by outlining the basics of object detection and the importance of choosing the right model for effective implementation. The advantages of their extensive pre-training are juxtaposed with the challenges associated with high computing requirements and limited customization.

GPTChat-GPTNeural networksChat-GPTObject DetectionMachine LearningDeep LearningGPTChat-GPTNeural networksChat-GPTObject DetectionMachine LearningDeep LearningReferencesImproving Language Understanding by Generative Pre-Training / A. Radford et al // 2018. Available at: https://www.cs.ubc.ca/~amuham01/LING530/papers/radford2018improving.pdf.Improving Language Understanding by Generative Pre-Training / A. Radford et al // 2018. Available at: https://www.cs.ubc.ca/~amuham01/LING530/papers/radford2018improving.pdf.Language Models are Few-Shot Learners / T. Brown et al // In: Advances in Neural Information Processing Systems. 2020. Available at: https://arxiv.org/abs/2005.14165.Language Models are Few-Shot Learners / T. Brown et al // In: Advances in Neural Information Processing Systems. 2020. Available at: https://arxiv.org/abs/2005.14165.Girshick R. Fast R-CNN / R. Girshick In: Proceedings of the IEEE International Conference on Computer Vision (ICCV) (2015). Available at: https://arxiv.org/abs/1504.08083.Girshick R. Fast R-CNN / R. Girshick In: Proceedings of the IEEE International Conference on Computer Vision (ICCV) (2015). Available at: https://arxiv.org/abs/1504.08083.YOLOv3: An Incremental Improvement / J. Redmon, et al. 2018. Available at: https://arxiv.org/abs/1804.02767.YOLOv3: An Incremental Improvement / J. Redmon, et al. 2018. Available at: https://arxiv.org/abs/1804.02767.SSD: Single Shot MultiBox Detector / W. Liu, et al // In: European Conference on Computer Vision (ECCV). 2016. Available at: https://arxiv.org/abs/1512.02325.SSD: Single Shot MultiBox Detector / W. Liu, et al // In: European Conference on Computer Vision (ECCV). 2016. Available at: https://arxiv.org/abs/1512.02325.An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale / А. Dosovitskiy et al // In: International Conference on Learning Representations (ICLR). 2021. Available at: https://arxiv.org/abs/2010.11929.An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale / А. Dosovitskiy et al // In: International Conference on Learning Representations (ICLR). 2021. Available at: https://arxiv.org/abs/2010.11929.End-to-End Object Detection with Transformers / N. Carion, et al // In: European Conference on Computer Vision (ECCV) (2020). Available at: https://arxiv.org/abs/2005.12872.End-to-End Object Detection with Transformers / N. Carion, et al // In: European Conference on Computer Vision (ECCV) (2020). Available at: https://arxiv.org/abs/2005.12872.A Comparative Study of Object Detection Algorithms in Various Image Datasets / Y. Liu et al // In: Journal of Visual Communication and Image Representation. 2019. Available at: https://www.sciencedirect.com/science/article/abs/pii/S1047320319300536.A Comparative Study of Object Detection Algorithms in Various Image Datasets / Y. Liu et al // In: Journal of Visual Communication and Image Representation. 2019. Available at: https://www.sciencedirect.com/science/article/abs/pii/S1047320319300536.Object Detection with Deep Learning: A Review / Z. Zhao et al // In: IEEE Transactions on Neural Networks and Learning Systems. 2019. Available at: https://ieeexplore.ieee.org/document/8662474Object Detection with Deep Learning: A Review / Z. Zhao et al // In: IEEE Transactions on Neural Networks and Learning Systems. 2019. Available at: https://ieeexplore.ieee.org/document/8662474Goodfellow I. Deep Learning / I. Goodfellow, Y. Bengio, A. Courville // MIT Press. 2016. Available at: https://www.deeplearningbook.org/.Goodfellow I. Deep Learning / I. Goodfellow, Y. Bengio, A. Courville // MIT Press. 2016. Available at: https://www.deeplearningbook.org/.Szeliski R. Computer Vision: Algorithms and Applications / R. Szeliski // Springer. 2010. Available at: https://szeliski.org/Book/.Szeliski R. Computer Vision: Algorithms and Applications / R. Szeliski // Springer. 2010. Available at: https://szeliski.org/Book/.Attention is All You Need / A. Vaswani et al // In: Advances in Neural Information Processing Systems (NIPS). 2017. Available at: https://arxiv.org/abs/1706.03762.Attention is All You Need / A. Vaswani et al // In: Advances in Neural Information Processing Systems (NIPS). 2017. Available at: https://arxiv.org/abs/1706.03762.

The authors declare that there are no conflicts of interest present.