SCIENTIFIC PROGRESS
VOLUME 3 ǀ ISSUE 1 ǀ 2022
ISSN: 2181-1601
VIDEO TASVIRLAR ASOSIDA OBYEKTLARNI ANIQLASH
ALGORITMLARI VA DASTURINI ISHLAB CHIQISH
Maʼrufjon Olimjon o‘g‘li Mahkamov
Toshkent axborot texnologiyalari universiteti
ANNOTATSIYA
Ob'ektni aniqlashda chuqur o'rganish texnologiyasi keng qo'llanilgan. Chuqur
o'rganish texnologiyasi ob'ektni aniqlashning aniqligini sezilarli darajada yaxshilagan
bo'lsa-da, bizda yuqori hisoblash vaqti muammosi ham bor. Siz faqat bir marta qaraysiz
(YOLO) - tasvirlardagi ob'ektlarni aniqlash tarmog'i. Ushbu maqolada biz YOLO
tarmog'iga asoslangan videolar uchun real vaqt rejimida ob'ektni aniqlash algoritmini
taklif qilamiz. Tasvirga oldindan ishlov berish orqali rasm fonining ta'sirini yo'q qilamiz
va keyin ob'ekt haqida ma'lumot olish uchun ob'ektni aniqlash uchun Fast YOLO
modelini o'rgatamiz. Google Inception Net (GoogLeNet) arxitekturasiga asoslanib, biz
YOLO tarmog'ini dastlabki konvolyutsiya operatsiyasini almashtirish uchun kichik
konvolyutsiya operatsiyasidan foydalangan holda yaxshilaymiz, bu parametrlar sonini
kamaytirishi va ob'ektni aniqlash vaqtini sezilarli darajada qisqartirishi mumkin.
Bizning Fast YOLO algoritmimiz videoda real vaqtda ob'ektni aniqlashda qo'llanilishi
mumkin.
Kalit so'zlar: Ob'ektni aniqlash GoogleNet, YOLO, Real-time Video
Kirish
So'nggi yillarda kompyuter ko'rishning jadal rivojlanishi bilan ob'ektni aniqlash (OD)
kompyuter ko'rishning muhim qismi sifatida ko'plab sohalarda keng qo'llanila
boshlandi. Tasvirni qayta ishlashga asoslangan OD tasvirlardan xususiyatlarni ajratib
oladi, so'ngra toifa, joylashuv va yo'nalish kabi ob'ekt ma'lumotlarini oladi va tahlil
qiladi. OD video monitoringi, g'ayritabiiy xatti-harakatlar tahlili va mobil robotlar kabi
ko'plab real vaqtda vaziyatlarda keng qo'llaniladi. Ushbu yondashuv xususiyatlarni
ajratib olish va tahlil qilish orqali juda qimmatli ma'lumotlarni olishi mumkin. Biroq,
usul, ayniqsa, yuqori hisoblash va xotira talablari nuqtai nazaridan juda ko'p
qiyinchiliklarga duch keladi.
Mashinani o'rganishning an'anaviy usullari tasvirlardan ob'ekt xususiyatlarini ajratib
oladi va keyin xususiyatlarni klassifikatorga kiritadi. Xususiyatlarni ajratib olishning
an'anaviy usullariga yo'naltirilgan gradientning gistogrammasi (HOG) usuli, masshtabni
o'zgarmas xususiyat transformatsiyasi (SIFT) va boshqalar kiradi. Tasniflash usullari
qo'llab-quvvatlovchi vektor mashinasi (SVM), Bayesian, qaror daraxtlari va boshqalarni
o'z ichiga oladi. Bu usullar asosan oldingi bilimlarga tayan. Ular real vaqt rejimida
emas, chunki ular doimiy ravishda namuna olishadi. Bundan tashqari, bu usullarda bir
Uzbekistan
www.scientificprogress.uz
Page 13
SCIENTIFIC PROGRESS
VOLUME 3 ǀ ISSUE 1 ǀ 2022
ISSN: 2181-1601
nechta xususiyat nuqtalari mavjud va chekka xususiyatlarni ajratib olish ba'zan aniq
emas. Ushbu usullarning asosi xususiyatni ajratib olishdir va xususiyatni ajratib olish
sifati usulning ishlashiga bevosita ta'sir qiladi. Biroq, amaliy dasturlarda bu usullar
asosan kichik ma'lumotlar to'plamidan foydalangan holda aniq ob'ektlarni tanib olishga
qaratilgan va umumlashtirish qobiliyati past. Mashinani o'rganish usullari doimiy
ravishda optimallashtirilayotgan bo'lsa-da, past darajadagi xususiyatlarni olishdan tortib,
tasvirlarning paydo bo'lishigacha, eng muvaffaqiyatli usul - deformatsiyalanadigan
qismlar modeli (DPM). Biroq, bu usul sekin aniqlashga ega va namunalarning
geometrik xususiyatlariga bog'liq. Hozirgi vaqtda an'anaviy mashinani o'rganish usullari
OD texnologiyasida ma'lumotlarni qayta ishlashning samaradorligi, ishlashi, tezligi va
razvedka talablariga javob bera olmaydi.
Chuqur o'rganish texnologiyasining paydo bo'lishi bilan kompyuterni ko'rish sohasi tez
rivojlandi. Tasvirni aniqlash uchun chuqur o'rganish texnologiyasi qo'llanildi va u
so'nggi yillarda ob'ektni tanib olishda katta yutuqlarga erishdi. Chuqur o'rganish
texnologiyasi inson miyasining kognitiv qobiliyatini o'rganish va taqlid qilish orqali
xususiyatlarni qayta ishlashi va tahlil qilishi mumkin, bu ODda katta ta'sir
ko'rsatadi. An'anaviy xususiyatlarni ajratib olish usullaridan farqli o'laroq, chuqur
konvolyutsion neyron tarmoqlar ko'p qatlamli konvolyutsiya operatsiyalari yordamida
xususiyatlarni ajratib olish orqali yuqori aniqlik darajasiga erishishi mumkin. Bundan
tashqari, ular geometrik o'zgarishlar, deformatsiyalar va yorug'lik nuqtai nazaridan
mustahkamdir va atrof-muhit o'zgarishlari tufayli yuzaga keladigan qiyinchiliklarni
engib o'tishlari mumkin. Chuqur o'rganish usullari o'quv ma'lumotlaridan foydalangan
holda xususiyat tavsifini moslashtirishi mumkin va ular juda moslashuvchan va yuqori
umumlashtirish qobiliyatiga ega. Chuqur o'rganish usullari orasida mintaqaviy
konvolyutsion neyron tarmog'i (RCNN), tezroq mintaqaviy konvolyutsion neyron
tarmog'i (Faster RCNN), Siz faqat bir marta ko'ring (YOLO) va bir martalik multibox
detektori (SSD) ODda eng ko'p qo'llaniladigan usullardir. Biroq, chuqur o'rganishga
asoslangan joriy OD usullari sekin aniqlash tezligi va yuqori vaqt sarfi tufayli hali ham
muammolarga duch kelmoqda. Ushbu maqolada biz real vaqtda video OD usulini taklif
qilamiz. Biz OD nazariyasi uchun Fast YOLO algoritmini mavhum tarzda tanishtiramiz
va keyin Fast YOLO asosini, shu jumladan oldindan ishlov berish jarayoni, modelni
o'rgatish va yo'qotish funksiyasini batafsil tanishtiramiz. Keyinchalik, Fast YOLO
algoritmining ishlashini ba'zi tajribalar orqali tekshiramiz.
Orqa fon
Chuqur o'rganish texnologiya rivojlanishi bilan keng tufayli uning kuchli xususiyati
chiqarish qobiliyati uchun achigan ishlatiladigan bo'ldi. So'nggi yillarda, chuqur
o'rganish asosida OD algoritmlari haqida tadqiqot ko'p olimlar e'tiborini jalb etdi. 2014yilda, RCNN model Ross Girshick terma jamoasi tomonidan taklif etilgan edi. Agar bir
necha nomzod viloyatlari asosiy fontlar dazmolni asrlar tanlab olindi va bir CNN
Uzbekistan
www.scientificprogress.uz
Page 14
SCIENTIFIC PROGRESS
VOLUME 3 ǀ ISSUE 1 ǀ 2022
ISSN: 2181-1601
mintaqaviy xususiyatlarini ajratib olish uchun ishlatilgan. So'ngra, optimal viloyatlar
bo'lmagan maksimal bostirish usuli yordamida olingan. Murakkab o'quv qadamlar
muammolar va RCNN, Kaiming U boshq vaqti sarfini hal qilish uchun. butun grafik bir
o'zgartirish jingalak operatsiya amalga vaqt iste'mol kamayadi fazoviy piramida
pulining (SPP) Net, taklif va keyin bir xususiyati xarita nomzod viloyati Manzil
ma'lumot bog'langan. 2015-yilda, Ross Girshick terma jamoasi RCNN yaxshilandi va
asosan nomzod Windows hisob takrorladi Eàtimoliy to'ladi hal qilish uchun
ishlatiladigan tezroq RCNN, mo'ljallangan. Ular innovatsion shaytondan on achigan e
ffi samaradorligini va faoliyatini yaxshilandi convo-qoplamlar xususiyatlar va
sonuçlarımız Fi bilan baham ko'rish uchun viloyat nomzodlikni, sınıflayıcısının fi kation
va tushish yoqilgan nomzod viloyatlarini, ishlab chiqarish uchun joy taklif tarmog'i
(RPN) taklif qildi. 2016-yilda, Yusuf Redmon boshq. juda ochish tezligi oshirish hamda
yuqori aniqligini ta'minlash, yagona bulish yordamida tasvirlar nomzodi viloyatlarini
olishingiz mumkin Yolo algoritmi taklif. Bundan tashqari, ko'plab boshqa olimlar
achigan uchun ilg'or usullarini taklif etgan. Yadav va boshq. fonda bir dinamik sahna
ob'ekt bo'lganda harakat aniqlash asoslangan yangi usuli taklif. Bu ish statistik p
parametr asoslangan fon olish usuli ishlab chiqilgan va oliy ishlash erishildi. Lavanya
Sharma va boshq. uyda qo'lga tushirish video-ketliklar uchun foydalanish mumkin va
shahar yoki IP cam- davrlar uchun xavfsizlik uchun qo'llanilishi mumkin
harakatlanuvchi ob'ektlarni aniqlash uchun fon olish usulini ishlatib, bir taklif video
kuzatuv tizimi, batafsil fikr beradi. Mehran Yazdiy va boshq. mobil kameralar
tomonidan qo'lga video ketliklar harakat ob'ektlarni aniqlash uchun ilg'or usullari
so'rovnoma taqdim va ular ham qiyinchiliklar va fi qadim asosiy tashvish taqdim
etdi. Lavanya Sharma va boshq. yoritish muammoni hal qilish uchun kuchli fon olish
usulini taklif harakatga asoslangan o'zgarishlar. Dileep Kumar Yadav va boshq. uchun
mustahkam usuli taklif video doirasida achigan harakat va suzib o'rtacha asoslangan fon
modelini ishlab chiqdi. Bu shovqin yoki fon jadal komponentini kamaytirish
mumkin. Lavanya Sharma va boshq. chiziqli diskriminant pol qiymati asoslangan yangi
fon olish usuli taklif. Bu qiymat har bir keyingi har bir piksel uchun, ish vaqtida
avtomatik ravishda yangilanadi ramka.
GoogLeNet modeli
An'anaviy neyron tarmog'ining konvolyutsiya qatlamlaridan farqli o'laroq, GoogLeNet
modeli parametrlar sonini kamaytiradi va hisoblash hajmini nazorat qiladi, bu esa
yaxshi tasniflash ko'rsatkichlariga erishadi va aniqlash tezligini sezilarli darajada
yaxshilaydi. Google Inception Network chuqur neyron tarmoq boʻlib, 22 ta qatlam, 21
ta konvolyutsion qatlam va bitta toʻliq bogʻlangan qatlamdan iborat. Google Inception
Network dizaynidagi asosiy yangilik siyrak matritsa operatsiyalarini mahalliy
zichlashtirish va funksiyalarni parallel qayta ishlash va kompozitsiyada qo'llaniladigan
ko'p miqyosli konvolyutsiya bo'lib, bu tezlikni sezilarli darajada oshirishi mumkin.
Uzbekistan
www.scientificprogress.uz
Page 15
SCIENTIFIC PROGRESS
VOLUME 3 ǀ ISSUE 1 ǀ 2022
ISSN: 2181-1601
Inception moduli toʻliq bogʻlangan qatlamni olib tashlaydi va uni global oʻrtacha
birlashtiruvchi qatlam bilan almashtiradi (tasvir oʻlchamini 1 × 1 ga oʻzgartiradi), bu
modelni oʻqitishni tezlashtiradi va haddan tashqari oʻtish ehtimolini kamaytiradi. To'liq
bog'langan qatlamni global o'rtacha birlashtiruvchi qatlam bilan almashtirish usuli
tarmoq (NIN) model arxitekturasida tarmoqdan qabul qilingan. Dastlabki bosqichda
boshlang'ich modulning dizayni parametrlardan foydalanish samaradorligini
oshiradi. Boshlang'ich modul katta tarmoqdagi kichik tarmoqqa o'xshaydi, uning
tuzilishini o'rgatish uchun qayta-qayta o'rnatish mumkin.katta tarmoq.
YOLO
YOLO - mintaqaviy bo'lmagan nomzodga asoslangan ODning oxirigacha usuli. Fast
RCNN kabi boshqa OD usullaridan farqli o'laroq, YOLO ob'ektni aniqlash vazifasini
ob'ekt hududini bashorat qilish va sinfni bashorat qilish kabi bir nechta jarayonlarga
ajratmaydi. YOLO algoritmi yuqori aniqlik bilan tezkor aniqlashga erishish uchun
ikkala vazifani bitta neyron tarmoq modeliga birlashtiradi.
YOLO tasvirlardan xususiyatlarni to'g'ridan-to'g'ri ajratib olish va toifalarning
chegaralangan qutilari va ehtimolliklarini hisoblash uchun ODni o'zgartiradi; keyin
ob'ekt toifalari va joylashuv ma'lumotlarini oladi. YOLO toifalarning bir nechta
chegaralovchi qutilari va ehtimolliklarini bashorat qilish uchun yagona konvolyutsion
neyron tarmog'ini qabul qiladi. An'anaviy OD usullari bilan solishtirganda, YOLO
algoritmi quyidagi afzalliklarga ega: YOLO jarayoni oddiy va aniqlash tezligi juda
tez. Ushbu maqolada biz GoogLeNet arxitekturasiga asoslangan konvolyutsion neyron
tarmog'ining konvolyutsion ishlashini dastlabki konvolyutsiya operatsiyasini
almashtirish uchun kichik konvolyutsiya operatsiyasidan foydalangan holda
yaxshiladik. Bizning usulimiz OD tezligini yaxshilash uchun YOLO algoritmini
optimallashtirishi mumkin. O'qitish va bashorat qilish jarayonlarida YOLO butun
grafikning xususiyat ma'lumotlarini ajratib oladi va ishlatadi, bu mahalliy aniqlash bilan
solishtirganda xatolik darajasini sezilarli darajada kamaytiradi. YOLO algoritmi
o'rganishi mumkinmuhim xususiyatlarni to'g'ri va umumiy ob'ektlar haqida umumiy
ma'lumot.
Yilda bu qog'oz, biz taqdim bir tez ob'ekt ochish algoritmi uchun video. Biz ta'kidlash fa
oliyatini tashkil bizning aniqlash ikkinchi va yuqori aniqlik boshiga video kvadrat
ko'proq ko'zga e ffi samaradorligini bilan aniqlash tezligi jihatidan algoritm. Siz Faqat
Bir marta ko'rasiz (YOLO) tarmog'iga asoslanib, biz hisoblash miqdorini kamaytirish va
aniqlashni sezilarli darajada tezlashtirish uchun kichik konvolyutsiya o'rniga
konvolyutsiya operatsiyasini yaxshilaymiz. Tasvirning rivojlanishi bilan biz atrof-muhit
va shovqin ta'sirini yo'q qilamiz. Bundan tashqari, biz fonning cheklovchi qutilari
sifatida har qanday o'lchamdagi qutilarni qurishimiz va fon tahlilini kamaytirishimiz
shart emas.
Uzbekistan
www.scientificprogress.uz
Page 16
SCIENTIFIC PROGRESS
VOLUME 3 ǀ ISSUE 1 ǀ 2022
ISSN: 2181-1601
Biz videolari tajribalar o'tkazish avtomobil nazorat DataSet olingan dan Xiamen shahar
transporta- yozildi byurosi va baholash metrikalariga ikkinchi (fps) boshiga tan aniqlik
va eslamoq sur'atlari va ramkalar foydalanish. Biz modelimizni o'rgatish va ob'ekt
haqida ma'lumot olish uchun avtomobil monitoringi videosidagi belgilangan yorliqli
tasvir yamoqlaridan foydalanamiz. Natijalar shuni ko'rsatadiki, bizning usulimiz asl
YOLO algoritmi va boshqa asosiy usullardan yaxshiroq ishlashi mumkin. Bizning
usulimiz
nafaqat tezkor aniqlash tezligiga
erishibgina
qolmay,
balki yuqori
aniqlikni ham ta'minlaydi. Soni rasmlari tan mumkin, bizning usuli oshadi video
doirasida deb. Shuning uchun bizning usulimiz yaxshi jihozlar sharoitida real vaqtda
videolar uchun ob'ektni aniqlashni amalga oshirishi mumkin.
Kelajakda biz ko'pchilik namunalar salbiy bo'lsa, ijobiy va salbiy namunalar o'rtasidagi
nomutanosiblik muammosini ko'rib chiqamiz va ushbu muammoni hal qilish uchun
qayta namuna olish va ovoz berish kabi usullarni qo'llaymiz. Bundan tashqari, aniqlash
tezligini yaxshilash va tarmoq strukturasini yanada optimallashtirish uchun modelimiz
uchun ko'p miqyosli parallel ishlov berishni ko'rib chiqamiz, chunki biz hali ham katta
hisoblash yuki va zich maqsadli ob'ektlar muammolariga duch kelamiz.
REFERENCES
1. Mulaydinov, F. (2021). Digital Economy Is A Guarantee Of Government And
Society Development. Ilkogretim Online, 20(3), 1474-1479.
2. Mulaydinov, F. M. (2019). Econometric Modelling of the Innovation Process in
Uzbekistan. Форум молодых ученых, (3), 35-43.
3. Mulaydinov, F., & Nishonqulov, S. (2021). Raqamli iqtisodiyotni rivojlantirishda
axborot texnologiyalarining orni-The role of information technologies in the
development of the digital economy.
4. Mulaydinov, F., & Nishonqulov, S. (2021). The role of information technologies in
the development of the digital economy. The role of information technologies in the
development of the digital economy.
5. Butaboyev, M., Urinov, A., Mulaydinov, F., & Tojimatov, I. Digital economy.
6. Mulaydinov, F. M. (2021). CROWDFUND OPPORTUNITIES IN SMALL
BUSINESS AND ENTREPRENEURSHIP. Academic research in educational
sciences, 2, 23-32.
7. Farkhod, M. (2020). Econometric Modelling of the Innovation Process in
Uzbekistan. International Journal of Psychosocial Rehabilitation, 24(02).
8. Nishonqulov, S. F. O. G. L., & Solidjonov, D. Z. O. G. L. (2021). Ta’lim biznesida
raqamli innovatsion texnologiyalar. Science and Education, 2(6), 233-238.
9. Мулайдинов, Ф. М. (2021). КИЧИК БИЗНЕС ВА ТАДБИРКОРЛИКДА
КРАУДФАНДИНГ ИМКОНИЯТЛАРИ. Academic research in educational
sciences, 2(Special Issue 4), 23-32.
Uzbekistan
www.scientificprogress.uz
Page 17
SCIENTIFIC PROGRESS
VOLUME 3 ǀ ISSUE 1 ǀ 2022
ISSN: 2181-1601
10. Nishonqulov, S. F. O., Rajabboyev, B. O. O., & Mamasoliyev, J. O. O. (2021).
OLIY O'QUV YURTLARIDA IQTISOD BO'YICHA QO'LLANMA: O'ZGARMAS"
MA'RUZA VA BO'R" USULINI KO'RIB CHIQISH. Scientific progress, 2(3), 814-824.
11. Nishonqulov, S. F. O., Rajabboyev, B. O. O., & Mamasoliyev, J. O. O. (2021).
IQTISODIYOT
VA
UNING
TARMOQLARINI
RAQAMLASHTIRISH.
IQTISODIYOT
SOHASIGA
RAQAMLI
TEXNALOGIYALARNI
OLIB
KIRILISHI. Scientific progress, 2(3), 825-831.
12. Inomxojayev, A. A. O., Yoldashev, A. E. O., & Nishonqulov, S. F. O. (2021).
ZARARLI OBYEKTNING KOMPYUTERGA TA'SIRI UCHUN MATEMATIK
MODEL IMMUNITET TIZIMI. Scientific progress, 2(2), 1662-1667.
13. Sulaymonov, J. B. O. G. L., Yuldashev, A. E. O. G. L., & Nishonqulov, S. F. O.
G. L. (2021). Gidrologik modellashtirish bilan Geografik axborot tizimlari (GIS)
integratsiya. Science and Education, 2(6), 239-246.
14. Sulaymonov, J. B. O., Nishonqulov, S. F. O., & Gofurov, M. R. (2021).
GEOGRAFIK AXBOROT TIZIMLARI VA AMALIY IQTISODIYOT: POTENTSIAL
ARIZALAR VA HISSALARNI DASTLABKI MUHOKAMALARI. Scientific
progress, 2(2), 1371-1377.
15. Yoldashev, A. E. O., Nishonqulov, S. F. O., & Yoldasheva, M. R. Q. (2021).
TA'LIMDAGI AXBOROT TEXNOLOGIYALARI. Scientific progress, 2(3), 806-813.
16. Solidjonov, D., & Nishonqulov, S. (2021). TA’LIM BIZNESIDA YANGI
INNOVATSION TEXNOLOGIYALARNING QO’LLANISHI JOURNAL OF
INNOVATIONS IN SCIENTIFIC AND EDUCATIONAL RESEARCH VOLUME1. ISSUE-3 (Part-1, 18-JUNE), 1, 195-199.
17. Nishonqulov, S. F. O., Rajabboyev, B. O. O., & Mamasoliyev, J. O. O. (2021).
ECONOMIC GUIDE IN HIGHER EDUCATION INSTITUTIONS: A REVIEW OF
THE CONSTANT" LECTURE AND LAW" METHOD. Scientific progress, 2(3), 814824.
18. Solidjonov, D., & Nishonqulov, S. (2021). APPLICATION OF NEW
INNOVATIVE TECHNOLOGIES IN EDUCATIONAL BUSINESS JOURNAL OF
INNOVATIONS IN SCIENTIFIC AND EDUCATIONAL RESEARCH VOLUME1. ISSUE-3 (Part-1, 18-JUNE), 1, 195-199.
19. Nishonqulov, S. F. O., Rajabboyev, B. O. O., & Mamasoliyev, J. O. O. (2021).
DIGITALIZATION OF THE ECONOMY AND ITS NETWORKS. INTRODUCTION
OF DIGITAL TECHNOLOGIES TO THE SECTOR OF THE ECONOMY. Scientific
progress, 2(3), 825-831.
20. Nishonqulov, S., Rajabboyev, B., & Solidjonov, D. (2021). BANK TIZIMINI
INNAVATSION ISLOH QILISH SHAROITIDA TIJORAT BANKLARINI
TRANSFORMATSIYALASHNING ILMIY-AMALIY ASOSLARI.
Uzbekistan
www.scientificprogress.uz
Page 18
SCIENTIFIC PROGRESS
VOLUME 3 ǀ ISSUE 1 ǀ 2022
ISSN: 2181-1601
21. Farxodjon ogli, N. S., & Odil ogli, R. B. (2021). Raqamli iqtisodiyot
almashinuvining resurslar sarfiga sakkizta tasiri. Бошқарув ва Этика Қоидалари
онлайн илмий журнали, 1(1), 53-56.
22. Ogli, N. S. F., & Ogli, R. B. O. (2021). The Digital Economy is The Basis For
Forming A Favorable Investment Environment. Eurasian Scientific Herald, 1(1), 1-5.
23. Ogli, N. S. F., & Ogli, R. B. O. (2021). In The Context of Developing the Digital
Economy Modern Forms of Employment. Eurasian Scientific Herald, 1(1), 11-16.
24. Solidjonov, D. Z. O. (2021). THE IMPACT OF THE DEVELOPMENT OF
INTERNET TECHNOLOGIES ON EDUCATION AT PANDEMIC TIME IN
UZBEKISTAN. In СТУДЕНТ ГОДА 2021 (pp. 108-110).
25. Solidjonov, D. Z. (2021). THE IMPACT OF SOCIAL MEDIA ON
EDUCATION: ADVANTAGE AND DISADVANTAGE. Экономика и социум, (3-1),
284-288.
26. Solidjonov, D. (2021). O’QITISH JARAYONLARIDA GOOGLE
CLASSROOM PLATFORMASIDAN FOYDALANISH VA UNING FOYDALI
JIHATLARI. Scientific progress, 2(3), 389-396.
27. Rakhimov, M., Yuldashev, A., & Solidjonov, D. (2021). THE ROLE OF
ARTIFICIAL INTELLIGENCE IN THE MANAGEMENT OF E-LEARNING
PLATFORMS AND MONITORING KNOWLEDGE OF STUDENTS. Oriental
renaissance: Innovative, educational, natural and social sciences, 1(9), 308-314.
28. Tokhirov, R., & Rahmonov, N. (2021). Technologies of using local networks
efficiently. Asian Journal Of Multidimensional Research, 10(6), 250-254.
29. Rahmonov, N. (2021). Problems And Solutions For The Implementation Of The
Industry-4.0 Program In Uzbekistan. Qo'qon universitetining ilmiy materiallar
bazasi, 1(000002).
Uzbekistan
www.scientificprogress.uz
Page 19