U ovom radu pokrivene su osnovne tehnike strojnog učenja relevantne za razvijena programska rješenje i za temu rada općenito. Opisani su postupci optimizacije funkcija gubitka za različite probleme, kao i nekoliko metoda kojima se one mogu optimizirati. Navedene su osnovne značajke i opisane su neuronske mreže, kao i jedan od učinkovitih algoritama treniranja neuronskih mreža, a to je algoritam unazadnog ulančavanja. Zatim su proučene specifičnosti i način rada konvolucijskih neuronskih mreža koje su posebno pogodne za probleme računalnog vida. Opisan je implementirani klasifikator slika ovisno o prisutnosti ljudi na slici korištenjem biblioteke TensorFlow. Pokazano je kako je model treniran, korišteni podatci i rezultati pomoću F1 mjere. Postignut je rezultat s F1 mjerom od 0.9 i gotovo jednakim vrijednostima preciznosti i sjećanja. Nakon toga dan je uvid u najpoznatije metode detekcije objekata na slikama s posebnim naglaskom na YOLO algoritam koji je korišten u implementaciji pa je zato malo detaljnije opisan od ostalih metoda. Opisano je programsko rješenje detekcije ljudi na slikama korištenjem biblioteke otvorenog koda darkflow, koje postiže iznimno dobre rezultat s mjerom mAP (mean average precision od 90.42%). Daljnji rad mogao bi se usmjeriti prema kompleksnijim modelima detekcije objekata i prošiti problem na više vrsta objekata. Takav sustav koji dobro radi u stvarnom vremenu mogao bi doprijenjiti razvoju različitih inteligentih i sigurnosnih sustavima.