Оптимизация архитектуры YOLOv8 для задач захвата объекта БПЛА: анализ компромисса между точностью, скоростью и вычислительными ресурсами
- Авторы: Сацюк А.В.1
-
Учреждения:
- Донецкий институт железнодорожного транспорта (ДОНИЖТ), кафедра "Автоматика, телемеханика, связь и вычислительная техника"
- Выпуск: № 2 (2025)
- Страницы: 35-42
- Раздел: Информационные технологии, автоматика и телекоммуникации
- URL: https://journals.rcsi.science/0201-727X/article/view/363095
- DOI: https://doi.org/10.46973/0201-727X_2025_2_35
- ID: 363095
Цитировать
Полный текст
Аннотация
В работе представлен комплексный подход к оптимизации модели YOLOv8n для задач обнаружения объектов с использованием беспилотных летательных аппаратов в условиях ограниченных вычислительных ресурсов. Основное внимание уделено методам квантования (INT8/INT4) и прунинга (50/75%), направленным на снижение вычислительной сложности модели при сохранении приемлемой точности. В результате оптимизации разработана модель YOLOv8n-Optimized-Drone, демонстрирующая 4-кратный прирост скорости обработки на платформе Raspberry Pi 5 по сравнению с базовой версией. Размер модели сокращен в 3.8 раза, что критически важно для встраиваемых систем БПЛА.
Для обучения и валидации модели создан специализированный датасет с разметкой bounding box, учитывающий условия съемки с БПЛА. Натурные испытания подтвердили эффективность предложенного метода, обеспечивающего баланс между производительностью, энергопотреблением и точностью. Дополнительно исследовано влияние различных уровней квантизации и прунинга на итоговые метрики, что позволило определить оптимальную конфигурацию для развертывания на маломощных устройствах. Полученные результаты открывают перспективы для дальнейшей адаптации модели к динамическим условиям полета и интеграции с мультисенсорными системами БПЛА.
Об авторах
А. В. Сацюк
Донецкий институт железнодорожного транспорта (ДОНИЖТ), кафедра "Автоматика, телемеханика, связь и вычислительная техника"
Автор, ответственный за переписку.
Email: alexandrsatsuk@gmail.com
кандидат технических наук, доцент
Список литературы
- Улучшенный алгоритм на основе YOLOv5 для обнаружения амброзии полыннолистной на изображениях, полученных с помощью БПЛА / С. Сяомин, С. Тяньцзэн, М. Хаомин [и др.] // Front. Plant Sci. – 2021. – Т. 15. – С. 1360419. – doi: 10.3389/fpls.2024.1360419.
- Real-time Object Detection for UAV Aerial Images Based on Improved YOLOv7 / Y. Zhang, X. Chen, H. Li, Y. Wang // Journal of Electronic Imaging. – 2015. – Vol. 32, No. 6. – P. 063002. – doi: 10.3390/electronics12234886.
- Сацюк А. В., Белый Р. В., Ищенко А. Е. Оценка эффективности алгоритмов YOLO для обнаружения объектов в реальном времени во встраиваемых системах беспилотных транспортных средств // Сборник научных трудов Донецкого института железнодорожного транспорта. – 2024. – № 4 (75). – С. 73–82. – ISSN 1993-5579.
- Redmon J. A., Farhadi A. YOLO9000: Better, Faster, Stronger // Conference on Computer Vision and Pattern Recognition (CVPR). – 2017. – arXiv:1612.08242v1.
- Сацюк А. В., Воевода Е. Г. Анализ трекеров алгоритмов компьютерного зрения в вопросах отслеживания подвижных объектов в видеопотоке // Сборник научных трудов Донецкого института железнодорожного транспорта. – 2023. – № 71. – С. 54–65. – ISSN 1993-5579.
- Библиотека программиста. JavaScript для глубокого обучения / Ф. Шолле, Э. Нильсон, С. Бэйлесчи [и др.]. – Санкт-Петербург: Питер, 2021. – 576 с. – ISBN 978-5-4461-1697-3.
- YOLOv8. Ultralytics. Официальный репозиторий YOLOv8 / G. Jocher, A. Stoken, A. Chaly [и др.]. – 2023. – URL: https://github.com/ultralytics/ultralytics
- (дата обращения: 07.02.2025).
- Zheng Z., Wang P., Ren D. [et al.]. Enhancing Geometric Factors in Model Learning and Inference for Object Detection and Instance Segmentation // Transactions on Cybernetics. – doi: 10.1109/TCYB.2021.3095305.
- An Efficient UAV-Based Aerial Image Object Detection Method via Improved YOLOv4 / B. Liu, X. Li, G. Wang [et al.] // Remote Sensing. – 2023. – Vol. 12, No. 21. – P. 3599. – doi: 10.1109/SIU53274.2021.9478027.
- Сацюк А. В., Воробьев А. А. Особенности разработки беспилотных летательных аппаратов для отрасли железнодорожного транспорта // Сборник научных трудов Донецкого института железнодорожного транспорта. – 2023. – № 68. – С. 13–21. – ISSN 1993-5579.
- Сацюк А. В., Швалов Д. В. Автономное наведение БПЛА с использованием компьютерного зрения: проблема точного управления рулями // Автоматика на транспорте. – 2024. – Т. 10, № 4. – С. 372–381. – doi: 10.20295/2412-9186-2024-10-04-372-381.
- Lalak M., Wierzbicki D. Automated Detection of Atypical Aviation Obstacles from UAV Images Using a YOLO Algorithm // Sensors (Basel). – 2022. – Vol. 22, No. 17. – P. 6611. – doi: 10.3390/s22176611.
Дополнительные файлы
