1. CSN
  2. Всі випуски
  3. Випуск 6, Номер 2, 2024
  4. Оцінка продуктивності та оптимізація моделей нейронних мереж yolov8 для розпізнавання цілей

Оцінка продуктивності та оптимізація моделей нейронних мереж yolov8 для розпізнавання цілей

CSN.
2024;
Випуск 6, Номер 2
: cc. 242-251
https://doi.org/10.23939/csn2024.02.242
Автори:
  1. Богдан Цюник
  2. Олександр Муляревич
1
Національний університет «Львівська політехніка» кафедра електронних обчислювальних машин
2
Національний університет «Львівська політехніка» кафедра електронних обчислювальних машин

Метою цього дослідження є проведення всебічного аналізу продуктивності різних типів моделей нейронних мереж (НМ) для розпізнавання цілей. Зокрема, це дослідження зосереджується на оцінці ефективності та продуктивності моделей yolov8n, yolov8s, yolov8m та YOLO у завданнях розпізнавання цілей. Використовуючи передові засоби, такі як OpenCV, Python та roboflow 3.0 FAST, дослідження спрямоване на розробку надійної методології для оцінки продуктивності цих моделей нейронних мереж. Методологія включає розробку та впровадження експериментів для вимірювання ключових показників, таких як точність, швидкість та використання ресурсів. Завдяки ретельному аналізу це дослідження надає демонстрацію сильних та слабких сторін кожної моделі, сприяючи обґрунтованому прийняттю рішень для практичних застосувань. У цій статті представлено процес розробки та проведення аналізу продуктивності, підкреслюючи обґрунтування вибору конкретних методів та засобів. Крім того, в дослідженні представлено отримані результати тестування прототипу та огляд перспектив для майбутнього розвитку систем розпізнавання цілей.

yolov8
Yolo
OpenCV
нейронні мережі (NN)
  1. Das, S., Saha, S., Coello Coello, C.A., Bansal, J.C., (2023). “Deep Neural Network Based Performance Evaluation and Comparative Analysis of Human Detection in Crowded Images Using YOLO Models”. In International Conference on Advances in Data-Driven Computing and Intelligent Systems.
  2. Б.С. Цюник, О.В. Муляревич ADCIS. Lecture Notes in Networks and Systems, vol 893. Springer, Singapore., pp. 508–509. DOI: 10.1007/978-981-99-9518-9_37. 2. Delleji, T., Slimeni, F., Fekih, H., (2022). “An Upgraded-YOLO with Object Augmentation: Mini-UAV Detection Under Low-Visibility Conditions by Improving Deep Neural Networks”. Oper. Res. Forum 3, 60, pp. 3–5. DOI: 10.1007/s43069-022-00163-7.
  3. Tattari, J., Donthi, V. R., Mukirala, D., Komar Kour, S., (2021). “Deep Neural Networks Based Object Detection for Road Safety Using YOLO-V3”. In Smart Computing Techniques and Applications. Smart Innovation, System and Technologies, vol 225. Springer, Singapore., pp. 731–733. DOI: 10.1007/978-981-16-0878-0_71.
  4. Poskart, B., Iskierka, G., Krot, K., (2024). “Logistics 4.0 – Monitoring of Transport Trolley in the Factory Through Vision Systems Using the YOLO Model Based on Convolution Neural Networks”, In International Conference on Intelligent Systems in Production Engineering and Maintenance III. ISPEM 2023. Lecture Notes in Mechanical Engineering, Springer, Cham., pp. 348–350. DOI: 10.1007/978-3-031-44282-7_27.
  5. Priyankan, K. and Fernando, T.G.I., (2021). “Mobile Application to Identify Fish Species Using YOLO and Convolutional Neural Networks.” In Proceedings of International Conference on Sustainable Expert Systems: ICSES 2020, volume 176. Springer, Singapore., pp. 304–308. DOI: 10.1007/978-981-33-4355-9_24.
  6. Ayob, A. F., Khairuddin, K., Mustafah, Y.M., Salisa, A.R., Kadir, K., (2021). “Analysis of Pruned Neural Networks (MobileNetV2-YOLOv2) for Underwater Object Detection”. In: Proceedings of the 11th National Technical Seminar on Unmanned System Technology 2019. NUSYS 2019. Lecture Notes in Electrical Engineering vol 666. Springer, Singapore., pp. 87–88. DOI: 10.1007/978-981-15-5281-6_7.
  7. A Byte of Python, (2022). [Electronic resource]. – Available at: https://homepages.uc.edu/~becktl/byte_of_python.pdf. (Accessed: March 29, 2024).
  8. Bansal, J.C. and Uddin, M.S., (2023). “Computer Vision and Machine Learning in Agriculture, Volume 3”. In: Algorithms for Intelligent Systems., pp. 120–125. DOI: 10.1007/978-981-99-3754-7.
  9. Learning OpenCV, (2022). [Electronic resource]. – Available at: https://www.bogotobogo.com/cplusplus/files/OReilly%20Learning%20OpenCV.pdf. (Accessed: March 29, 2024).
  10. Huang, D.S., Premaratne, P., Jin, B., Qu, B., Jo, K.H. and Hussain, A., (2023). “Advanced Intelligent Computing Technology and Application”. Springer, Singapore., pp. 83–88. DOI: 10.1007/978-981-99-4742-3
  11. Lys, R., Opotyak, Y., (2023). “Development of a Video Surveillance System for Motion Detection and Object Recognition”. Advances in Cyber-Physical Systems, 8(1), pp. 50–53, DOI: 10.23939/acps2023.01.050.