vrgupВестник Ростовского государственного университета путей сообщенияVestnik Rostovskogo Gosudarstvennogo Universiteta Putej Soobshcheniya0201-727XРостовский государственный университет путей сообщения10.46973/0201-727X_2025_2_35vrgup-246Research ArticleИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ, АВТОМАТИКА И ТЕЛЕКОММУНИКАЦИИINFORMATION TECHNOLOGIES, AUTOMATION AND TELECOMMUNICATIONSОптимизация архитектуры YOLOv8 для задач захвата объекта БПЛА: анализ компромисса между точностью, скоростью и вычислительными ресурсамиOptimization of YOLOv8 architecture for UAV object capture tasks: analysis of the trade-off between accuracy, speed and computational resourcesСацюкА. В.SatsukA. V.

Сацюк Александр Владимирович, кафедра «Автоматика, телемеханика, связь  и вычислительная техника», кандидат технических наук, доцент

Satsuk Alexander Vladimirovich, Chair “Automation, Telemechanics,  Communication and Computer Engineering”, Candidate of Engineering Sciences, Associate Professor

alexandrsatsuk@gmail.comДонецкий институт железнодорожного транспорта (ДОНИЖТ)Donetsk Institute of Railway Transport (DonIRT)202530062025023542Copyright © Сацюк А.В., 20252025Сацюк А.В.Satsuk A.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://vestnik.rgups.ru/jour/article/view/246

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.

This paper presents a comprehensive approach to optimizing the YOLOv8n model for object detection tasks using unmanned aerial vehicles (UAVs) under constrained computational resources. The focus is on quantization (INT8/INT4) and pruning (50%/75%) techniques aimed at reducing the model's computational complexity while maintaining acceptable accuracy. As a result of optimization, the YOLOv8n-Optimized-Drone model was developed, demonstrating a 4-fold increase in processing speed on the Raspberry Pi 5 platform compared to the basic version. The model size was reduced by 3.8 times, which is critical for embedded UAV systems.

A specialized dataset with bounding box markup was created for training and validating the model, taking into account the UAV shooting conditions. Field tests confirmed the effectiveness of the proposed method, which provides a balance between performance, power consumption, and accuracy. Additionally, the influence of different quantization and pruning levels on final metrics was investigated, enabling the determination of the optimal configuration for deployment on low-power devices. The obtained results open prospects for further adaptation of the model to dynamic flight conditions and integration with multi-sensor UAV systems.

беспилотный летательный аппаратквантованиепрунингоптимизация нейросетевой моделинейронная сетьYOLOметрики YOLOunmanned aerial vehiclequantizationpruningneural network model optimizationneural networkYOLOYOLO metricsReferencesУлучшенный 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.An improved YOLOv5-based algorithm for common ragweed detection in UAV images / S. Xiaoming, S. Tianzeng, M. Haoming [et al.] // Front. Plant Sci. – 2021. – Vol. 15. – P. 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.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. Оценка эффективности алгоритмов YOLO для обнаружения объектов в реальном времени во встраиваемых системах беспилотных транспортных средств / А. В. Сацюк, Р. В. Белый, А. Е. Ищенко // Сборник научных трудов Донецкого института железнодорожного транспорта. – 2024. – № 4 (75). – С. 73–82. – ISSN 1993-5579.Satsuk, A. V. Evaluation of the effectiveness of YOLO algorithms for real-time object detection in embedded systems of unmanned vehicles / A. V. Satsuk, R. V. Bely, A. E. Ishchenko // Collection of scientific papers of the Donetsk Institute of Railway Transport. – 2024. – No. 4 (75). – P. 73–82. – ISSN 1993-5579.Redmon, J. A. YOLO9000 : Better, Faster, Stronger / J. Redmon, A. Farhadi // Conference on Computer Vision and Pattern Recognition (CVPR). – 2017. – arXiv :1612.08242v1.Redmon, J. A. YOLO9000 : Better, Faster, Stronger / J. Redmon, A. Farhadi // Conference on Computer Vision and Pattern Recognition (CVPR). – 2017. – arXiv :1612.08242v1.Сацюк, А. В. Анализ трекеров алгоритмов компьютерного зрения в вопросах отслеживания подвижных объектов в видеопотоке / А. В. Сацюк, Е. Г. Воевода // Сборник научных трудов Донецкого института железнодорожного транспорта. – 2023. – № 71. – С. 54–65. – ISSN 1993-5579.Satsuk, A. V. Analysis of computer vision algorithm trackers in matters of tracking moving objects in a video stream / A. V. Satsuk, E. G. Voevoda // Collection of scientific papers of the Donetsk Institute of Railway Transport. – 2023. – No. 71. – P. 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.Programmer's Library. JavaScript for deep learning / F. Schollet, E. Nilsson, S. Bayleschi [et al.]. – Saint-Petersburg : Piter, 2021. – 576 p. – ISBN 978-5-4461-1697-3.YOLOv8. Ultralytics. Официальный репозиторий YOLOv8 / G. Jocher, A. Stoken, A. Chaly [et al.]. – 2023. – URL: https://github.com/ultralytics/ultralytics (date of access: 02/07/2025).YOLOv8. Ultralytics. Official YOLOv8 repository / G. Jocher, A. Stoken, A. Chaly [et al.]. – 2023. – URL: https://github.com/ultralytics/ultralytics (date of access: 02/07/2025).Enhancing Geometric Factors in Model Learning and Inference for Object Detection and Instance Segmentation / Z. Zheng, P. Wang, D. Ren [et al.] // Transactions on Cybernetics. – DOI 10.1109/TCYB.2021.3095305.Zheng, Z. ??? Enhancing Geometric Factors in Model Learning and Inference for Object Detection and Instance Segmentation / Z. Zheng, P. Wang, D. Ren [et al.] // 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.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. Особенности разработки беспилотных летательных аппаратов для отрасли железнодорожного транспорта / А. В. Сацюк, А. А. Воробьев // Сборник научных трудов Донецкого института железнодорожного транспорта. – 2023. – № 68. – С. 13–21. – ISSN 1993-5579.Satsuk, A. V. Features of the development of unmanned aerial vehicles for the railway transport industry / A. V. Satsuk, A. A. Vorobyov // Collection of scientific papers of the Donetsk Institute of Railway Transport. – 2023. – No. 68. – P. 13–21. – ISSN 1993-5579Сацюк, А. В. Автономное наведение БПЛА с использованием компьютерного зрения : проблема точного управления рулями / А. В. Сацюк, Д. В. Швалов // Автоматика на транспорте. – 2024. – Т. 10, № 4. – С. 372–381. – DOI 10.20295/2412-9186-2024-10-04-372-381.Satsuk, A. V. Autonomous guidance of UAVs using computer vision : the problem of precise control of rudders / A. V. Satsuk, D. V. Shvalov // Automation in transport. – 2024. – Vol. 10, No. 4. – P. 372–381. – DOI 10.20295/2412-9186-2024-10-04-372-381.Lalak, M. Automated Detection of Atypical Aviation Obstacles from UAV Images Using a YOLO Algorithm / M. Lalak, D. Wierzbicki // Sensors (Basel). – 2022. – Vol. 22, No. 17. – P. 6611.Lalak, M. Automated Detection of Atypical Aviation Obstacles from UAV Images Using a YOLO Algorithm / M. Lalak, D. Wierzbicki // Sensors (Basel). – 2022. – Vol. 22, No. 17. – P. 6611. – DOI 10.3390/s22176611.

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