Оптимизация архитектуры YOLOv8 для задач захвата объекта БПЛА: анализ компромисса между точностью, скоростью и вычислительными ресурсами
https://doi.org/10.46973/0201-727X_2025_2_35
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 авторе
А. В. Сацюк
Донецкий институт железнодорожного транспорта (ДОНИЖТ)
Россия
Россия
Сацюк Александр Владимирович, кафедра «Автоматика, телемеханика, связь и вычислительная техника», кандидат технических наук, доцент
Список литературы
1. 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.
2. 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.
3. 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.
4. Redmon, J. A. YOLO9000 : Better, Faster, Stronger / J. Redmon, A. Farhadi // Conference on Computer Vision and Pattern Recognition (CVPR). – 2017. – arXiv :1612.08242v1.
5. 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.
6. 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.
7. 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).
8. 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.
9. 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.
10. 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.
11. Сацюк, 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.
12. 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.
Рецензия
Для цитирования:
Сацюк А.В. Оптимизация архитектуры YOLOv8 для задач захвата объекта БПЛА: анализ компромисса между точностью, скоростью и вычислительными ресурсами. Вестник Ростовского государственного университета путей сообщения. 2025;(2):35-42. https://doi.org/10.46973/0201-727X_2025_2_35
For citation:
Satsuk A.V. Optimization of YOLOv8 architecture for UAV object capture tasks: analysis of the trade-off between accuracy, speed and computational resources. Vestnik Rostovskogo Gosudarstvennogo Universiteta Putej Soobshcheniya. 2025;(2):35-42. (In Russ.) https://doi.org/10.46973/0201-727X_2025_2_35
Просмотров:
10
JATS XML
Послать статью по эл. почте 