Исследование качества и производительности работы алгоритмов семейства YOLO в задаче распознавания объектов малых размеров

Авторы

Аннотация

В работе представлены результаты исследования нейронных сетей для обнаружения объектов YOLO применительно к обнаружению объектов малого размера. Сеть обучалась обнаружению средних и больших объектов, потому раз- меры в единицы пикселей требуют усложнения подхода. Проведен обзор раз- личных детекторов объектов. Наилучший баланс между кач еством и производи- тельностью показала модель YOLOv8s, достигшая высоких показателей метрик mAP50 (0,968), mAP50 -90 (0,647), Precision (0,933), Recall (0,949) и F1 -score (0,941) при средней скорости обработки кадров 42 FPS. Для повышения точности распознавания проведено дообучение модели до 200 эпох, а также интеграция трекера BoT-SORT, что позволило сократить количество ложных срабатываний на фоновые объекты и повысить метрики Precision, Recall и F1-score на 4, 3 и 3% соответственно. Тестирование на встраи ваемых платформах NVIDIA Jetson под- твердило возможность работы YOLOv8s в реальном времени на Jetson Xavier (до 45 FPS в формате TensorRT 8), а для Jetson TX2 рекомендовано использование облегчённой модели YOLOv8n при снижении разрешения входных данных.