ПОЛІПШЕНІ МЕТОДИ РОЗПІЗНАВАННЯ ОБ’ЄКТІВ У UAV НА ОСНОВІ YOLO

Ельвіра КАЙДАН

Анотація


роботі представлено результати вдосконалення системи розпізнавання об’єктів для безпілотних літальних апаратів на основі оптимізації передобробки зображень та переходу до нової нейронної мережі YOLO11s. Запропонований метод паддингу білими полями замість масштабування забезпечив збереження геометричних пропорцій та підвищення впевненості класифікації. Скорочення кількості класів дозволило зменшити час обробки кадру та підвищити точність. Перехід від YOLO8n до YOLO11s забезпечив суттєвий приріст якості, зменшення латентності та скорочення часу навчання з двох годин до менше ніж 30 хвилин. Представлені графіки та реальні приклади демонструють покращені характеристики моделі.

Ключові слова


UAV, детекція об’єктів, YOLO11s, паддинг, класифікація, нейронні мережі

Повний текст:

PDF

Посилання


Yilmaz B., Kutbay U. YOLOv8-Based Drone Detection: Performance Analysis and Optimization // Computers. — 2024. — Vol. 13, № 9. — Art. 234. DOI:10.3390/computers13090234.

Kurmashev I., Semenyuk V., Lupidi A., Alyoshin D., Kurmasheva L., Cantelli-Forti A. Optimal YOLO Visual Detector for Enhancing UAV Detection and Classification in Sensor Fusion Systems // Drones. — 2025. — Vol. 9, № 11. — Art. 732. DOI:10.3390/drones9110732.

Meimetis D., Daramouskas I., Patrinopoulou N., Lappas V., Kostopoulos V. Comparative Analysis of Object Detection Models for Edge Devices in UAV Swarms // Machines. — 2025. — Vol. 13, № 8. — Art. 684. DOI:10.3390/machines13080684.

Wang Z., Peng Y., Shen C. A YOLO-Based Multi-Scale and Small Object Detection Framework for Low-Altitude UAVs in Cluttered Scenes // Symmetry. — 2025. — Vol. 17, № 9. — Art. 1519. DOI:10.3390/sym17091519.

Cheng J., Wang D., Liu J., Deng W. Performance Optimization and Application Research of YOLOv8 Model in Object Detection // Academic Journal of Science and Technology. — 2024. — Vol. 10, No. 1. — P. 325–332. DOI:10.54097/p9w3ax47

Ren G., Wu J., Wang W. Research on UAV Target Detection Based on Improved YOLOv11 // Journal of Computer and Communications. — 2025. — Vol. 13, № 3. — P. 74-85. DOI:10.4236/jcc.2025.133006.

Zhang C., et al. Studying the performance of YOLO11 incorporating DHSA // Scientific Reports. — 2025. — Art. 13435. DOI:10.1038/s41598-025-13435-z.

Hu C., Shi W. Impact of Scaled Image on Robustness of Deep Neural Networks // arXiv preprint. — 2022. — arXiv:2209.02132.

Munir A., Siddiqui A.J., Anwar S., El-Maleh A., Khan A.H., Rehman A. Impact of Adverse Weather and Image Distortions on Vision-Based UAV Detection: A Performance Evaluation of Deep Learning Models // Drones. — 2024. — Vol. 8, No. 11. — Art. 638. DOI:10.3390/drones8110638




DOI: https://doi.org/10.32620/pls.2025.8.55

Посилання

  • Поки немає зовнішніх посилань.