Эффективность моделей нейронных сетей для автоматического обнаружения и распознавания наземных объектов на инфракрасных изображениях

Аннотация

В статье проведено исследование современных моделей нейронных сетей, предназначенных для распознавания объектов на инфракрасных изображениях, полученных с беспилотных летательных аппаратов (БПЛА). Рассмотрены различные архитектуры YOLO (You Only Look Once), включая версии YOLOv5, YOLOv8 и YOLOv9. Оценка моделей выполнена по ключевым метрикам, таким как точность (Precision), полнота (Recall) и средняя точность (mAP), с учетом вычислительных требований. Особое внимание уделено применению моделей в условиях ограниченных ресурсов и повышенной сложности данных, что делает их актуальными для задач мониторинга и анализа в сложных условиях эксплуатации. Также был проведен анализ эффективности моделей нейронных сетей при решении задачи поисково-спасательных операций. Исследование показало, что наилучшие результаты по точности классификации объектов продемонстрировали модели YOLOv8l и YOLOv5mu с соответствующими значениями 0.912 и 0.911. Наибольшую полноту показали модели YOLOv8s и YOLOv9c с результатами 0.836 и 0.827. По метрике mAP50–95 лучшие результаты были достигнуты моделями YOLOv9c и YOLOv8l-worldv2, с показателями 0.591 и 0.566 соответственно. Полученные результаты могут быть полезны для выбора оптимальной модели при решении задач обнаружения и распознавания объектов на инфракрасных изображениях. Модель Yolov8s является наилучшим выбором для поисково-спасательных операций, так как она демонстрирует высокие результаты полноты: 0.836 и mAP50: 0.861.