Research on the impact of Non_Maximal Suppression threshold value on YOLO’s ability to recognize objects in low-quality images
DOI:
https://doi.org/10.18372/2073-4751.74.17884Keywords:
YOLO, YOLOv7, UAV, NMS, objects detectionAbstract
Based on the analysis of existing approaches to object detection in images, the YOLO model was selected for investigating the dependency of performance on the Non-Maximal Suppression (NMS) threshold value. This article addresses the current challenge of utilizing unmanned aerial vehicles (UAVs), particularly drones, in various fields where they are employed for collecting visual data. The primary objective of this research is to study and evaluate the optimal NMS threshold value for the YOLOv7 model when processing images acquired from UAVs under conditions characterized by low resolution, noise, and other artifacts. The study demonstrates that the YOLOv7 model can be effective in recognizing objects in images obtained from drones, even in the presence of low resolution and noise. However, it was observed that altering the NMS parameter affects the accuracy and frequency of false object detections. Decreasing the parameter value can enhance object recognition but concurrently increases the likelihood of false detections. The obtained results indicate the need for further research in this area, including improving the quality of source images, developing individualized approaches, and methods for working with visual data obtained from UAVs with low resolution.
References
Jonathan Hui. Object detection: speed and accuracy comparison (Faster R-CNN, R-FCN, SSD, FPN, RetinaNet and YOLOv3). URL: https://jonathan-hui.medium.com/object-detection-speed-and-accuracy-comparison-faster-r-cnn-r-fcn-ssd-and-yolo-5425656ae359.
Chen C., Zheng Z., Xu T., Guo S., Feng S., Yao W., Lan Y. YOLO-Based UAV Technology: A Review of the Research and Its Applications. Drones. 2023. V. 7. 190.
Buchholz K., Statista. Commercial Drones Are Taking Off. URL: https://www.statista.com/chart/17201/commecial-drones-projected-growth/.
Yang H., Liu Y., Wang S., Qu H., Li N., Wu J., Yan Y., Zhang H., Wang J., Qiu J. Improved Apple Fruit Target Recognition Method Based on YOLOv7 Model. Agriculture. 2023. V. 13. 1278.
Weber E., Vedaldi A., Bischof H., Brox T., Frahm J.M. Detecting Natural Disasters, Damage, and Incidents in the Wild. Computer Vision – ECCV 2020. ECCV 2020. Lecture Notes in Computer Science. 2020. V. 12364. P. 331–350.
Du D., Qi Y., Yu H.g, Yang Y., Duan K., Li G., Zhang W.g, Huang Q., Tian Q. The Unmanned Aerial Vehicle Benchmark: Object Detection and Tracking. European Conference on Computer Vision (ECCV). 2018. 17 p.
Downloads
Published
Issue
Section
License
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).