Performance analysis of YOLOv8n object detection algorithm on RaspberryPi and NVidia Jetson Nano microcomputers

Authors

DOI:

https://doi.org/10.18372/2073-4751.77.18658

Keywords:

UAV, pattern recognition, image recognition, object detection, neural network, YOLO, RaspberryPi, Jetson Nano, autopilot, autonomous control, single board computer

Abstract

The scientific article describes approaches to the implementation of a complex of autonomous control of UAVs. In particular, the architecture with the use of a single-board computer that can be installed directly on the aircraft is highlighted. Potential single-board computers were selected for such an architecture of the complex construction and their performance was investigated. For evaluation, an experiment was described and conducted to run the pattern recognition algorithm based on the Yolo v8 nano neural network. The results of the algorithm are given in the article. Based on the conducted experiment, it was determined that it is advisable to use Jetson Nano for similar algorithms. And RaspberryPi does not have enough power for a specific task with the selected algorithm.

References

Feng H. et al. Benchmark analysis of yolo performance on edge intelligence devices. Cryptography. 2022. Vol. 6, iss. 2. 16. DOI: 10.3390/cryptography6020016.

Suzen A. A., Duman B., Sen B. Benchmark Analysis of Jetson TX2, Jetson Nano and Raspberry PI using Deep-CNN. 2020 International Congress on Human-Computer Interaction, Optimization and Robotic Applications (HORA) : proceedings, Ankara, Turkey, 26-28 June 2020 / IEEE. Danvers, 2020. 5 p. DOI: 10.1109/HORA49412.2020.9152915.

Pathak A. R., Pandey M., Rautaray S. Application of Deep Learning for Object Detection. Procedia Computer Science. 2018. Vol. 132, Iss. 6. P. 1706–1717. DOI: 10.1016/j.procs.2018.05.144.

Redmon J. et al. You only look once: Unified, real-time object detection. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR) : proceed-ings, Las Vegas, NV, USA, 27-30 June 2016 / IEEE. Danvers, 2016. P. 779–788. DOI: 10.1109/CVPR.2016.91.

Mohsan S. A. H. et al. Unmanned aerial vehicles (UAVs): practical aspects, applications, open challenges, security is-sues, and future trends. Intelligent Service Robotics. 2023. Vol. 16, iss. 1. P. 109–137. DOI: 10.1007/s11370-022-00452-4.

Radoglou-Grammatikis P. et al. A compilation of UAV applications for preci-sion agriculture. Computer Networks. 2020. Vol. 172. 107148. DOI: 10.1016/j.comnet.2020.107148.

Akhloufi M. A., Couturier A., Cas-tro N. A. Unmanned aerial vehicles for wildland fires: Sensing, perception, coop-eration and assistance. Drones. 2021. Vol. 5, Iss. 1. 15. DOI: 10.3390/drones5010015.

Downloads

Published

2024-04-01

Issue

Vol. 1 No. 77 (2024)

Section

Статті

License

Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:

  1. 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.

  2. 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.

  3. 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).