Дослідження впливу значення порогу Non-Maximal Suppression на здатність YOLO до розпізнавання об’єктів на зображеннях низької якості
DOI:
https://doi.org/10.18372/2073-4751.74.17884Ключові слова:
YOLO, YOLOv7, UAV, NMS, ідентифікація об'єктівАнотація
На основі аналізу існуючих підходів щодо виявлення об’єктів на зображенні, було обрано модель YOLO для дослідження залежності ефективності від значення порогу Non-Maximal Suppression. У статті розглядається актуальна проблема використання безпілотних літальних апаратів (БПЛА), зокрема дронів, у різних галузях, де вони використовуються для збору візуальних даних. Основним завданням дослідження є вивчення та оцінка оптимального значення порогу Non-Maximal Suppression (NMS) для моделі YOLOv7 при обробці зображень, отриманих від БПЛА в умовах, характеризованих низькою роздільною здатністю, наявністю шуму та іншими артефактами. Дослідження показує, що модель YOLOv7 може бути ефективною для розпізнавання об'єктів на зображеннях, отриманих з дронів, навіть при наявності низької роздільної здатності та шуму. Проте, виявленл, що зміна параметра NMS впливає на точність та частоту помилкових детекцій об'єктів. Зниження значення параметра може підвищити впізнаваність об'єктів, але при цьому збільшується ймовірність хибних виявлень. Отримані результати вказують на необхідність подальших досліджень у цій області, зокрема, поліпшення якості вихідних зображень, розробка індивідуальних підходів та методів для роботи з візуальними даними, отриманими від БПЛА з низькою роздільною здатністю.
Посилання
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.
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
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).
