Дослідження впливу значення порогу Non-Maximal Suppression на здатність YOLO до розпізнавання об’єктів на зображеннях низької якості

Автор(и)

  • М.С. Ладоня Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» https://orcid.org/0009-0009-8974-579X

DOI:

https://doi.org/10.18372/2073-4751.74.17884

Ключові слова:

YOLO, YOLOv7, UAV, NMS, ідентифікація об'єктів

Анотація

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

2023-06-30

Як цитувати

Ладоня, М. (2023). Дослідження впливу значення порогу Non-Maximal Suppression на здатність YOLO до розпізнавання об’єктів на зображеннях низької якості . Проблеми iнформатизацiї та управлiння, 2(74), 68–73. https://doi.org/10.18372/2073-4751.74.17884

Номер

Том 2 № 74 (2023)

Розділ

Статті

Ліцензія

Науковий журнал дотримується принципів відкритого доступу (Open Access) та забезпечує вільний, негайний і постійний доступ до всіх опублікованих матеріалів без фінансових, технічних або юридичних обмежень для читачів.

Усі статті публікуються у відкритому доступі відповідно до ліцензії Creative Commons Attribution 4.0 International (CC BY 4.0).

Авторські права

Автори, які публікують свої роботи в журналі:

  • зберігають за собою авторські права на свої публікації;

  • надають журналу право на перше опублікування статті;

  • погоджуються на поширення матеріалів за ліцензією CC BY 4.0;

  • мають право повторно використовувати, архівувати та поширювати свої роботи (у тому числі в інституційних та тематичних репозитаріях) за умови посилання на первинну публікацію в журналі.