Аналіз продуктивності алгоритму детекції об’єктів YOLOv8n на мікрокомп’ютерах RaspberyPi ТА NVidia Jetson Nano

Автор(и)

DOI:

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

Ключові слова:

БПЛА, розпізнавання образів, розпізнавання зображень, детекція об’єктів, нейромережа, YOLO, RaspberryPi, Jetson Nano, автопілот, автономне керування, одноплатний комп’ютер

Анотація

У науковій статті описані підходи для реалізації комплексу автономного управління на БПЛА. Зокрема виділено архітектуру з використанням одноплатного комп’ютера, що може бути встановлений безпосередньо на літальний апарат. Для такої архітектури побудови комплексу обрано потенційні одноплатні комп’ютери та досліджено їх швидкодію. Для оцінки описано та проведено експеримент з запуску алгоритму розпізнавання образів на базі нейроморежі Yolo v8 nano. В статі наведені результати роботи алгоритму. На основі проведеного експерименту визначено, що для подібних алгоритмів доцільно використовувати Jetson Nano. А RaspberryPi не володіє достатньою потужністю для конкретної задачі з обраним алгоритмом.

Посилання

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.

##submission.downloads##

Опубліковано

2024-04-01

Як цитувати

Лукаш, Ю. (2024). Аналіз продуктивності алгоритму детекції об’єктів YOLOv8n на мікрокомп’ютерах RaspberyPi ТА NVidia Jetson Nano. Проблеми iнформатизацiї та управлiння, 1(77), 61–67. https://doi.org/10.18372/2073-4751.77.18658

Номер

Том 1 № 77 (2024)

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.