Эффективность моделей нейронных сетей для автоматического обнаружения и распознавания наземных объектов на инфракрасных изображениях

Abstract

В статье проведено исследование современных моделей нейронных сетей, предназначенных для распознавания объектов на инфракрасных изображениях, полученных с беспилотных летательных аппаратов (БПЛА). Рассмотрены различные архитектуры YOLO (You Only Look Once), включая версии YOLOv5, YOLOv8 и YOLOv9. Оценка моделей выполнена по ключевым метрикам, таким как точность (Precision), полнота (Recall) и средняя точность (mAP), с учетом вычислительных требований. Особое внимание уделено применению моделей в условиях ограниченных ресурсов и повышенной сложности данных, что делает их актуальными для задач мониторинга и анализа в сложных условиях эксплуатации. Также был проведен анализ эффективности моделей нейронных сетей при решении задачи поисково-спасательных операций. Исследование показало, что наилучшие результаты по точности классификации объектов продемонстрировали модели YOLOv8l и YOLOv5mu с соответствующими значениями 0.912 и 0.911. Наибольшую полноту показали модели YOLOv8s и YOLOv9c с результатами 0.836 и 0.827. По метрике mAP50–95 лучшие результаты были достигнуты моделями YOLOv9c и YOLOv8l-worldv2, с показателями 0.591 и 0.566 соответственно. Полученные результаты могут быть полезны для выбора оптимальной модели при решении задач обнаружения и распознавания объектов на инфракрасных изображениях. Модель Yolov8s является наилучшим выбором для поисково-спасательных операций, так как она демонстрирует высокие результаты полноты: 0.836 и mAP50: 0.861.

In this paper the study of modern neural network models designed for object recognition in infrared images acquired from unmanned aerial vehicles (UAVs) is carried out. Different YOLO (You Only Look Once) architectures including YOLOv5, YOLOv8 and YOLOv9 versions are considered. Models are evaluated on key metrics such as Precision (Precision), completeness (Recall) and mean accuracy (mAP), taking into account computational requirements. Particular attention is paid to the application of the models under resource constraints and increased data complexity, making them relevant for monitoring and analysis tasks in complex operating environments. The analysis of the effectiveness of neural network models for search and rescue operations has been conducted. The study demonstrates that the best results in object classification precision have been obtained by the YOLOv8l and YOLOv5mu models, with corresponding values of 0.912 and 0.911. The highest recall has been achieved by the YOLOv8s and YOLOv9c models, with results of 0.836 and 0.827. In terms of the mAP50–95 metric, the YOLOv9c and YOLOv8l-worldv2 models have the best performance, with scores of 0.591 and 0.566, respectively. The obtained results can be useful for selecting the optimal model for object detection and recognition tasks on infrared images. The YOLOv8s model is the best choice for search and rescue operations as it demonstrates high recall (0.836) and mAP50 (0.861).