КОМПЛЕКСНАЯ ОЦЕНКА АЛГОРИТМА ОБНАРУЖЕНИЯ ОБЪЕКТОВ В РЕАЛЬНОМ ВРЕМЕНИ НА ОСНОВЕ РАСШИРЕННЫХ КРИТЕРИЕВ
DOI:
https://doi.org/10.52167/1609-1817-2024-134-5-239-246Ключевые слова:
обнаружение объектов, алгоритм YOLO, время обработки, кадры в секунду (FPS), анализ изображений, приложения в реальном времениАннотация
В этом исследовании мы реализовали YOLO (You Only Look Once) для обнаружения объектов в реальном времени и оценили его производительность на основе ключевых показателей, таких как скорость обработки, частота кадров и точность обнаружения объектов. Наш подход подчеркивает как точность, так и эффективность YOLO, фокусируясь на его способности обнаруживать объекты в реальных сценариях, сохраняя при этом низкую вычислительную стоимость. Для идентификации и подсчета объектов алгоритм YOLO был применен для анализа трех изображений. Он разделил каждое изображение на сетку, и каждая ячейка предсказывала ограничивающие рамки и оценки уверенности для потенциальных объектов. После обработки этих прогнозов с использованием немаксимального подавления для удаления дубликатов каждое изображение содержало точное количество обнаруженных элементов. Модель достигла времени обработки 17,68 секунд, со средним значением 0,25 секунды на кадр, что демонстрирует способность системы быстро обнаруживать объекты в приложениях, работающих в режиме, близком к реальному времени. В среднем, было обнаружено 1,32 объекта на кадр, с максимумом 1,67 объекта в одном кадре и минимумом 1 объект на кадр, что указывает на последовательное обнаружение по всему набору данных. Среднеквадратическое отклонение объектов на кадр (0,113) показывает низкую изменчивость показателей обнаружения объектов, отражая надежность модели при обработке различных входных кадров. Достигнутая частота кадров 4,2 кадра в секунду демонстрирует потенциал модели для приложений в реальном времени, особенно в средах, где скорость обработки имеет решающее значение. Научная новизна этой работы заключается в демонстрации адаптивности YOLO для эффективного обнаружения объектов при сохранении высоких показателей обнаружения и постоянной производительности в различных сценариях. Это исследование вносит вклад в эту область, демонстрируя применимость YOLO в системах реального времени, где скорость и точность обнаружения объектов имеют первостепенное значение. Наши результаты дают основу для дальнейшей оптимизации в высокопроизводительных задачах обнаружения объектов с низкой задержкой, а также для масштабируемости для более сложных систем обнаружения. Результаты подчеркивают потенциал YOLO как в академических, так и в промышленных условиях.
Библиографические ссылки
[1] Benjumea, A., Teeti, I., Cuzzolin, F., & Bradley, A. (2021). YOLO-Z: Improving small object detection in YOLOv5 for autonomous vehicles. ArXiv Preprint ArXiv:2112.11798.
[2] Dazlee, N., Khalil, S., Abdul-Rahman, S., & Mutalib, S. (2022). Object detection for autonomous vehicles with sensor-based technology using YOLO. International Journal of Intelligent Systems and Applications in Engineering, 10, 129-134.
[3] Liang, S., Wu, H., Zhen, L., Hua, Q., Garg, S., Kaddoum, G., Hassan, M., & Yu, K. (2022). Edge YOLO: Real-time intelligent object detection system based on edge-cloud cooperation in autonomous vehicles. IEEE Transactions on Intelligent Transportation Systems, 23, 25345-25360.
[4] Rjoub, G., Wahab, O., Bentahar, J., & Bataineh, A. (2021). Improving autonomous vehicles safety in snow weather using federated YOLO CNN learning. International Conference on Mobile Web and Intelligent Information Systems, pp. 121-134.
[5] Zaghari, N., Fathy, M., Jameii, S., & Shahverdy, M. (2021). The improvement in obstacle detection in autonomous vehicles using YOLO non-maximum suppression fuzzy algorithm. The Journal of Supercomputing, 77, 13421-13446.
[6] Ashraf, A., Imran, M., Qahtani, A., Alsufyani, A., Almutiry, O., Mahmood, A., Attique, M., & Habib, M. (2022). Weapons detection for security and video surveillance using CNN and YOLO-v5s. CMC-Comput. Mater. Contin., 70, pp. 2761-2775.
[7] Nguyen, H., Ta, T., Nguyen, N., Pham, H., Nguyen, D., & Others. (2021). YOLO based real-time human detection for smart video surveillance at the edge. 2020 IEEE Eighth International Conference on Communications and Electronics (ICCE), pp. 439-444.
[8] Narejo, S., Pandey, B., Esenarro Vargas, D., Rodriguez, C., & Anjum, M. (2021). Weapon detection using YOLO V3 for smart surveillance system. Mathematical Problems in Engineering, 2021, pp. 1-9.
[9] Kumar, P., Narasimha Swamy, S., Kumar, P., Purohit, G., & Raju, K. (2021). Real-Time, YOLO-Based Intelligent Surveillance and Monitoring System Using Jetson TX2. Data Analytics and Management: Proceedings Of ICDAM, pp. 461-471.
[10] Singh, A., Anand, T., Sharma, S., & Singh, P. (2021). IoT based weapons detection system for surveillance and security using YOLOV4. 2021 6th International Conference on Communication and Electronics Systems (ICCES), pp. 488-493.
[11] Parikh, H., Saijwal, I., Panchal, N., & Sharma, A. (2022). Autonomous Mobile Robot for Inventory Management in Retail Industry. Futuristic Trends in Networks and Computing Technologies: Select Proceedings of Fourth International Conference on FTNCT 2021, pp. 93-103.
[12] Wu, W., & Lu, Z. (2022). A Real-Time Cup-Detection Method Based on YOLOv3 for Inventory Management. Sensors, 22, 6956.
[13] Bharadi, V., Mukadam, S., Prasad, R., Upparakakula, K., & Jaygade, J. (2023). Real-Time Inventory Analysis Using Jetson Nano with Object Detection and Analysis. Intech Open.
[14] Onyango, L. (2018). Convolutional Neural Network to enhance stock taking. (University of Nairobi).
[15] Rane, N. (2023). YOLO and Faster R-CNN object detection for smart Industry 4.0 and Industry 5.0: applications, challenges, and opportunities. Available at SSRN 4624206.
[16] George, J., Skaria, S., Varun, V., & Others. (2018). Using YOLO based deep learning network for real time detection and localization of lung nodules from low dose CT scans. Medical Imaging 2018: Computer-Aided Diagnosis, pp. 347-355.
[17] INTHIYAZ, S., AHAMMAD, S., KRISHNA, A., Bhargavi, V., Govardhan, D., & Rajesh, V. (2020). YOLO (YOU ONLY LOOK ONCE) Making Object detection work in Medical Imaging on Convolution detection System. International Journal of Pharmaceutical Research (09752366), 12, (2020).
[18] Han, R., Liu, X., & Chen, T. (2022). Yolo-SG: Salience-Guided Detection of Small Objects in Medical Images. 2022 IEEE International Conference On Image Processing (ICIP), pp. 4218-4222.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2024 Бауыржан Берліқожа, Азамат Серек, Бейбут Амиргалиев, Мирас Мұсабек, Айнур Жумадиллаева

Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.