Оцінка продуктивності та оптимізація моделей нейронних мереж YOLOV8 для розпізнання цілей

Abstract

Метою цього дослідження є проведення всебічного аналізу продуктивності різних типів моделей нейронних мереж (НМ) для розпізнавання цілей. Зокрема, це дослідження зосереджується на оцінці ефективності та продуктивності моделей yolov8n, yolov8s, yolov8m та YOLO у завданнях розпізнавання цілей. Використовуючи передові засоби, такі як OpenCV, Python та roboflow 3.0 FAST, дослідження спрямоване на розробку надійної методології для оцінки продуктивності цих моделей нейронних мереж. Мето- дологія включає розробку та впровадження експериментів для вимірювання ключових показників, таких як точність, швидкість та використання ресурсів. Завдяки ретель- ному аналізу це дослідження надає демонстрацію сильних та слабких сторін кожної моделі, сприяючи обґрунтованому прийняттю рішень для практичних застосувань. У цій статті представлено процес розробки та проведення аналізу продуктивності, підкреслюючи обґрунтування вибору конкретних методів та засобів. Крім того, в дослідженні представлено отримані результати тестування прототипу та огляд перс- пектив для майбутнього розвитку систем розпізнавання цілей.The objective of this research is to conduct a comprehensive performance analysis of various types of neural network (NN) models for target recognition. Specifically, this study focuses on evaluating the effectiveness and efficiency of yolov8n, yolov8s, yolov8m, and YOLO models in target recognition tasks. Leveraging cutting-edge technologies such as OpenCV, Python, and roboflow 3.0 FAST, the research aims to develop a robust methodology for assessing the performance of these NN models. The methodology includes the design and implementation of experiments to measure key metrics such as accuracy, speed, and resource utilization. Through meticulous analysis, this study aims to provide insights into the strengths and weaknesses of each model, facilitating informed decision-making for practical applications1. This paper presents the process of designing and conducting the performance analysis, highlighting the rationale behind the selection of specific technologies and methodologies. Furthermore, the study discusses the implications of the findings for future developments in target recognition systems.