Оцінка продуктивності та оптимізація моделей нейронних мереж YOLOV8 для розпізнання цілей

Simple item page
dc.citation.epage251
dc.citation.issue2
dc.citation.journalTitleКомп'ютерні системи та мережі
dc.citation.spage242
dc.citation.volume6
dc.contributor.affiliationНаціональний університет «Львівська політехніка»
dc.contributor.affiliationНаціональний університет «Львівська політехніка»
dc.contributor.affiliationLviv Polytechnic National University
dc.contributor.affiliationLviv Polytechnic National University
dc.contributor.authorЦюник, Б. С.
dc.contributor.authorМуляревич, О. В.
dc.contributor.authorTsiunyk, B. S.
dc.contributor.authorMuliarevych, O. V.
dc.coverage.placenameЛьвів
dc.coverage.placenameLviv
dc.date.accessioned2025-12-11T11:15:23Z
dc.date.created2024-10-10
dc.date.issued2024-10-10
dc.description.abstractМетою 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.
dc.description.abstractThe 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.
dc.format.extent242-251
dc.format.pages10
dc.identifier.citationЦюник Б. С. Оцінка продуктивності та оптимізація моделей нейронних мереж YOLOV8 для розпізнання цілей / Б. С. Цюник, О. В. Муляревич // Комп'ютерні системи та мережі. — Львів : Видавництво Львівської політехніки, 2024. — Том 6. — № 2. — С. 242–251.
dc.identifier.citation2015Цюник Б. С., Муляревич О. В. Оцінка продуктивності та оптимізація моделей нейронних мереж YOLOV8 для розпізнання цілей // Комп'ютерні системи та мережі, Львів. 2024. Том 6. № 2. С. 242–251.
dc.identifier.citationenAPATsiunyk, B. S., & Muliarevych, O. V. (2024). Otsinka produktyvnosti ta optymizatsiia modelei neironnykh merezh YOLOV8 dlia rozpiznannia tsilei [Performance evaluation and optimization of YOLOV8 neural network models for target recognition]. Computer Systems and Networks, 6(2), 242-251. Lviv Politechnic Publishing House. [in Ukrainian].
dc.identifier.citationenCHICAGOTsiunyk B. S., Muliarevych O. V. (2024) Otsinka produktyvnosti ta optymizatsiia modelei neironnykh merezh YOLOV8 dlia rozpiznannia tsilei [Performance evaluation and optimization of YOLOV8 neural network models for target recognition]. Computer Systems and Networks (Lviv), vol. 6, no 2, pp. 242-251 [in Ukrainian].
dc.identifier.doiDOI: https://doi.org/10.23939/csn2024.02.242
dc.identifier.urihttps://ena.lpnu.ua/handle/ntb/123984
dc.language.isouk
dc.publisherВидавництво Львівської політехніки
dc.publisherLviv Politechnic Publishing House
dc.relation.ispartofКомп'ютерні системи та мережі, 2 (6), 2024
dc.relation.ispartofComputer Systems and Networks, 2 (6), 2024
dc.relation.references1. Das, S., Saha, S., Coello Coello, C.A., Bansal, J.C., (2023). “Deep Neural Network Based Performance Evaluation and Comparative Analysis of Human Detection in Crowded Images Using YOLO Models”. In International Conference on Advances in Data-Driven Computing and Intelligent Systems. ADCIS. Lecture Notes in Networks and Systems, vol 893. Springer, Singapore., pp. 508–509. DOI: 10.1007/978-981-99-9518-9_37.
dc.relation.references2. Delleji, T., Slimeni, F., Fekih, H., (2022). “An Upgraded-YOLO with Object Augmentation: Mini-UAV Detection Under Low-Visibility Conditions by Improving Deep Neural Networks”. Oper. Res. Forum 3, 60, pp. 3–5.DOI: 10.1007/s43069-022-00163-7.
dc.relation.references3. Tattari, J., Donthi, V. R., Mukirala, D., Komar Kour, S., (2021). “Deep Neural Networks Based Object Detection for Road Safety Using YOLO-V3”. In Smart Computing Techniques and Applications. Smart Innovation, System and Technologies, vol 225. Springer, Singapore., pp. 731–733. DOI: 10.1007/978-981-16-0878-0_71.
dc.relation.references4. Poskart, B., Iskierka, G., Krot, K., (2024). “Logistics 4.0 – Monitoring of Transport Trolley in the Factory Through Vision Systems Using the YOLO Model Based on Convolution Neural Networks”, In International Conference on Intelligent Systems in Production Engineering and Maintenance III. ISPEM 2023. Lecture Notes in Mechanical Engineering, Springer, Cham., pp. 348–350. DOI: 10.1007/978-3-031-44282-7_27.
dc.relation.references5. Priyankan, K. and Fernando, T.G.I., (2021). “Mobile Application to Identify Fish Species Using YOLO and Convolutional Neural Networks.” In Proceedings of International Conference on Sustainable Expert Systems: ICSES 2020, volume 176. Springer, Singapore., pp. 304–308. DOI: 10.1007/978-981-33-4355-9_24.
dc.relation.references6. Ayob, A. F., Khairuddin, K., Mustafah, Y.M., Salisa, A.R., Kadir, K., (2021). “Analysis of Pruned Neural Networks (MobileNetV2-YOLOv2) for Underwater Object Detection”. In: Proceedings of the 11th National Technical Seminar on Unmanned System Technology 2019. NUSYS 2019. Lecture Notes in Electrical Engineering vol666. Springer, Singapore., pp. 87–88. DOI: 10.1007/978-981-15-5281-6_7.
dc.relation.references7. A Byte of Python, (2022). [Electronic resource]. – Available at: https://homepages.uc.edu/~becktl/byte_of_python.pdf. (Accessed: March 29, 2024).
dc.relation.references8. Bansal, J.C. and Uddin, M.S., (2023). “Computer Vision and Machine Learning in Agriculture, Volume 3”. In: Algorithms for Intelligent Systems., pp. 120–125. DOI: 10.1007/978-981-99-3754-7.
dc.relation.references9. Learning OpenCV, (2022). [Electronic resource]. – Available at: https://www.bogotobogo.com/cplusplus/files/OReilly%20Learning%20OpenCV.pdf. (Accessed: March 29, 2024).
dc.relation.references10. Huang, D.S., Premaratne, P., Jin, B., Qu, B., Jo, K.H. and Hussain, A., (2023). “Advanced Intelligent Computing Technology and Application”. Springer, Singapore., pp. 83–88. DOI: 10.1007/978-981-99-4742-3
dc.relation.references11. Lys, R., Opotyak, Y., (2023). “Development of a Video Surveillance System for Motion Detection and Object Recognition”. Advances in Cyber-Physical Systems, 8(1), pp. 50–53, DOI: 10.23939/acps2023.01.050.
dc.relation.referencesen1. Das, S., Saha, S., Coello Coello, C.A., Bansal, J.C., (2023). "Deep Neural Network Based Performance Evaluation and Comparative Analysis of Human Detection in Crowded Images Using YOLO Models". In International Conference on Advances in Data-Driven Computing and Intelligent Systems. ADCIS. Lecture Notes in Networks and Systems, vol 893. Springer, Singapore., pp. 508–509. DOI: 10.1007/978-981-99-9518-9_37.
dc.relation.referencesen2. Delleji, T., Slimeni, F., Fekih, H., (2022). "An Upgraded-YOLO with Object Augmentation: Mini-UAV Detection Under Low-Visibility Conditions by Improving Deep Neural Networks". Oper. Res. Forum 3, 60, pp. 3–5.DOI: 10.1007/s43069-022-00163-7.
dc.relation.referencesen3. Tattari, J., Donthi, V. R., Mukirala, D., Komar Kour, S., (2021). "Deep Neural Networks Based Object Detection for Road Safety Using YOLO-V3". In Smart Computing Techniques and Applications. Smart Innovation, System and Technologies, vol 225. Springer, Singapore., pp. 731–733. DOI: 10.1007/978-981-16-0878-0_71.
dc.relation.referencesen4. Poskart, B., Iskierka, G., Krot, K., (2024). "Logistics 4.0 – Monitoring of Transport Trolley in the Factory Through Vision Systems Using the YOLO Model Based on Convolution Neural Networks", In International Conference on Intelligent Systems in Production Engineering and Maintenance III. ISPEM 2023. Lecture Notes in Mechanical Engineering, Springer, Cham., pp. 348–350. DOI: 10.1007/978-3-031-44282-7_27.
dc.relation.referencesen5. Priyankan, K. and Fernando, T.G.I., (2021). "Mobile Application to Identify Fish Species Using YOLO and Convolutional Neural Networks." In Proceedings of International Conference on Sustainable Expert Systems: ICSES 2020, volume 176. Springer, Singapore., pp. 304–308. DOI: 10.1007/978-981-33-4355-9_24.
dc.relation.referencesen6. Ayob, A. F., Khairuddin, K., Mustafah, Y.M., Salisa, A.R., Kadir, K., (2021). "Analysis of Pruned Neural Networks (MobileNetV2-YOLOv2) for Underwater Object Detection". In: Proceedings of the 11th National Technical Seminar on Unmanned System Technology 2019. NUSYS 2019. Lecture Notes in Electrical Engineering vol666. Springer, Singapore., pp. 87–88. DOI: 10.1007/978-981-15-5281-6_7.
dc.relation.referencesen7. A Byte of Python, (2022). [Electronic resource], Available at: https://homepages.uc.edu/~becktl/byte_of_python.pdf. (Accessed: March 29, 2024).
dc.relation.referencesen8. Bansal, J.C. and Uddin, M.S., (2023). "Computer Vision and Machine Learning in Agriculture, Volume 3". In: Algorithms for Intelligent Systems., pp. 120–125. DOI: 10.1007/978-981-99-3754-7.
dc.relation.referencesen9. Learning OpenCV, (2022). [Electronic resource], Available at: https://www.bogotobogo.com/cplusplus/files/OReilly%20Learning%20OpenCV.pdf. (Accessed: March 29, 2024).
dc.relation.referencesen10. Huang, D.S., Premaratne, P., Jin, B., Qu, B., Jo, K.H. and Hussain, A., (2023). "Advanced Intelligent Computing Technology and Application". Springer, Singapore., pp. 83–88. DOI: 10.1007/978-981-99-4742-3
dc.relation.referencesen11. Lys, R., Opotyak, Y., (2023). "Development of a Video Surveillance System for Motion Detection and Object Recognition". Advances in Cyber-Physical Systems, 8(1), pp. 50–53, DOI: 10.23939/acps2023.01.050.
dc.relation.urihttps://homepages.uc.edu/~becktl/byte_of_python.pdf
dc.relation.urihttps://www.bogotobogo.com/cplusplus/files/OReilly%20Learning%20OpenCV.pdf
dc.rights.holder© Національний університет „Львівська політехніка“, 2024
dc.rights.holder© Цюник Б.С., Муляревич О.В. 2024
dc.subjectнейронні мережі (NN)
dc.subjectрозпізнавання цілей
dc.subjectyolov8
dc.subjectYOLO
dc.subjectOpenCV
dc.subjectмодель НМ
dc.subjectyolov8
dc.subjectYOLO
dc.subjectOpenCV
dc.subjectNN model
dc.subject.udc004.8
dc.subject.udc004.932
dc.titleОцінка продуктивності та оптимізація моделей нейронних мереж YOLOV8 для розпізнання цілей
dc.title.alternativePerformance evaluation and optimization of YOLOV8 neural network models for target recognition
dc.typeArticle

Files

Original bundle

Now showing 1 - 1 of 1
Thumbnail Image
Name:
2024v6n2_Tsiunyk_B_S-Performance_evaluation_242-251.pdf
Size:
1.23 MB
Format:
Adobe Portable Document Format
Download

License bundle

Now showing 1 - 1 of 1
Thumbnail Image
Name:
license.txt
Size:
1.79 KB
Format:
Plain Text
Description:
Download

Collections

Комп'ютерні системи та мережі. – 2024. – Том 6, № 2