mireabulletinRussian Technological JournalRussian Technological Journal2782-32102500-316XRTU MIREA10.32362/2500-316X-2025-13-4-25-36WVWVCJmireabulletin-1208Research ArticleСОВРЕМЕННЫЕ РАДИОТЕХНИЧЕСКИЕ И ТЕЛЕКОММУНИКАЦИОННЫЕ СИСТЕМЫMODERN RADIO ENGINEERING AND TELECOMMUNICATION SYSTEMSИсследование эффективности применения моделей нейронных сетей YOLO для распознавания объектов на радиолокационных изображенияхEfficiency of YOLO neural network models applied for object recognition in radar imageshttps://orcid.org/0009-0001-5568-8290КраснопероваА. С.KrasnoperovaAlena S.

Красноперова Алена Сергеевна, инженер студенческого конструкторского бюро «Интеллектуальные радиотехнические системы», кафедра радиотехнических систем

634050, Томск, пр. Ленина, д. 40

Alena S. Krasnoperova, Engineer of the Student Design Bureau of Intelligent Radio Engineering Systems, Department of Radio Engineering Systems

40, Lenina pr., Tomsk, 634050 

alenacergeevna2@icloud.comhttps://orcid.org/0009-0008-2250-6375ТвердохлебовА. С.TverdokhlebovAlexander S.

Твердохлебов Александр Сергеевич, инженер студенческого конструкторского бюро

634050, Томск, пр. Ленина, д. 40

Alexander S. Tverdokhlebov, Engineer of the Student Design Bureau of Intelligent Radio Engineering Systems, Department of Radio Engineering Systems

40, Lenina pr., Tomsk, 634050 

tverdohlebov.a.923-@e.tusur.ruhttps://orcid.org/0009-0009-6005-7539КарташовА. А.KartashovAlexey A.

Карташов Алексей Андреевич, инженер студенческого конструкторского бюро «Интеллектуальные радиотехнические системы», кафедра радиотехнических систем

634050, Томск, пр. Ленина, д. 40

Alexey A. Kartashov, Engineer of the Student Design Bureau of Intelligent Radio Engineering Systems, Department of Radio Engineering Systems

40, Lenina pr., Tomsk, 634050 

kartashov.a.923-m@e.tusur.ruhttps://orcid.org/0000-0002-0275-4127ВеберВ. И.WeberVladislav I.

Вебер Владислав Игоревич, аспирант, ассистент кафедры радиотехнических систем

634050, Томск, пр. Ленина, д. 40

Vladislav I. Weber, Postgraduate Student, Assistant, Department of Radio Engineering Systems

40, Lenina pr., Tomsk, 634050 

vladweber00@gmail.comhttps://orcid.org/0000-0001-7190-3213КуприцВ. Ю.KupritsVladimir Y.

Куприц Владимир Юрьевич, к.т.н., доцент, руководитель студенческого конструкторского бюро

634050, Томск, пр. Ленина, д. 40

 

Vladimir Y. Kuprits, Cand. Sci. (Eng.), Associate Professor, Head of the Student Design Bureau of Intelligent Radio Engineering Systems, Department of Radio Engineering Systems

40, Lenina pr., Tomsk, 634050 

vladimir.y.kuprits@tusur.ruТомский государственный университет систем управления и радиоэлектроники»РоссияTomsk State University of Control Systems and RadioelectronicsRussian Federation2025060820251342536Copyright © Красноперова А.С., Твердохлебов А.С., Карташов А.А., Вебер В.И., Куприц В.Ю., 20252025Красноперова А.С., Твердохлебов А.С., Карташов А.А., Вебер В.И., Куприц В.Ю.Krasnoperova A.S., Tverdokhlebov A.S., Kartashov A.A., Weber V.I., Kuprits V.Y.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.rtj-mirea.ru/jour/article/view/1208Цели

Цели. В статье рассматривается проблема применения нейронных сетей для обнаружения и классификации объектов на радиолокационных изображениях в условиях ограниченных вычислительных ресурсов. Целью работы является исследование быстродействия и точности моделей нейронных сетей YOLO1 при решении задач обнаружения и классификации объектов на радиолокационных изображениях для оценки возможностей практической реализации на микрокомпьютере с нейронным процессором.

Методы

Методы. В работе использовались методы машинного обучения, обнаружения и классификации объектов на изображении.

Результаты

Результаты. Результатом работы является оценка и сравнение быстродействия и точности моделей нейронных сетей YOLO 5-го, 8-го и 11-го поколений с разным количеством обучаемых параметров (модели nano, small, medium, large, extra large) для исследования возможности их использования на микрокомпьютере с нейронным процессором. При сравнении различных моделей YOLO по метрике оценки точности лучшие результаты показали модели YOLOv11n (0.925), YOLOv5l (0.889), YOLOv11s (0.883); по метрике полноты – YOLOv5n (0.932), YOLOv11n (0.928), YOLOv11s (0.914); по метрике mAP50 – YOLOv11s (0.961), YOLOv5n (0.954), YOLOv11n (0.953); по метрике mAP50-95 – YOLOv5n (0.756), YOLOv11s (0.74), YOLOv5l (0.727).

Выводы

Выводы. Проведенные исследования показывают возможность применения моделей нейронных сетей YOLO на микрокомпьютере с нейронным процессором при соответствии вычислительных ресурсов микрокомпьютера и вычислительных требований нейронных сетей. Микрокомпьютер ROC-RK3588S-PC (Firefly Technology Co., Китай) обеспечивает быстродействие до 6 TOPS (Тера-операций в секунду), что позволяет применять модели YOLOv5n (7.1 GFLOPs), YOLOv11n (6.3 GFLOPs), YOLOv11s (21.3 GFLOPs).

Objectives

Objectives. The paper addresses the problem of applying neural networks for object detection in radar images and their recognition under conditions of limited computational resources. The aim was to investigate the speed and recognition quality of YOLO2 neural network models in solving object detection and classification tasks in radar images in order to evaluate the feasibility of their practical implementation on a microcomputer with a neural processor.

Methods

Methods. Machine learning, object detection, and classification techniques were used to detect and classify objects in a radar image.

Results

Results. The study compared the speed and recognition quality of the 5th, 8th, and 11th generation YOLO neural network models with varying numbers of trainable parameters (nano-, small-, medium-, large-, and extra-largesized) to assess their potential use on a microcomputer with a neural processor. As a result of comparing various YOLO models using evaluation metrics, YOLOv11n (0.925), YOLOv5l (0.889), and YOLOv11s (0.883) showed the highest precision metric; YOLOv5n (0.932), YOLOv11n (0.928), and YOLOv11s (0.914) showed the highest recall metric; YOLOv11s (0.961), YOLOv5n (0.954), and YOLOv11n (0.953) showed the highest mAP50 metric; and YOLOv5n (0.756), YOLOv11s (0.74), and YOLOv5l (0.727) showed the highest mAP50-95 metric.

Conclusions

Conclusions. The conducted research confirmed the feasibility of running YOLO neural network models on a microcomputer with a neural processor, provided that the computational resources of the microcomputer match the computational requirements of the neural networks. The ROC-RK3588S-PC microcomputer (Firefly Technology Co., China) provides up to 6 TOPS of performance, allowing the use of YOLOv5n (7.1 GFLOPs), YOLOv11n (6.3 GFLOPs), and YOLOv11s (21.3 GFLOPs) models.

системы распознавания образовнейронные сетирадиолокационное изображениеалгоритмы машинного обученияpattern recognition systemsneural networksradar imagesmachine learning algorithmsReferencesMalmgren-Hansen D., Engholm R., Østergaard Pedersen M. Training Convolutional Neural Networks for Translational Invariance on SAR ATR. In: Proceedings of EUSAR 2016: 11th European Conference on Synthetic Aperture Radar. IEEE; 2016. P. 459–462.Malmgren-Hansen D., Engholm R., Østergaard Pedersen M. Training Convolutional Neural Networks for Translational Invariance on SAR ATR. In: Proceedings of EUSAR 2016: 11th European Conference on Synthetic Aperture Radar. IEEE; 2016. P. 459–462.Cruz H., Véstias M.P., Monteiro J., et al. A Review of Synthetic-Aperture Radar Image Formation Algorithms and Implementations: A Computational Perspective. Remote Sens. 2022;14(5):1258. https://doi.org/10.3390/rs14051258Cruz H., Véstias M.P., Monteiro J., et al. A Review of Synthetic-Aperture Radar Image Formation Algorithms and Implementations: A Computational Perspective. Remote Sens. 2022;14(5):1258. https://doi.org/10.3390/rs14051258Ильин Е.М., Полубехин А.И., Савостьянов В.Ю., Самарин О.Ф., Черевко А.Г. Малогабаритный многофункциональный бортовой РЛК для беспилотных летательных аппаратов малой дальности. Вестник СибГУТИ. 2017;4:104–109. https://www.elibrary.ru/item.asp?id=30793295Il’in E.M., Polubekhin A.I., Savostyanov V.Yu., Samarin O.F., Cherevko A.G. Airborne multi-functional radar complex for shot-range UAVs. Vestnik SibGUTI = The Herald of the Siberian State University of Telecommunications and Information Science. 2017;4:104–109 (in Russ.). https://www.elibrary.ru/item.asp?id=30793295Поль В.Г., Симонов А.В. Космическая радиолокационная съемка рельефа и совместный полет пары космических аппаратов. Инженерный журнал: наука и инновации. 2020;7:1–21. https://doi.org/10.18698/2308-6033-2020-7-1999, https://www.elibrary.ru/item.asp?id=43566045Paul V.G., Simonov A.V. Space radar terrain survey and the joint flight of a spacecraft pair. Inzhenernyi zhurnal: nauka i innovatsii = Engineering Journal: Science and Innovation. 2020;7:1–21 (in Russ.). https://doi.org/10.18698/2308-6033-2020-7-1999, https://www.elibrary.ru/item.asp?id=43566045Хахулина Н.Б. Системы сбора и обработки информации результатов геодезических изысканий и дистанционного зондирования. Воронеж: Воронежский государственный технический университет; 2022. 78 с.Khakhulina N.B. Sistemy sbora i obrabotki informatsii rezul’tatov geodezicheskikh izyskanii i distantsionnogo zondirovaniya (Systems of Information Collection and Processing of Geodetic Surveys and Remote Sensing Results). Voronezh: Voronezh State Technical University; 2022. 78 p. (in Russ.).Радиолокационные станции воздушной разведки; под ред. Г.С. Кондратенкова. М.: Воениздат; 1983. 154 с.Kondratenkov G.S. (Ed.). Radiolokatsionnye stantsii vozdushnoi razvedki (Airborne Reconnaissance Radar Stations). Moscow: Voenizdat; 1983. 154 p. (in Russ.).Радиолокационные системы многофункциональных самолетов: в 3 т. Т. 1. РЛС – информационная основа боевых действий многофункциональных самолетов. Системы и алгоритмы первичной обработки радиолокационных сигналов; под ред. А.И. Канащенкова, В.И. Меркулова. М.: Радиотехника; 2006. 656 с.Kanaschenkov A.I., Merkulov V.I. (Eds.). Radiolokatsionnye sistemy mnogofunktsional’nykh samoletov: V 3 t. T. 1. RLS – informatsionnaya osnova boevykh deistvii mnogofunktsional’nykh samoletov. Sistemy i algoritmy pervichnoi obrabotki radiolokatsionnykh signalov (Radar Systems of Multi-Functional Aircraft: in 3 v. V. 1. Radar Systems – Information Basis for Combat Operations of Multi-Functional Aircraft. Systems and Algorithms for Primary Processing of Radar Signals). Moscow: Radiotekhnika; 2006. 656 p. (in Russ.).Купряшкин И.Ф., Мазин А.С. Классификация объектов военной техники с использованием сверточной нейронной сети на радиолокационных изображениях, сформированных в условиях шумовых помех. Вестник Концерна ВКО «Алмаз – Антей». 2022;1:71–81. https://www.elibrary.ru/item.asp?id=48138675Kupryashkin I.F., Mazin A.S. Classification of military equipment targets on radar images generated in noise interference conditions using a convolutional neural network. Vestnik Kontserna VKO Almaz-Antey. 2022;1:71–81 (in Russ.). https://www.elibrary.ru/item.asp?id=48138675Chen D., Ju R., Tu C., Long G., Liu X., Liu J. GDB-YOLOv5s: Improved YOLO-based Model for Ship Detection in SAR Images. IET Image Process. 2024;18(11):2869–2883. https://doi.org/10.1049/ipr2.13140Chen D., Ju R., Tu C., Long G., Liu X., Liu J. GDB-YOLOv5s: Improved YOLO-based Model for Ship Detection in SAR Images. IET Image Process. 2024;18(11):2869–2883. https://doi.org/10.1049/ipr2.13140Song Y., Wang S., Li Q., Mu H., Feng R., Tian T., Tian J. Vehicle Target Detection Method for Wide-Area SAR Images Based on Coarse-Grained Judgment and Fine-Grained Detection. Remote Sens. 2023;15(13):3242. https://doi.org/10.3390/rs15133242Song Y., Wang S., Li Q., Mu H., Feng R., Tian T., Tian J. Vehicle Target Detection Method for Wide-Area SAR Images Based on Coarse-Grained Judgment and Fine-Grained Detection. Remote Sens. 2023;15(13):3242. https://doi.org/10.3390/rs15133242Zhang T., Zhang X., Li J., Xu X., Wang B., Zhan X., Xu Y., Ke X., Zeng T., Su H., et al. SAR Ship Detection Dataset (SSDD): Official Release and Comprehensive Data Analysis. Remote Sens. 2021;13(18):3690. https://doi.org/10.3390/rs13183690Zhang T., Zhang X., Li J., Xu X., Wang B., Zhan X., Xu Y., Ke X., Zeng T., Su H., et al. SAR Ship Detection Dataset (SSDD): Official Release and Comprehensive Data Analysis. Remote Sens. 2021;13(18):3690. https://doi.org/10.3390/rs13183690Карманова Н.А., Карманов А.Г., Петров A.A. Разработка модели радара с синтезированной апертурой беспилотного летательного аппарата для дистанционного зондирования лесных массивов. Информация и Космос. 2021;4:114–122. https://www.elibrary.ru/item.asp?edn=esiivjKarmanova N.A., Karmanov A.G., Petrov A.A. Development of a synthetic aperture radar model for unmanned aerial vehicles for remote sensing of woodlands. Informatsiya i Kosmos = Information and Space. 2021;4:114–122 (in Russ.). https://www.elibrary.ru/item.asp?edn=esiivjБрызгалов А.П., Ковальчук И.В., Хныкин А.В., Шевела И.А., Юсупов Р.Г. Моделирование радиолокатора с синтезированной апертурой при решении задач его внутреннего и внешнего проектирования. Труды МАИ. 2011;43:25. https://www.elibrary.ru/item.asp?id=15632049BryzgalovA.P., Koval’chuk I.V., KhnykinA.V., Shevela I.A., Yusupov R.G. Simulation of Synthetic Aperture Radar Assigned to Solving the Problems of Its Internal and External Design. Trudy MAI. 2011;43:25 (in Russ.). https://www.elibrary.ru/item.asp?id=15632049Terven J., Córdova-Esparza D.-M., Romero-González J.-A. A comprehensive review of YOLO architectures in computer vision: from YOLOv1 to YOLOv8 and YOLO-NAS. Mach. Learn. Knowl. Extr. 2023;5(4):1680–1716. https://doi.org/10.3390/make5040083Terven J., Córdova-Esparza D.-M., Romero-González J.-A. A comprehensive review of YOLO architectures in computer vision: from YOLOv1 to YOLOv8 and YOLO-NAS. Mach. Learn. Knowl. Extr. 2023;5(4):1680–1716. https://doi.org/10.3390/make5040083Baller S., Jindal A., Chadha M., Gerndt M. DeepEdgeBench: benchmarking deep neural networks on edge devices. In: Proceedings of the 2021 IEEE International Conference on Cloud Engineering (IC2E). IEEE; 2021. P. 20–30. https://doi.org/10.1109/IC2E52221.2021.00016Baller S., Jindal A., Chadha M., Gerndt M. DeepEdgeBench: benchmarking deep neural networks on edge devices. In: Proceedings of the 2021 IEEE International Conference on Cloud Engineering (IC2E). IEEE; 2021. P. 20–30. https://doi.org/10.1109/IC2E52221.2021.00016

The authors declare that there are no conflicts of interest present.