Исследование эффективности применения моделей нейронных сетей YOLO для распознавания объектов на радиолокационных изображениях

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

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. 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).

1. 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.

2. 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/rs14051258

3. Ильин 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=30793295

4. Поль 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=43566045

5. Хахулина Н.Б. Системы сбора и обработки информации результатов геодезических изысканий и дистанционного зондирования. Воронеж: Воронежский государственный технический университет; 2022. 78 с.

6. Радиолокационные станции воздушной разведки; под ред. Г.С. Кондратенкова. М.: Воениздат; 1983. 154 с.

7. 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.

8. 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=48138675

9. Chen 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/ipr2.13140

10. Song 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/rs15133242

11. Zhang 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/rs13183690

12. Карманова 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=esiivj

13. Брызгалов 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=15632049

14. Terven 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/make5040083

15. Baller 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