Використання моделі YOLOv8 для виявлення квадрокоптерів та октокоптерів.
DOI:
https://doi.org/10.34121/1028-9763-2024-2-65-77Ключові слова:
unmanned aerial vehicles, YOLOv8, quadcopters, octocopters, air defense, video stream processing, object detection, real-time surveillance, transfer learning, computational efficiency, precision and recall, drone detection, безпілотні літальні апарати, квадрокоптери, октокоптери, протиповітряна оборона, обробка відеопотоку, виявлення об’єктів, спостереження в реальному часі, обчислювальна ефективність, точність і запам’ятовування, виявлення дронівАнотація
Анотація. Актуальність теми статті визначається все більшою поширеністю безпілотних літальних апаратів (БПЛА) не тільки в цивільній, а й у військовій сфері, де вони створюють значні проблеми протиповітряної оборони. У роботі представлено практичну перевірку можливості та ефективності використання моделі YOLOv8 для виявлення квадрокоптерів та октокоптерів у відеопотоках, яка призначена для виявлення об’єктів у реальному часі та сегментації зображення. Використовується метод навчання, який адаптує модель YOLOv8 шляхом застосування підходу «transfer learning» для коригування попередньо навчених вагових коефіцієнтів YOLOv8 до даних, що стосуються дронів. Також досліджується здатність моделі ефективно працювати в різних умовах зовнішнього середовища. Проведені експерименти демонструють ефективність розробленого методу для точної ідентифікації БПЛА в різних ситуаціях, що робить його важливим для вдосконалення засобів повітряного спостереження та механізмів безпеки. Дослідження також аналізує адаптивність моделі до мінливих умов спостереження, забезпечуючи її надійність при обробці зображень і відео. Результати вказують на високий потенціал моделі YOLOv8 у підвищенні можливостей систем протиповітряної оборони та зміцненні заходів безпеки проти загроз БПЛА. Крім того, у статті обговорюється обчислювальна ефективність моделі, підкреслюється її здатність обробляти відеопотоки в реальному часі з мінімальними обчислювальними ресурсами. Оцінено показники precision та recall моделі, що демонструє її здатність точно виявляти БПЛА з мінімізацією помилкових спрацьовувань. Загалом результати підкреслюють важливість використання передових методів машинного навчання для ефективного виявлення БПЛА.Посилання
1. Taha B., Shoufan A. Machine Learning-Based Drone Detection and Classification: State-of-the-Art in Research. IEEE Access. 2019. N 7. Р. 138669–138682. DOI: https://doi.org/10.1109/ACCESS.2019.2942944.
2. Samaras S., Diamantidou E., Ataloglou D., Sakellariou N., Vafeiadis A., Magoulianitis V., Lalas A., Dimou A., Zarpalas D., Votis K. et al. Deep Learning on Multi Sensor Data for Counter UAV Applications-A Systematic Review. Sensors. 2019. N 19. P. 4837. DOI: https://doi.org/10.3390/s19224837.
3. Mendis G.J., Randeny T., Wei J., Madanayake A. Deep learning based doppler radar for micro UAS detection and classification. Proc. of the MILCOM 2016. IEEE Military Communications Conference (Baltimore, MD, USA, November 1–3 2016). Baltimore, MD, USA, 2016. P. 924–929.
4. Ganti S.R., Kim Y. Implementation of detection and tracking mechanism for small UAS. Proc. of the International Conference on Unmanned Aircraft Systems (ICUAS) (Arlington, VA, USA, June 7–10 2016). Arlington, VA, USA, 2016. P. 1254–1260.
5. Hommes A., Shoykhetbrod A., Noetel D., Stanko S., Laurenzis M., Hengy S., Christnacher F. Detection of Acoustic, Electro-Optical and Radar Signatures of Small Unmanned Aerial Vehicles. Proc. of the SPIE Security + Defence (Edinburgh, UK, September 26–29 2016). Edinburgh, UK, 2016. P. 1–4.
6. Ezuma M., Erden F., Anjinappa C.K., Ozdemir O., Guvenc I. Micro-UAV Detection and Classification from RF Fingerprints Using Machine Learning Techniques. Proc. of the IEEE Conference on Aerospace (Big Sky, MT, USA, March 2–9, 2019). Big Sky, MT, USA, 2019. URL: https://scholar.google.com/scholar_lookup?journal=Proceedings+of+the+CIE+International+Conference+on+Radar+(RADAR)&title=Multi-mode+SDR+radar+platform+for+small+air-vehicle+Drone+detection&author=Y.+Kwag&author=I.+Woo&author=H.+Kwak&author=Y.+Jung&pages=1-4&.
7. Ultralytics/ultralytics. GitHub repo. URL: https://github.com/ultralytics/ultralytics.
8. Unlu E., Zenou E., Riviere N., Dupouy P.E. Deep learning-based strategies for the detection and tracking of drones using several cameras. IPSJ Trans. Comput. Vis. Appl. 2019. N 11. P. 7. DOI: https://doi.org/10.1186/s41074-019-0059-x.
9. Boesch G. A Guide to YOLOv8 in 2024. URL: https://viso.ai/deep-learning/yolov8-guide/.
10. VK. YoloV8 Architecture & Cow Counter With Region Based Dragging Using YoloV8. URL: https://medium.com/@VK_Venkatkumar/yolov8-architecture-cow-counter-with-region-based-draggingusing-yolov8-e75b3ac71ed8#:~:text=The%20architecture%20of%20YOLOv8%20builds,%20the%20backbone%20and%20the%20head.&text=A%20modified%20version%20of%20the%20CSPDarknet53%20architecture%20forms%20the%20backbone%20of%20YOLOv8.
11. Skalski P. How to Train YOLOv8 Object Detection on a Custom Dataset. URL: https://blog.roboflow.com/how-to-train-yolov8-on-a-custom-dataset/.
12. Train script. Colab. URL: https://colab.research.google.com/drive/1OwQJgBxcEHnKK3Jsp29 RgKcHPfNjeCGw?usp=sharing#scrollTo=FBRvV5I3TMxT.
13. Confusion Matrix. WIKI. URL: https://en.wikipedia.org/wiki/Confusion_matrix.
14. Universe, webtool for test YOLOv8 models. URL: https://universe.roboflow.com/.
15. Trained model. Google Drive. URL: https://drive.google.com/file/d/14qlQScwKVd6S6GPHV7 CA11oN7i1y69eU/view.
239
57Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2024 Математичні машини і системи
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
