ارزیابی عملکرد مدلهای مبتنی بر YOLO در تشخیص اشیای کوچک

تشخیص اشیا یکی از مهمترین مسائل در حوزه بینایی ماشین و پردازش تصویر محسوب می شود که در کاربردهایی نظیر سامانه های نظارتی، خودروهای خودران، رباتیک و تحلیل تصاویر هوشمند مورد استفاده قرار می گیرد. با وجود پیشرفت چشمگیر مدل های یادگیری عمیق، تشخیص اشیای کوچک همچنان به عنوان یکی از چالش های اصلی در سامانه های تشخیص اشیا شناخته می شود؛ زیرا کاهش ابعاد شیء باعث از دست رفتن ویژگی های مکانی و افت دقت مدل می گردد. در این پژوهش، عملکرد چند مدل مبتنی بر خانواده YOLO شامل YOLOv۷، YOLOv۵ و YOLOv۸ در تشخیص اشیای کوچک مورد بررسی و مقایسه قرار گرفته است. ارزیابی مدل ها با استفاده از مجموعه داده استاندارد MS COCO و معیارهایی نظیر دقت میانگین (MAP)، نرخ بازیابی و سرعت پردازش انجام شده است. نتایج نشان می دهد که مدل YOLOv۸ در تشخیص اشیای کوچک دقت بالاتری نسبت به نسخه های پیشین ارائه می دهد، در حالی که برخی مدل ها از نظر سرعت پردازش عملکرد بهتری دارند. همچنین تحلیل نتایج نشان می دهد انتخاب مدل مناسب به نوع کاربرد و محدودیت های سامانه وابسته است. پژوهش حاضر می تواند به عنوان مرجعی برای انتخاب مدل مناسب در کاربردهای بلادرنگ و مبتنی بر تشخیص اشیای کوچک مورد استفاده قرار گیرد.

کلیدواژه ها:

تشخیص اشیا ، پردازش تصویر ، یادگیری عمیق ، YOLO ، بینایی ماشین