КОНФЕРЕНЦІЇ ВНТУ електронні наукові видання, 
Актуальні проблеми бойового застосування, експлуатації і ремонту зразків озброєння та військової техніки (2025)

Розмір шрифта: 
ОПТИМІЗАЦІЯ СИСТЕМ КОМП'ЮТЕРНОГО ЗОРУ ДЛЯ ВИКОРИСТАННЯ ІЗ ОБМЕЖЕНИМИ АПАРАТНИМИ ПЛАТФОРМАМИ
Дмитро Сергійович Довгань, Олексій Дмитрович Азаров, Томчук Микола Антонович

Остання редакція: 2025-11-05

Анотація


Дослідження присвячене оптимізації моделей YOLO для систем комп'ютерного зору на обмежених апаратних платформах, зокрема Raspberry Pi 5. Основна увага приділена використанню високопродуктивного інференс-рушія NCNN для ефективного виконання нейромережевих моделей. Розглянуто комплекс підходів до оптимізації, включаючи квантування ваг, вибір оптимальних архітектур YOLO (YOLOv8n, YOLOv11n) та інтеграцію з апаратними акселераторами. Проаналізовано методи підвищення ефективності роботи систем у реальному часі шляхом оптимізації конвеєра обробки відеоданих та управління ресурсами процесора. Запропоновані рішення дозволяють досягти стабільної роботи з частотою 20 FPS на Raspberry Pi 5 при збереженні прийнятної точності детекції. Отримані результати демонструють практичну придатність для розгортання автономних систем розпізнавання на безпілотних апаратах та інших пристроях з обмеженими обчислювальними можливостями.

Ключові слова


YOLO, NCNN, Raspberry Pi 5, оптимізація нейронних мереж, комп'ютерний зір, вбудовані системи, інференс у реальному часі, квантування моделей

Посилання


  1. Official OpenCV Documentation [Електронний ресурс]. - Режим доступу: https://docs.opencv.org/
  2. Ultralytics YOLO Documentation [Електронний ресурс]. - Режим доступу: https://docs.ultralytics.com/
  3. Tencent NCNN Framework Documentation [Електронний ресурс]. - Режим доступу: https://github.com/Tencent/ncnn
  4. Raspberry Pi 5 Technical Specifications [Електронний ресурс]. - Режим доступу: https://www.raspberrypi.com/documentation/
  5. MAVLink Protocol Documentation [Електронний ресурс]. - Режим доступу: https://mavlink.io/en/
  6. Redmon, J., & Farhadi, A. (2018). YOLOv3: An Incremental Improvement. arXiv preprint arXiv:1804.02767.
  7. Jocher, G., et al. (2023). Ultralytics YOLOv8: State-of-the-Art Object Detection. Ultralytics.
  8. Wang, J., et al. (2021). NCNN: A High-Performance Neural Network Inference Framework Optimized for Mobile Platforms. Tencent.
  9. TensorRT Optimization Guide [Електронний ресурс]. - Режим доступу: https://docs.nvidia.com/deeplearning/tensorrt/
  10. OpenVINO Toolkit Documentation [Електронний ресурс]. - Режим доступу: https://docs.openvino.ai/
  11. Comparative Analysis of Real-time Object Detectors for Embedded Systems / K. Zhang et al. - Journal of Real-Time Image Processing, 2023.

Повний текст: PDF