КОНФЕРЕНЦІЇ ВНТУ електронні наукові видання, 
Молодь в науці: дослідження, проблеми, перспективи (МН-2026)

Розмір шрифта: 
НАВЧАННЯ МОДИФІКОВАНОЇ МОДЕЛІ YOLOV8 ДЛЯ ДЕТЕКЦІЇ ТРАНСПОРТНИХ ЗАСОБІВ НА КОМБІНОВАНОМУ ДАТАСЕТІ
Владислав Олегович Романець, Олег Володимирович Бісікало

Остання редакція: 2026-04-30

Анотація


У роботі представлено результати навчання модифікованої моделі YOLOv8-nano з модулями C3Ghost-CBAM на комбінованому датасеті для детекції транспортних засобів з камер відеоспостереження. Сформовано датасет обсягом 12000 зображень шляхом поєднання власного датасету (2000 зображень зі складними умовами зйомки) та публічного датасету DETRAC (10000 зображень). Експериментально підтверджено, що запропонована модифікація забезпечує зменшення кількості параметрів на 23.3% та обчислювальної складності на 9.9% при незначному зниженні точності (mAP@0.50:0.95 знизився лише на 1.2%).

Ключові слова


YOLOv8; детекція об'єктів; глибоке навчання; Ghost-згортки; CBAM; датасет DETRAC; транспортні засоби

Посилання


1. Jocher G., Chaurasia A., Qiu J. Ultralytics YOLOv8. 2023. URL: https://github.com/ultralytics/ultralytics.

2. Geiger A., Lenz P., Urtasun R. Are we ready for autonomous driving? The KITTI vision benchmark suite // Proceedings of CVPR. 2012. P. 3354–3361.

3. Wen L. et al. UA-DETRAC: A benchmark suite for multi-object detection and tracking // Computer Vision and Image Understanding. 2020. Vol. 193. Art. 102907.

4. Романець В., Бісікало О. Виявлення об'єктів дорожнього руху з камер відеоспостереження // Herald of Khmelnytskyi National University. Technical Sciences. 2025. Т. 355, № 4. С. 491–497.

5. Han K. et al. GhostNet: More features from cheap operations // Proceedings of CVPR. 2020. P. 1580–1589.

Повний текст: PDF