Остання редакція: 2025-04-21
Анотація
У роботі запропоновано модифікацію архітектури моделі YOLOv8 для візуальної детекції диму з метою раннього виявлення пожеж. Запропоновані зміни дозволили зменшити кількість параметрів нейронної мережі на 27% та обчислювальну складність (GFLOPS) на 12% порівняно з базовою моделлю YOLOv8-Nano. Для навчання та оцінювання моделі використано відкриті датасети D-Fire та WSDY. Отримані результати демонструють придатність моделі до використання на edge-пристроях у складі систем відеоспостереження для раннього виявлення пожеж.
Ключові слова
Посилання
[1] R. Kvyetnyy, R. Maslii, V. Harmash, I. Bogach, A. Kotyra, Ż. Grądz, A. Zhanpeisova, and N. Askarova, "Object detection in images with low light condition," Proc. SPIE, vol. 10445, Photonics Applications in Astronomy, Communications, Industry, and High Energy Physics Experiments 2017, p. 104450W, 2017. [Online]. Available: https://doi.org/10.1117/12.2281001.
[2] Ultralytics, Ultralytics YOLOv8 GitHub repository, 2023. [Online]. Available: https://github.com/ultralytics/ultralytics.
[3] H. Li et al., "Slim-neck by GSConv: A lightweight-design for real-time detector architectures," J. Real-Time Image Process., vol. 21, no. 3, p. 62, 2024. [Online]. Available: https://arxiv.org/pdf/2206.02424.
[4] P. V. A. B. de Venancio, A. C. Lisboa, and A. V. Barbosa, "An automatic fire detection system based on deep convolutional neural networks for low-power, resource-constrained devices," Neural Comput. Appl., vol. 34, no. 18, pp. 15349–15368, 2022.