Сравнение эффективности алгоритмов YOLOv5 и YOLOv8 для обнаружения средств индивидуальной защиты человека

Аннотация

В статье рассматриваются вопросы сравнительного анализа различных архитектур сверточных нейронных сетей класса YOLO: YOLOv5 и YOLOv8. Проведено обучение нейронной сети на датасете, состоящем из более 2200 размеченных цифровых изображений. Проведена детекция и распознавание 8 классов средств индивидуальной защиты, таких как медицинские маски, перчатки, каски, защитные очки, униформа и другие. Для оценки эффективности алгоритмов обнаружения объектов использовались такие характеристики, как метрики точности, время обучения и объем занимаемой памяти нейронных сетей. Проведенные исследования подтверждают высокую эффективность и точность алгоритмов YOLO в задачах обнаружения и распознавания объектов на цифровых фотоизображениях и видеоизображениях. Исследования показали, что средняя точность mAP детекции объектов в YOLOv8 на 3 % выше, чем в YOLOv5, при этом производительность в новом алгоритме увеличилась более чем на 50 % по сравнению с более ранней версией нейронной сети. Полученные результаты могут быть использованы для улучшения системы обнаружения объектов в различных областях, таких как автомобильная промышленность, медицинские и научные исследования, сфера безопасности и многое другое. На основании результатов эксперимента были сделаны выводы относительно выбора алгоритма для обнаружения средств индивидуальной защиты человека. Дальнейшие исследования в этой области могут основаться на расширении объема обучающих наборов данных, чтобы улучшить точность распознавания объектов и оценить производительность алгоритмов на больших объемах данных. Планируются дальнейшие исследования в области оптимизации архитектуры сверточных нейронных сетей для повышения эффективности, скорости и точности обнаружения объектов на цифровых изображениях.