Yolo

This review paper provides a comprehensive comparative analysis of abandoned object detection algorithms, specifically contrasting rule-based approaches with artificial intelligence (AI-based) models. The manuscript synthesizes existing research, technical documentation, and publicly available benchmark data to evaluate the applicability of these approaches in dynamic video surveillance environments.

This paper presents a method for optimizing deep learning models used in real-time military equipment recognition systems. A key contribution of the work is the application of exponential data augmentation, which significantly increases dataset diversity without requiring additional real-world data. The augmented dataset has been used to train a YOLO-based object detection model capable of recognizing various types of military vehicles, including tanks, armored personnel carriers, and infantry fighting vehicles.

У статті розглядаються методи аугментації даних у завданні розпізнавання зображень, зокрема проаналізовано підхід експоненційної аугментації для покращення роботи глибоких нейронних мереж YOLO у задачах детекції об’єктів. Запропонована методика базується на послідовному та багаторазовому застосуванні різних перетворень, включаючи горизонтальне та вертикальне віддзеркалення, обертання на 90°, Gaussian Blur, зміну яскравості та контрастності.

Метою цього дослідження є проведення всебічного аналізу продуктивності різних типів моделей нейронних мереж (НМ) для розпізнавання цілей. Зокрема, це дослідження зосереджується на оцінці ефективності та продуктивності моделей yolov8n, yolov8s, yolov8m та YOLO у завданнях розпізнавання цілей. Використовуючи передові засоби, такі як OpenCV, Python та roboflow 3.0 FAST, дослідження спрямоване на розробку надійної методології для оцінки продуктивності цих моделей нейронних мереж.

The objective of this research is to conduct a comprehensive performance analysis of various types of neural network (NN) models for target recognition. Specifically, this study focuses on evaluating the effectiveness and efficiency of yolov8n, yolov8s, yolov8m models in target recognition tasks. Leveraging cutting-edge technologies such as OpenCV, the research is aimed at developing a robust methodology for assessing the performance of these NN models.

Запропоновано метод розпізнавання контурів об’єктів у відеопотоці даних. Дані потрібно завантажити за допомогою відеокамери у режимі реального часу та здійснити розпізнавання об’єктів. Використано мережу YOLO – метод ідентифікації та ропізнавання об’єктів у реальному часі. Розпізнані об’єкти будуть записані у відео- послідовності із зазначенням контурів об’єктів.

Векторні діаграми – потужний інструмент для візуалізації та розуміння розподілу струму, напруги та потужності в електричних системах. Під час війни Росії проти України наша енергетична галузь стала дуже вразливою до атак ворога, а отже, потребує швидкого та ефективного відновлення. Фахівцям-енергетикам бракує програмних засобів для роботи з енергосистемою, а в період розвитку штучного інтелекту створити такі засоби не так важко.

Побудовано систему розпізнавання об’єктів, знятих у режимі реального часу на відеокамеру в зашумленому та змінному щодо навколишніх умов середовищі. Досліджено методику наповнення бази даних для мобільних військових об’єктів. Для розпізнавання об’єктів використано нейромережу YOLO v8, яка дає змогу відстежувати рухомі та ідентифікувати об’єкти, які потрапляють на відео із відеокамери. Ця нейромережа дає змогу відстежувати об’єкти зі зміною масштабу, під час руху з перешкодами.