kaz29Вестник Казахстанско-Британского технического университетаHerald of the Kazakh-British Technical University1998-66882959-8109Казахстанско-Британский Технический Университет10.55452/1998-6688-2025-22-4-219-226kaz29-2295Research ArticleКОМПЬЮТЕРНЫЕ НАУКИCOMPUTER SCIENCEРАЗРАБОТКА МОДЕЛИ РАСПОЗНАВАНИЯ БПЛА В РЕЖИМЕ РЕАЛЬНОГО ВРЕМЕНИ НА ОСНОВЕ НЕЙРОННОЙ СЕТИ YOLOV10DEVELOPMENT OF A REAL-TIME UAV RECOGNITION MODEL BASED ON YOLOV10 NEURAL NETWORKhttps://orcid.org/0000-0002-8580-7326СеменюкВ. В.SemenyukV. V.

м.т.н.

г. Петропавловск

M.Tech.Sc.

Petropavlovsk

vvsemenyuk@ku.edu.kzhttps://orcid.org/0000-0001-9872-7483КурмашевИ. Г.KurmashevI. G.

PhD

г. Петропавловск

PhD

Petropavlovsk

ikurmashev@ku.edu.kzhttps://orcid.org/0000-0002-5807-3873СербинВ. В.SerbinV. V.

PhD, ассоциированный профессор

г. Алматы

PhD, Associate Professor

Almaty

v.serbin@satbayev.universityhttps://orcid.org/0000-0001-5392-5873КурмашеваЛ. Б.KurmashevaL. B.

магистр

г. Петропавловск

MSc

Petropavlovsk

lbkurmasheva@ku.edu.kzhttps://orcid.org/0000-0002-1596-561XМолдагуловаА. Н.MoldagulovaA. N.

PhD, профессор

г. Алматы

PhD, Professor

Almaty

a.moldagulova@satbayev.universityСеверо-Казахстанский университет имени М. КозыбаеваКазахстанM. Kozybaev North Kazakhstan UniversityKazakhstanSatbayev UniversityКазахстанSatbayev UniversityKazakhstan202523122025224219226Copyright © Семенюк В.В., Курмашев И.Г., Сербин В.В., Курмашева Л.Б., Молдагулова А.Н., 20252025Семенюк В.В., Курмашев И.Г., Сербин В.В., Курмашева Л.Б., Молдагулова А.Н.Semenyuk V.V., Kurmashev I.G., Serbin V.V., Kurmasheva L.B., Moldagulova A.N.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://vestnik.kbtu.edu.kz/jour/article/view/2295

В статье рассматривается разработка модели распознавания и классификации БПЛА и птиц в режиме реального времени на основе обучения нейронной сети YOLOv10. Направление исследования считается актуальным в связи с проблемами обнаружения БПЛА в контексте обеспечения безопасности, учитывая их растущее использование в различных сферах. Для обучения модели подготовлен датасет, состоящий из 6255 изображений, собранных из собственных архивов и открытых ресурсов. Процесс аннотирования, аугментации и распределения данных был реализован с использованием сервиса Roboflow.com. Обучение модели проводилось на графическом процессоре NVIDIA GeForce RTX 4080 с использованием фреймворка Ultralytics. Результаты тестирования показали высокую точность распознавания с метриками mAP50 и mAP50-95, превышающими показатели предыдущих версий YOLO. Модель демонстрирует способность к эффективной сегментации и трекингу объектов, что делает ее перспективной для применения в системах оптикоэлектронного наблюдения. Результаты исследования могут быть полезны для разработчиков систем обнаружения и классификации БПЛА и птиц, а также для повышения безопасности в различных областях

The paper deals with the development of a model for real-time recognition and classification of UAVs and birds based on the training of the YOLOv10 neural network. The research area is considered relevant in connection with the problems of UAV detection in the context of security, given their growing use in various fields. A dataset consisting of 6,255 images collected from proprietary archives and public resources is trained to train the model. The process of data annotation, augmentation and distribution was implemented using Roboflow.com service. The model was trained on NVIDIA GeForce RTX 4080 GPU using Ultralytics framework. Test results showed high recognition accuracy with mAP50 and mAP50-95 metrics exceeding previous versions of YOLO. The model demonstrates the ability for efficient object segmentation and tracking, which makes it promising for optoelectronic surveillance applications. The results of the study can be useful for developers of UAV and bird detection and classification systems, as well as for improving safety in various fields.

нейронные сетиклассификацияраспознаваниеоптикоэлектронные каналы наблюденияБПЛАYOLOсверточные нейронные сетиneural networksclassificationrecognitionoptoelectronic surveillance channelsUAVsYOLOconvolutional neural networksThe article includes the results of research carried out within the framework of grant funding under the project IRN АР19679009 funded by the Committee of Science of the Ministry of Science and Higher Education of the Republic of Kazakhstan.ReferencesAlkentar, Saad & Alsahwa, B. & Assalem, A. & Karakolla, D. Practical comparation of the accuracy and speed of YOLO, SSD and Faster RCNN for drone detection. Journal of Engineering, 27, 19–31 (2021). https://doi.org/10.31026/j.eng.2021.08.02.Alkentar, Saad & Alsahwa, B. & Assalem, A. & Karakolla, D. Practical comparation of the accuracy and speed of YOLO, SSD and Faster RCNN for drone detection. Journal of Engineering, 27, 19–31 (2021). https://doi.org/10.31026/j.eng.2021.08.02.Seidaliyeva, U., Alduraibi, M., Ilipbayeva, L., Almagambetov, A. Detection of Loaded and Unloaded UAV Using Deep Neural Network. In Proceedings of the 2020 Fourth IEEE International Conference on Ro-botic Computing (IRC) (Taichung, Taiwan, November 9–11, 2020), pp. 490-494. https://doi.org/10.1109/IRC.2020.00093.Seidaliyeva, U., Alduraibi, M., Ilipbayeva, L., Almagambetov, A. Detection of Loaded and Unloaded UAV Using Deep Neural Network. In Proceedings of the 2020 Fourth IEEE International Conference on Ro-botic Computing (IRC) (Taichung, Taiwan, November 9–11, 2020), pp. 490-494. https://doi.org/10.1109/IRC.2020.00093.Alsanad, Hamid & Sadik, Amin & Ucan, Osman & Ilyas, Muhammad & Bayat, Oguz. YOLO-V3 based real-time drone detection algorithm. Multimedia Tools and Applications, 81, 1–14 (2022). https://doi.org/10.1007/s11042-022-12939-4.Alsanad, Hamid & Sadik, Amin & Ucan, Osman & Ilyas, Muhammad & Bayat, Oguz. YOLO-V3 based real-time drone detection algorithm. Multimedia Tools and Applications, 81, 1–14 (2022). https://doi.org/10.1007/s11042-022-12939-4.Singha, S., Aydin, B. Automated Drone Detection Using YOLO v4. Drones. September 2021. https://doi.org/10.3390/drones5030095.Singha, S., Aydin, B. Automated Drone Detection Using YOLO v4. Drones. September 2021. https://doi.org/10.3390/drones5030095.Al-Qubaydhi, Nader & Alenezi, Abdulrahman & Alanazi, Turki & Senyor, Abdulrahman & Alanezi, Naif & Alotaibi, Bandar & Alotaibi, Munif & Razaque, Abdul & Abdelhamid, Abdelaziz & Alotaibi, Aziz. Detection of Unauthorized Unmanned Aerial Vehicles Using YOLOv5 and Transfer Learning. Electronics, 11, 2669 (2022). https://doi.org/10.3390/electronics11172669.Al-Qubaydhi, Nader & Alenezi, Abdulrahman & Alanazi, Turki & Senyor, Abdulrahman & Alanezi, Naif & Alotaibi, Bandar & Alotaibi, Munif & Razaque, Abdul & Abdelhamid, Abdelaziz & Alotaibi, Aziz. Detection of Unauthorized Unmanned Aerial Vehicles Using YOLOv5 and Transfer Learning. Electronics, 11, 2669 (2022). https://doi.org/10.3390/electronics11172669.Aydin, B., Singha, S. Drone Detection Using YOLO v5, Eng. 4 (2023). https://doi.org/10.3390/eng4010025.Aydin, B., Singha, S. Drone Detection Using YOLO v5, Eng. 4 (2023). https://doi.org/10.3390/eng4010025.Zhai, X., Huang, Z., Li, T., Liu, H., Wang, S. YOLO-Drone: An Optimized YOLOv8 Network for Tiny UAV Object Detection. Electronics, 12, 3664 (2023). https://doi.org/10.3390/electronics12173664.Zhai, X., Huang, Z., Li, T., Liu, H., Wang, S. YOLO-Drone: An Optimized YOLOv8 Network for Tiny UAV Object Detection. Electronics, 12, 3664 (2023). https://doi.org/10.3390/electronics12173664.Li, Jun & Feng, Yongqiang & Shao, Yanhua & Liu, Feng. (2024). IDP-YOLOV9: Improvement of Object Detection Model in Severe Weather Scenarios from Drone Perspective. Applied Sciences, 14, 5277 (2023). https://doi.org/10.3390/app1412125277.Li, Jun & Feng, Yongqiang & Shao, Yanhua & Liu, Feng. (2024). IDP-YOLOV9: Improvement of Object Detection Model in Severe Weather Scenarios from Drone Perspective. Applied Sciences, 14, 5277 (2023). https://doi.org/10.3390/app1412125277.Muzammul, Muhammad & Algarni, Abdul & Ghadi, Yazeed & Assam, Muhammad. Enhancing UAV Aerial Image Analysis: Integrating Advanced SAHI Techniques with Real-Time Detection Models on the VisDrone Dataset. IEEE Access, pp. 1–1 (2024). https://doi.org/10.1109/ACCESS.2024.3363413.Muzammul, Muhammad & Algarni, Abdul & Ghadi, Yazeed & Assam, Muhammad. Enhancing UAV Aerial Image Analysis: Integrating Advanced SAHI Techniques with Real-Time Detection Models on the VisDrone Dataset. IEEE Access, pp. 1–1 (2024). https://doi.org/10.1109/ACCESS.2024.3363413.

The authors declare that there are no conflicts of interest present.