YOLOV10 НЕЙРОНДЫҚ ЖЕЛІСІ НЕГІЗІНДЕ НАҚТЫ УАҚЫТТА ҰШҚЫШСЫЗ ҰШУ АППАРАТТАРЫН ТАНУ МОДЕЛІН ӘЗІРЛЕУ

Мақалада YOLOv10 нейрондық желісін оқыту негізінде нақты уақыт режимінде ұшқышсыз ұшу аппараттары мен құстарды тану және жіктеу моделін әзірлеу қарастырылады. Зерттеу бағыты әртүрлі салаларда оларды қолданудың артуын ескере отырып, қауіпсіздік тұрғысынан ұшқышсыз ұшу аппараттарын анықтау мәселелерінің өзектілігімен байланысты. Модельді оқыту үшін жеке мұрағаттар мен ашық ресурстардан жиналған 6255 суреттен тұратын деректер жиынтығы дайындалды. Аннотациялау, деректерді күшейту және тарату процесі Roboflow.com қызметі арқылы жүзеге асырылды. Модельді оқыту ULTRALYTICS фреймворкін қолдана отырып, NVIDIA GeForce RTX 4080 графикалық процессорында жүргізілді. Тестілеу нәтижелері mAP50 және mAP50–95 көрсеткіштері бойынша YOLO желісінің алдыңғы нұсқаларымен салыстырғанда танудың жоғары дәлдігін көрсетті. Модель объектілерді тиімді сегментациялау және қадағалау қабілетін көрсетті, бұл оны оптикалық-электронды бақылау жүйелерінде қолдануға перспективалы етеді. Зерттеу нәтижелері ұшқышсыз ұшу аппараттары мен құстарды анықтау және жіктеу жүйелерін әзірлеушілерге, сондай-ақ әртүрлі салаларда қауіпсіздікті арттыруға пайдалы болуы мүмкін.

1. 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.

2. 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.

3. 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.

4. Singha, S., Aydin, B. Automated Drone Detection Using YOLO v4. Drones. September 2021. https://doi.org/10.3390/drones5030095.

5. 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.

6. Aydin, B., Singha, S. Drone Detection Using YOLO v5, Eng. 4 (2023). https://doi.org/10.3390/eng4010025.

7. 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.

8. 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.

9. 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.