На сегодняшний день развитие так называемых систем «Умная парковка» связано с рациональным использованием парковочного пространства. Автоматические системы мониторинга парковочных мест направлены на решение актуальной проблемы эффективного распределения времени автовладельцев. Парковочное пространство представляет собой совокупность отдельных мест - областей, предназначенных для стоянки транспортных средств. Обычно такие области размечены заранее, однако в данной статье представлен частный случай парковочного пространства без соответствующих линий разметки, поэтому задача системы мониторинга в рассматриваемом случае заключается в обнаружении парковочных мест и распознавании их состояний (занято или свободно). Задачи обнаружения и распознавания объектов можно объединить в задачу детектирования объектов. В статье рассматривается оптимизация нейронных сетей семейства YOLOv8 для эффективного выполнения задачи детектирования состояния парковочных мест на устройствах с ограниченными вычислительными ресурсами. Основное внимание уделено применению методов статического и динамического квантования, позволяющих сократить размер модели и ускорить ее работу при сохранении приемлемой точности. Представлен сравнительный анализ методов этих подходов. Эксперименты демонстрируют, что квантование весов и активаций позволяет значительно уменьшить вычислительную сложность и объем памяти, требуемые для работы моделей семейства YOLOv8 для развертывания на устройствах с ограниченными вычислительными ресурсами. Несмотря на теоретические преимущества адаптивного подхода, динамически квантованная модель показала худшие результаты по скорости обработки (1.2 FPS) в сравнении со статическим методом. Также после статической квантизации модель обеспечивает среднюю скорость обработки 2.0 FPS, (в 1.7 раза быстрее динамически квантованной версии (1.2 FPS) и в 2.2 раза быстрее исходной модели (0.9 FPS)). При этом общее время обработки видео для статически квантованной модели составило значительно меньше по сравнению с другими вариантами (665.25 секунд).
Today, the development of so-called "Smart Parking" systems is associated with the rational use of parking space. Automatic parking monitoring systems are aimed at solving the urgent problem of efficient allocation of car owners' time. A parking space is a collection of individual spaces - areas intended for parking vehicles. Usually such areas are marked up in advance, however, this article presents a special case of a parking space without appropriate marking lines, so the task of the monitoring system in this case is to detect parking spaces and recognize their states (occupied or vacant). The tasks of object detection and recognition can be combined into an object detection task. The article discusses the optimization of neural networks of the YOLOv8 family to effectively perform the task of detecting the state of parking spaces on devices with limited computing resources.. The main focus is on the use of static and dynamic quantization methods to reduce the size of the model and speed up its operation while maintaining acceptable accuracy. A comparative analysis of the methods of these approaches is presented. Experiments demonstrate that quantization of weights and activations can significantly reduce the computational complexity and memory required for YOLOv8 family models to be deployed on devices with limited computing resources. Despite the theoretical advantages of the adaptive approach, the dynamically quantized model showed worse results in terms of processing speed (1.2 FPS) compared to the static method. Also, after static quantization, the model provides an average processing speed of 2.0 FPS, (1.7 times faster than the dynamically quantized version (1.2 FPS) and 2.2 times faster than the original model (0.9 FPS)). At the same time, the total video processing time for the statically quantized model was significantly less than in other variants (665.25 seconds).