ОПТИМИЗАЦИЯ МОДЕЛЕЙ СЕМЕЙСТВА YOLOV8 ДЛЯ РАБОТЫ НА УСТРОЙСТВАХ С ОГРАНИЧЕННЫМИ ВЫЧИСЛИТЕЛЬНЫМИ РЕСУРСАМИ ПРИ ДЕТЕКТИРОВАНИИ СОСТОЯНИЯ ПАРКОВОЧНЫХ МЕСТ
Авторы:
1.
Казанский национальный исследовательский технический университет им. А.Н. Туполева
(кафедра автоматизированных систем обработки информации и управления, ассистент)
сотрудник с 01.01.2024 по 01.01.2025
сотрудник с 01.01.2024 по 01.01.2025
2.
Казанский национальный исследовательский технический университет имени А. Н. Туполева-КАИ
Россия
Россия
Тип:
Статья
Страницы:
с 89
по 92
Статус:
Опубликован
Получено:
25.12.2025
Одобрено:
25.12.2025
Опубликовано:
25.12.2025
Язык материала:
русский
Ключевые слова:
КОМПЬЮТЕРНОЕ ЗРЕНИЕ, ГЛУБОКОЕ ОБУЧЕНИЕ, YOLO, КВАНТОВАНИЕ, ДЕТЕКТИРОВАНИЕ ОБЪЕКТОВ, ОПТИМИЗАЦИЯ НЕЙРОННЫХ СЕТЕЙ
Аннотация (русский):
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).
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).
Ключевые слова:
КОМПЬЮТЕРНОЕ ЗРЕНИЕ, ГЛУБОКОЕ ОБУЧЕНИЕ, YOLO, КВАНТОВАНИЕ, ДЕТЕКТИРОВАНИЕ ОБЪЕКТОВ, ОПТИМИЗАЦИЯ НЕЙРОННЫХ СЕТЕЙ
КОМПЬЮТЕРНОЕ ЗРЕНИЕ, ГЛУБОКОЕ ОБУЧЕНИЕ, YOLO, КВАНТОВАНИЕ, ДЕТЕКТИРОВАНИЕ ОБЪЕКТОВ, ОПТИМИЗАЦИЯ НЕЙРОННЫХ СЕТЕЙ
