Рассматривается задача определения минимального достаточного объёма синтетических данных для обучения нейросетей детектирования объектов в формате YOLO. Предложен подход к генерации размеченных синтетических изображений с использованием разработанного программного модуля Yolo Synthetic Data Generator. Проведено обучение трёх вариантов модели YOLOv8 (nano, small, medium) на датасетах различных размеров (от 100 до 10000 кадров). Оценка качества выполнена на пяти тестовых видеороликах по числу обнаруженных объектов и кадров с детекциями. Показано, что для моделей nano и small оптимальным является датасет объёмом 1000 кадров, для модели medium – 500 кадров. Дальнейшее увеличение датасета не приводит к значимому росту качества, но увеличивает вычислительные затраты. Полученные результаты могут быть использованы при разработке систем технического зрения, в том числе для автофокусировки на основе ROI
The problem of determining the minimum sufficient volume of synthetic data for training YOLO-format object detection neural networks is considered. An approach to generating la-beled synthetic images using the developed Yolo Synthetic Data Generator software module is proposed. Three variants of the YOLOv8 model (nano, small, medium) were trained on datasets of various sizes (from 100 to 10,000 frames). Quality assessment was performed on five test videos based on the number of detected objects and frames with detections. It is shown that for the nano and small models, a dataset of 1,000 frames is optimal, while for the medium model, 500 frames are sufficient. A further increase in the dataset does not lead to a significant improvement in quality but increases computational costs. The obtained results can be used in the development of machine vision systems, including for ROI-based autofocusing
Предпросмотр статьи
Идентификаторы и классификаторы
- SCI
- Физика
Если у вас возникли вопросы или появились предложения по содержанию статьи, пожалуйста, направляйте их в рамках данной темы.
