Аннотация:
В этой статье рассматривается эффективность использования модели YOLOv8, которая основана на сверточной нейронной сети (CNN), для обнаружения объектов в железнодорожной инфраструктуре с применением возможностей нейронных процессоров (NPU). В статье всесторонне рассматриваются различные конфигурации YOLOv8, каждая из которых характеризуется различными архитектурными структурами и разрешениями входного слоя. Эти конфигурации были тщательно обучены и оценены с использованием большого набора данных, включающего более 20 000 изображений разрешения Full HD. Благодаря экспериментальным данным эта статья выявляет значительный потенциал YOLOv8 для обнаружения объектов железнодорожной инфраструктуры в режиме реального времени, особенно при использовании с нейронным процессором. Производительность различных вариантов YOLOv8 была тщательно оценена путем оценки критических факторов, таких как точность обнаружения и вычислительная эффективность. Результаты этого исследования подчеркивают адаптивность и устойчивость моделей YOLOv8 в спектре входных разрешений, подчеркивая их способность точно определять различные элементы железнодорожной инфраструктуры в различных условиях окружающей среды. Кроме того, интеграция нейронного процессора становится ключевым фактором. Она значительно увеличивает скорость обнаружения и реагирования системы, тем самым обеспечивая быструю обработку изображений высокого разрешения в режиме реального времени. В этой статье подчеркиваются перспективы, связанные с интеграцией YOLOv8 и нейронного процессора для приложений в области мониторинга и управления железнодорожной инфраструктурой. Она предлагает ценную информацию о будущей траектории технологии обнаружения объектов в транспортных системах, прокладывая путь к повышению эффективности и результативности в эксплуатации железнодорожной инфраструктуры.
Список цитирования
