• Актуальность создания системы обнаружения дронов (БПЛА).
• Системы обнаружения дронов выполняют различные функции: обнаружение, идентификация, классификация, определение местоположения, отслеживание траектории, оповещение оператора/системы безопасности, автоматическая активация контрмер.
• Системы обнаружения БПЛА делятся на радиочастотные сканеры, радарные комплексы, оптические системы (видеокамеры), акустические датчики.
• Цель - разработка системы обнаружения БПЛА с использованием ИИ и компьютерного зрения.
• Задача - создание модели машинного обучения для автоматического обнаружения дронов, различения их от других летательных аппаратов и птиц на основе визуальной информации.
• Один из вариантов - система машинного зрения CV на основе алгоритма глубокого обучения YOLO.
• YOLO - алгоритм обнаружения объектов в реальном времени, разработанный для высокой скорости и производительности.
• Цель - достичь лучшей точности при сохранении высокой скорости и снижении затрат памяти.
• Обучение модели YOLO включает подготовку размеченного набора данных, настройку параметров обучения и запуск процесса обучения.
• Для обучения пользовательской модели YOLO необходимо создать набор данных с аннотациями и настроить параметры в конфигурационном файле YAML.
• Набор данных содержит разнообразные изображения, представляющие различные типы и виды БПЛА.
• Для каждого изображения в датасете предоставлены аннотации, содержащие информацию о местоположении и классе дрона на изображении.
• Формат изображений - .jpg’, ‘.jpeg’, ‘.png’.
• Размеры обучающей/проверочной/тестовой выборок: 15284 / 2517 / 179.
• Общий размер датасета - 17980.
• В датасете отмечается дисбаланс классов, класс DRON значительно преобладает.
• Выбор архитектуры модели и настройка параметров обучения: YOLOv12 - одна из самых современных и эффективных реализаций алгоритма обнаружения объектов на основе глубокого обучения.
• Обучение модели «с нуля» может потребоваться в случае, если структура классов в пользовательском датасете отличается от стандартных или требуется максимальная адаптация под специфические задачи.
• Результаты обучения модели показывают высокую точность обнаружения всех классов, особенно приоритетного класса DRON.
• Однако наблюдаются трудности с точной идентификацией отдельных классов, в частности BIRDS.
• Скорость обработки видеоизображений при использовании CUDA составила 1.6 мс на кадр, что обеспечивает достаточную производительность для применения в реальных условиях.