АНАЛІЗ ВПЛИВУ ОПТИМІЗАТОРІВ І ГІПЕРПАРАМЕТРІВ НА ПРОДУКТИВНІСТЬ YOLO У ЗАДАЧІ ВИЯВЛЕННЯ МІН НА ТЕПЛОВИХ ЗОБРАЖЕННЯХ

Анотація

У цій роботі досліджується вплив вибору оптимізатора та налаштування гіперпараметрів на продуктивність моделі глибокого навчання YOLO для виявлення мін на теплових зображеннях. Метою роботи є вивчення впливу різних оптимізаторів і конфігурацій параметрів на точність моделі та стабільність навчання. Об’єктом дослідження є процес виявлення мін на теплових зображеннях за допомогою глибоких нейронних мереж.

Для навчання використано набір даних тепловізійних зображень мін, анотований у форматі YOLO. Експерименти проводилися на архітектурі YOLOv11n із попередньо навченими вагами. Варіювалися оптимізатори SGD або Adam, швидкість навчання та розмір пакету. Моделі навчалися протягом 50 епох, а якість оцінювалася за метриками mAP, precision та recall.

Робота надає порівняльний аналіз впливу оптимізаторів Adam та SGD на точність і стабільність роботи YOLO в умовах обмеженого набору тепловізійних даних мін. Показано, що при належному налаштуванні SGD може забезпечувати перспективні результати, незважаючи на популярність адаптивних методів. Також в роботі підтверджуються можливість високоточного виявлення мін навіть за обмеженого обсягу даних.

Усі конфігурації досягли високих значень mAP. Оптимізатор Adam забезпечив швидше початкове зниження функції втрат, тоді як SGD продемонстрував більш плавну та стабільну динаміку навчання. Найвищий precision і recall показав експеримент із використанням SGD, швидкістю навчання 0.01 та розміром пакету 64, що робить цю конфігурацію перспективною для подальших досліджень.

Отримані результати щодо вибору оптимізатора та гіперпараметрів можуть бути використані для підвищення ефективності автоматизованих систем аналізу тепловізійних зображень з безпілотних літальних апаратів, сприяючи безпечнішому та швидшому виявленню вибухонебезпечних предметів.