Метааналіз Парето-оптимальних моделей виявлення об'єктів для безпілотних літальних апаратів на наборі даних VisDrone2019-DET
DOI:
https://doi.org/10.17721/1812-5409.2026/1.33Ключові слова:
безпілотні літальні апарати, VisDrone2019 , детекція об'єктів, моделі глибокого навчання, аналіз ПаретоАнотація
Предметом пропонованого дослідження є сучасні моделі глибокого навчання для виявлення об'єктів із безпілотних літальних апаратів (БПЛА), навчені й оцінені на еталонному наборі даних VisDrone2019-DET. Проблема, яку розглянуто в роботі, полягала у відсутності систематичного аналізу наявних моделей на основі критерію оптимального балансу між точністю виявлення, швидкістю обчислення та розміром моделі, що є критично важливими для роботи в режимі реального часу на бортових комп'ютерах БПЛА з обмеженими ресурсами. Основний результат полягає у всебічному метааналізі понад 60 наукових публікацій і визначенні двох груп Парето-оптимальних моделей: одна зосереджена на мінімізації параметрів моделі, а інша – на мінімізації обчислювальної складності. За допомогою багатокритеріального аналізу Парето та створення найповнішої натепер таблиці підсумкових показників ефективності, у ході дослідження було визначено архітектури, що забезпечують найкращий компроміс між точністю, швидкістю та розміром. Ними виявилися оптимізовані версії YOLO та детекторів на основі трансформерів, таких як DETR, що пояснюється ефективністю їхньої основної архітектури та додатковим налаштуванням під особливості аерофотознімків. Використовуючи прискорювач Hailo 8L як приклад, дослідження також продемонструвало, що обчислювальна складність моделі прямо пропорційна (з коефіцієнтом детермінації до 0,98) її швидкості виконання на типовому нейронному прискорювачі, який використовується в комп'ютерах-супутниках БПЛА. Це дає змогу інженерам оцінювати відносний час виконання на основі кількості операцій, уникаючи трудомісткого тестування. Загалом отримані результати можуть бути використані інженерами для ухвалення обґрунтованих рішень щодо архітектури детекторів залежно від конкретних обмежень апаратного забезпечення БПЛА, а дослідниками – як орієнтири для розроблення нових моделей для автономної експлуатації БПЛА в повітряному моніторингу, інспекції інфраструктури та пошуково-рятувальних операціях.
Посилання
Akyon, F. C., Altınuç, S. O., & Temizel, A. (2022). Slicing aided hyper inference and fine-tuning for small object detection. In Y. Berthoumieu & P. Frossard (Eds.), 2022 IEEE International Conference on Image Processing (ICIP) (pp. 966–970). IEEE. https://doi.org/10.1109/ICIP46576.2022.9897990
An, J., Lee, D., Putro, M. D., & Kim, B. (2024). DCE-YOLOv8: Lightweight and Accurate Object Detection for Drone Vision. IEEE Access, 12, 170898–170912. https://doi.org/10.1109/ACCESS.2024.3481410
Cai, Z., & Vasconcelos, N. (2018). Cascade R-CNN: Delving Into High Quality Object Detection. In D. Forsyth, I. Laptev, D. Ramanan, & A. Oliva (Eds.), 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 6154–6162). IEEE. https://doi.org/10.1109/CVPR.2018.00644
Camarlinghi, N., Michelozzi, B., Martino, G., Di Tommaso, A., Fontanelli, G., & Masini, A. (2024). Drone-based monitoring on the edge using a high-resolution payload. In J. Dijk & J. L. Sanchez-Lopez (Eds.), Autonomous Systems for Security and Defence (p. 1–7). SPIE. https://doi.org/10.1117/12.3031453
Cao, Z., Kooistra, L., Wang, W., Guo, L., & Valente, J. (2023). Real-Time Object Detection Based on UAV Remote Sensing: A Systematic Literature Review. Drones, 7(10), 620. https://doi.org/10.3390/drones7100620
Chen, D., & Zhang, L. (2025). SL-YOLO: A Stronger and Lighter Drone Target Detection Model. arXiv. https://doi.org/10.48550/arXiv.2411.11477
Chen, L., Hu, J., Li, X., Quan, F., & Chen, H. (2021). Onboard Real-time Object Detection for UAV with Embedded NPU. In X. Ning & Y. Haibin (Eds.), 2021 IEEE 11th Annual International Conference on CYBER Technology in Automation, Control, and Intelligent Systems (CYBER) (pp. 192–197). IEEE. https://doi.org/10.1109/CYBER53097.2021.9588193
Deng, L., Bi, L., Li, H., Chen, H., Duan, X., Lou, H., Zhang, H., Bi, J., & Liu, H. (2023). Lightweight aerial image object detection algorithm based on improved YOLOv5s. Scientific Reports, 13(1), 7817. https://doi.org/10.1038/s41598-023-34892-4
Du, B., Liao, Z., Zhang, Y., Cai, Z., Chen, J., & Huang, D. (2024). Centerness-based Instance-aware Knowledge Distillation with Task-wise Mutual Lifting for Object Detection on Drone Imagery. arXiv. https://doi.org/10.48550/arXiv.2411.02861
Du, D., Zhu, P., Wen, L., Bian, X., Lin, H., Hu, Q., Peng, T., Zheng, J., Wang, X., Zhang, Y., Bo, L., Shi, H., Zhu, R., Kumar, A., Li, A., Zinollayev, A., Askergaliyev, A., Schumann, A., Mao, B., Liu, Z. (2019). VisDrone-DET2019: The Vision Meets Drone Object Detection in Image Challenge Results. 2019 IEEE/CVF International Conference on Computer Vision Workshop (ICCVW), 213–226. https://doi.org/10.1109/ICCVW.2019.00030
Duan, K., Bai, S., Xie, L., Qi, H., Huang, Q., & Tian, Q. (2019). CenterNet: Keypoint Triplets for Object Detection. In I. S. Kweon, N. Paragios, M.-H. Yang, & S. Lazebnik (Eds.), 2019 IEEE/CVF International Conference on Computer Vision (ICCV) (pp. 6568–6577). https://doi.org/10.1109/ICCV.2019.00667
Elmokadem, T., & Savkin, A. V. (2021). Towards Fully Autonomous UAVs: A Survey. Sensors, 21(18), 6223. https://doi.org/10.3390/s21186223
Fernandez, J., Kahn, J., Na, C., Bisk, Y., & Strubell, E. (2023). The Framework Tax: Disparities Between Inference Efficiency in NLP Research and Deployment. In H. Bouamor, J. Pino, & K. Bali (Eds.), Proceedings of the 2023 Conference on Empirical Methods in Natural Language Processing (pp. 1588–1600). Association for Computational Linguistics. https://doi.org/10.18653/v1/2023.emnlp-main.98
Guo, J., Liu, X., Bi, L., Liu, H., & Lou, H. (2023). UN-YOLOv5s: A UAV-Based Aerial Photography Detection Algorithm. Sensors, 23(13), 5907. https://doi.org/10.3390/s23135907
Gutierrez, G., Llerena, J. P., Usero, L., & Patricio, M. A. (2025). A Comparative Study of Convolutional Neural Network and Transformer Architectures for Drone Detection in Thermal Images. Applied Sciences, 15(1), 109. https://doi.org/10.3390/app15010109
Hailo-8l model zoo. (2025). https://github.com/hailo-ai/hailo_model_zoo/blob/master/docs/public_models/HAILO8L/HAILO8L_object_detection.rst
He, L., & Wang, M. (2023). SliceSamp: A Promising Downsampling Alternative for Retaining Information in a Neural Network. Applied Sciences, 13(21), 11657. https://doi.org/10.3390/app132111657
Hua, W., & Chen, Q. (2025). A survey of small object detection based on deep learning in aerial images. Artificial Intelligence Review, 58(6), 162. https://doi.org/10.1007/s10462-025-11150-9
Hussain, M. (2024). YOLOv5, YOLOv8, and YOLOv10: The Go-To Detectors for Real-time Vision. arXiv. https://doi.org/10.48550/arXiv.2407.02988
Jayanth, R., Gupta, N., & Prasanna, V. (2024). Benchmarking Edge AI Platforms for High-Performance ML Inference. In E. Mortensen (Ed.), 2024 IEEE High Performance Extreme Computing Conference (HPEC) (pp. 1–7). https://doi.org/10.1109/HPEC62836.2024.10938499
Jiao, L., & Abdullah, M. I. (2024). YOLO series algorithms in object detection of unmanned aerial vehicles: A survey. Service Oriented Computing and Applications, 18(3), 269–298. https://doi.org/10.1007/s11761-024-00388-w
Keles, M. C., Salmanoglu, B., Guzel, M. S., Gursoy, B., & Bostanci, G. E. (2022). Evaluation of YOLO Models with Sliced Inference for Small Object Detection. arXiv. https://doi.org/10.48550/arXiv.2203.04799
Kong, Y., Shang, X., & Jia, S. (2024). Drone-DETR: Efficient Small Object Detection for Remote Sensing Image Using Enhanced RT-DETR Model. Sensors, 24(17), 5496. https://doi.org/10.3390/s24175496
Law, H., & Deng, J. (2020). CornerNet: Detecting Objects as Paired Keypoints. International Journal of Computer Vision, 128(3), 642–656. https://doi.org/10.1007/s11263-019-01204-1
Li, H., & Wu, J. (2024). LSOD-YOLOv8s: A Lightweight Small Object Detection Model Based on YOLOv8 for UAV Aerial Images. Engineering Letters, 32(11), 2073–2082.
Li, X., Wang, F., Wang, W., Han, Y., & Zhang, J. (2024). DM-YOLOX aerial object detection method with intensive attention mechanism. The Journal of Supercomputing, 80(9), 1–23. https://doi.org/10.1007/s11227-024-05944-x
Li, Y., Fan, Q., Huang, H., Han, Z., & Gu, Q. (2023). A Modified YOLOv8 Detection Network for UAV Aerial Image Recognition. Drones, 7(5), 304. https://doi.org/10.3390/drones7050304
Lin, T.-Y., Goyal, P., Girshick, R., He, K., & Dollár, P. (2020). Focal Loss for Dense Object Detection. IEEE Transactions on Pattern Analysis and Machine Intelligence, 42(2), 318–327. https://doi.org/10.1109/TPAMI.2018.2858826
Liu, S., Zha, J., Sun, J., Li, Z., & Wang, G. (2023). EdgeYOLO: An Edge-Real-Time Object Detector. In J. Han & J. Sun (Eds.), 2023 42nd Chinese Control Conference (CCC) (pp. 7507–7512). IEEE. https://doi.org/10.23919/CCC58697.2023.10239786
Liu, W., Anguelov, D., Erhan, D., Szegedy, C., Reed, S., Fu, C.-Y., & Berg, A. C. (2016). SSD: Single Shot MultiBox Detector. In B. Leibe, J. Matas, N. Sebe, & M. Welling (Eds.), Computer Vision – ECCV 2016 (pp. 21–37). Springer. https://doi.org/10.1007/978-3-319-46448-0_2
Liu, Y., He, M., & Hui, B. (2025). ESO-DETR: An Improved Real-Time Detection Transformer Model for Enhanced Small Object Detection in UAV Imagery. Drones, 9(2), 143. https://doi.org/10.3390/drones9020143
Lu, S., Lu, H., Dong, J., & Wu, S. (2023). Object Detection for UAV Aerial Scenarios Based on Vectorized IOU. Sensors, 23(6), 3061. https://doi.org/10.3390/s23063061
Ma, N., Zhang, X., Zheng, H.-T., & Sun, J. (2018). ShuffleNet V2: Practical Guidelines for Efficient CNN Architecture Design. In V. Ferrari, M. Hebert, C. Sminchisescu, & Y. Weiss (Eds.), Computer Vision – ECCV 2018 (pp. 122–138). Springer International Publishing. https://doi.org/10.1007/978-3-030-01264-9_8
Mirzaei, B., Nezamabadi-pour, H., Raoof, A., & Derakhshani, R. (2023). Small Object Detection and Tracking: A Comprehensive Review. Sensors, 23(15), 6887. https://doi.org/10.3390/s23156887
Nia, V. P., Ghaffari, A., Zolnouri, M., & Savaria, Y. (2022). Rethinking Pareto Frontier for Performance Evaluation of Deep Neural Networks. arXiv. https://doi.org/10.48550/arXiv.2202.09275
Nikouei, M., Baroutian, B., Nabavi, S., Taraghi, F., Aghaei, A., Sajedi, A., & Moghaddam, M. E. (2025). Small Object Detection: A Comprehensive Survey on Challenges, Techniques and Real-World Applications. arXiv. https://doi.org/10.48550/arXiv.2503.20516
Peng, J., Xie, L., Zhang, Z., Tan, T., & Wang, J. (2018). Accelerating Deep Neural Networks with Spatial Bottleneck Modules. arXiv. https://doi.org/10.48550/arXiv.1809.02601
Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You Only Look Once: Unified, Real-Time Object Detection. In J. A. Schnabel & K. Mori (Eds.), 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (pp. 779–788). IEEE. https://doi.org/10.1109/CVPR.2016.91
Rekavandi, A. M., Rashidi, S., Boussaid, F., Hoefs, S., Akbas, E., & Bennamoun, M. (2023). Transformers in Small Object Detection: A Benchmark and Survey of State-of-the-Art. arXiv. https://doi.org/10.48550/arXiv.2309.04902
Ren, S., He, K., Girshick, R., & Sun, J. (2016). Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks. In C. Cortes, N. Lawrence, & M. Sugiyama (Eds.), Advances in Neural Information Processing Systems (pp. 91–99). Curran Associates, Inc. https://doi.org/10.48550/arXiv.1506.01497
Song, Z., Zhang, Y., & Ebayyeh, A. A. R. M. A. (2024). EDNet: Edge-Optimized Small Target Detection in UAV Imagery – Faster Context Attention, Better Feature Fusion, and Hardware Acceleration. In H. Liu & K. Qian (Eds.), 2024 IEEE Smart World Congress (SWC) (pp. 829–838). https://doi.org/10.1109/SWC62898.2024.00141
Su, J., Qin, Y., Jia, Z., & Liang, B. (2024). MPE-YOLO: Enhanced small target detection in aerial imaging. Scientific Reports, 14(1), 17799. https://doi.org/10.1038/s41598-024-68934-2
Suo, J., Zhang, X., Shi, W., & Zhou, W. (2024). E³-UAV: An Edge-based Energy-Efficient Object Detection System for Unmanned Aerial Vehicles. IEEE Internet of Things Journal, 11(3), 4398–4413. https://doi.org/10.1109/JIOT.2023.3301623
Tan, M., Pang, R., & Le, Q. V. (2020). EfficientDet: Scalable and Efficient Object Detection. In G. Mori, K. Saenko, & S. Savarese (Eds.), 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) (pp. 10778–10787). https://doi.org/10.1109/CVPR42600.2020.01079
Tan, Y., Xu, B., Sun, J., Xu, C., Pan, W., Dai, S., & Liu, H. (2025). DBYOLOv8: Dual-Branch YOLOv8 Network for Small Object Detection on Drone Image. International Journal of Advanced Computer Science and Applications, 16(1), 1301–1309. https://doi.org/10.14569/IJACSA.2025.01601124
Tang, S., Zhang, S., & Fang, Y. (2024). HIC-YOLOv5: Improved YOLOv5 For Small Object Detection. In Y. Hasegawa (Ed.), 2024 IEEE International Conference on Robotics and Automation (ICRA) (pp. 6614–6619). https://doi.org/10.1109/ICRA57147.2024.10610273
Tang, X., Chen, X., Cheng, J., Wu, J., Fan, R., Zhang, C., & Zhou, Z. (2024). YOLO-Ant: A Lightweight Detector via Depthwise Separable Convolutional and Large Kernel Design for Antenna Interference Source Detection. IEEE Transactions on Instrumentation and Measurement, 73, 3503817. https://doi.org/10.1109/TIM.2024.3379397
Tong, Z., Chen, Y., Xu, Z., & Yu, R. (2023). Wise-IoU: Bounding Box Regression Loss with Dynamic Focusing Mechanism. arXiv. https://doi.org/10.48550/arXiv.2301.10051
Vaddi, S., Kim, D., Kumar, C., Shad, S., & Jannesari, A. (2021). Efficient Object Detection Model for Real-time UAV Application. Computer and Information Science, 14(1), 45–55. https://doi.org/10.5539/cis.v14n1p45
Wan, J., Zhang, B., Zhao, Y., Du, Y., & Tong, Z. (2021). VistrongerDet: Stronger Visual Information for Object Detection in VisDrone Images. In L. O’Conner (Ed.), 2021 IEEE/CVF International Conference on Computer Vision Workshops (ICCVW) (pp. 2820–2829). IEEE. https://doi.org/10.1109/ICCVW54120.2021.00316
Wang, C.-Y., Yeh, I.-H., & Mark Liao, H.-Y. (2025). YOLOv9: Learning What You Want to Learn Using Programmable Gradient Information. In A. Leonardis, E. Ricci, S. Roth, O. Russakovsky, T. Sattler, & G. Varol (Eds.), Computer Vision – ECCV 2024 (pp. 1–21). Springer. https://doi.org/10.1007/978-3-031-72751-1_1
Wang, H., Liu, J., Zhao, J., Zhang, J., & Zhao, D. (2025). Precision and speed: LSOD-YOLO for lightweight small object detection. Expert Systems with Applications, 269, 126440. https://doi.org/10.1016/j.eswa.2025.126440
Wang, J., Liu, W., Zhang, W., & Liu, B. (2022). LV-YOLOv5: A light-weight object detector of Vit on Drone-captured Scenarios. In Z. Li (Ed.), 2022 16th IEEE International Conference on Signal Processing (ICSP) (pp. 178–183). IEEE. https://doi.org/10.1109/ICSP56322.2022.9965217
Wang, X., Peng, Y., & Shen, C. (2025). Efficient Feature Fusion for UAV Object Detection. arXiv. https://doi.org/10.48550/arXiv.2501.17983
Wenbin, L. (2025). An Efficient Aerial Image Detection with Variable Receptive Fields. arXiv. https://doi.org/10.48550/arXiv.2504.15165
Wu, H., Zhu, Y., & Cao, M. (2024). An algorithm for detecting dense small objects in aerial photography based on coordinate position attention module. IET Image Processing, 18(7), 1759–1767. https://doi.org/10.1049/ipr2.13061
Wu, Q., Li, Y., Huang, W., Chen, Q., & Wu, Y. (2024). C3TB-YOLOv5: Integrated YOLOv5 with transformer for object detection in high-resolution remote sensing images. International Journal of Remote Sensing, 45, 2622–2650. https://doi.org/10.1080/01431161.2024.2329528
Xiao, L., Li, W., Yao, S., Liu, H., & Ren, D. (2024). High-precision and lightweight small-target detection algorithm for low-cost edge intelligence. Scientific Reports, 14(1), 23542. https://doi.org/10.1038/s41598-024-75243-1
Xu, C., Wang, J., Yang, W., Yu, H., Yu, L., & Xia, G.-S. (2022). Detecting tiny objects in aerial images: A normalized Wasserstein distance and a new benchmark. ISPRS Journal of Photogrammetry and Remote Sensing, 190, 79–93. https://doi.org/10.1016/j.is-prsjprs.2022.06.002
Yang, C., Huang, Z., & Wang, N. (2022). QueryDet: Cascaded Sparse Query for Accelerating High-Resolution Small Object Detection. In K. Dana, G. Hua, S. Roth, S. Dimitris, & R. Singh (Eds.), 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) (pp. 13658–13667). IEEE. https://doi.org/10.1109/CVPR52688.2022.01330
Zhang, H., Liu, K., Gan, Z., & Zhu, G.-N. (2025). UAV-DETR: Efficient End-to-End Object Detection for Unmanned Aerial Vehicle Imagery. arXiv. https://doi.org/10.48550/arXiv.2501.01855
Zhang, H., & Zhang, S. (2024). Shape-IoU: More Accurate Metric considering Bounding Box Shape and Scale. arXiv. https://doi.org/10.48550/arXiv.2312.17663
Zhang, L., Xiong, N., Pan, X., Yue, X., Wu, P., & Guo, C. (2023). Improved Object Detection Method Utilizing YOLOv7-Tiny for Unmanned Aerial Vehicle Photographic Imagery. Algorithms, 16(11), 520. https://doi.org/10.3390/a16110520
Zhao, Y., Lv, W., Xu, S., Wei, J., Wang, G., Dang, Q., Liu, Y., & Chen, J. (2024). DETRs Beat YOLOs on Real-time Object Detection. In E. Mortensen (Ed.), 2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) (pp. 16965–16974). IEEE. https://doi.org/10.1109/cvpr52733.2024.01605
Zhu, P., Wen, L., Du, D., Bian, X., Ling, H., Hu, Q., Nie, Q., Cheng, H., Liu, C., Liu, X., Ma, W., Wu, H., Wang, L., Schumann, A., Brown, C., Qian, C., Li, C., Li, D., Michail, E., & Song, Z. (2019). VisDrone-DET2018: The Vision Meets Drone Object Detection in Image Challenge Results. In L. Leal-Taixé & S. Roth (Eds.), Computer Vision – ECCV 2018 Workshops (Vol. 11134, pp. 437–468). https://doi.org/10.1007/978-3-030-11021-5_27
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2026 Yaroslav Smolin, Viacheslav Liskin
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
Автори, роботи яких публікуються у цьому журналі, погоджуються з такими умовами:
- Автори зберігають авторські права та надають журналу право на першу публікацію роботи, яка одночасно ліцензується згідно із Creative Commons Attribution License, тобто надається дозвіл іншим ділитися роботою з визнанням авторства роботи та першої публікації в цьому журналі.
- Автори можуть укладати окремі додаткові угоди щодо невиключного розповсюдження опублікованої журналом версії роботи (наприклад, розмістити її у репозитарії наукової установи чи опублікувати у книзі) з підтвердженням її початкової публікації у цьому журналі.
- Дозволяється та заохочується розміщення своїх робіт в мережі Інтернет авторами (наприклад, у репозитаріях наукових установ або на особистих веб-сторінках) до та під час процесу подання, оскільки це може призвести до продуктивного обміну, а також до більш ранніх цитувань опублікованої роботи та їх більшої кількості (див. The Effect of Open Access).
