Исследование соотношения точности и производительности моделей YOLO v8 на специальном наборе данных Lacmus

В рамках настоящего исследования представлен специализированный датасет Lacmus, разработанный для решения задачи детекции пропавших людей на аэрофотоснимках, полученных с беспилотных летательных аппаратов. Набор данных включает 1552 изображения с более чем 5 тыс. размеченных ограничивающих рамок, зафиксированных в пяти различных локациях, характеризующихся травянистым покровом и редколесьем, в различные сезоны года. Основной целью исследования являлась оптимизация соотношения точности и производительности моделей семейства YOLO v8 на основе представленного датасета. В ходе экспериментальных исследований установлено, что наилучшие показатели достигаются при использовании модели среднего размера с увеличенным входным разрешением изображений без их предварительной обработки и нарезки на снимки меньшего разрешения. Разработанный датасет и полученные результаты исследования предназначены для практического применения в деятельности поисково-спасательных отрядов, что потенциально может способствовать повышению эффективности спасательных операций и спасению человеческих жизней.

1. Herskovits A., Binford T. O. On boundary detection. 1970. URL: http://hdl.handle.net/1721.1/5867

2. Yakimovsky Y. Boundary and object detection in real world images. Journal of the ACM (JACM). 1976;23(4):599–618. DOI: 10.1145/321978.321981

3. Zou Z., Chen K., Shi Z., Guo Y., Ye J. Object detection in 20 years: A survey. Proceedings of the IEEE. 2023;111(3):257–276. DOI: 10.48550/arXiv.1905.05055

4. Carranza-García M., Torres-Mateo J., Lara-Benítez, P. García-Gutiérrez J., On the performance of one-stage and two-stage object detectors in autonomous vehicles using camera data. Remote Sensing. 2020;13(1):89. DOI: 10.3390/rs13010089

5. Shehzadi T., Hashmi K. A., Stricker D., Afzal M. Z. 2D Object Detection with Transformers: A Review. 2023. URL: https://www.researchgate.net/publication/371414252_2D_Object_Detection_with_Transformers_A_ Review. DOI: 10.48550/arXiv.2306.04670

6. Lin T. Y., Maire M., Belongie S. et al. Microsoft coco: Common objects in context. In Computer Vision — ECCV 2014: 13th European Conference, Zurich, Switzerland, Sept. 6–12, 2014. Proceedings, Springer International Publishing. 2014;3:740–755. URL: https://link.springer.com/book/10.1007/978–3–319–10602–1

7. Everingham M., Van Gool L., Williams C. K., Winn J. The pascal visual object classes (VOC) challenge. International journal of computer vision. 2010;88:303–338. DOI: 10.1007/s11263–009–0275–4

8. Zhu P., Wen L., Du D., Bian X. et al. Visdrone-det 2018: The vision meets drone object detection in image challenge results. In Computer Vision — ECCV 2018 Workshops. Lecture Notes in Computer Science. 2019:437–468. DOI: 10.1007/978–3–030–11021–5_27

9. Du D., Qi Y., Yu H., et al. The unmanned aerial vehicle benchmark: Object detection and tracking. In Proceedings of the European conference on computer vision (ECCV). 2018:370–386. DOI: 10.48550/arXiv.1804.00518

10. Varga L. A., Kiefer B., Messmer M., Zell A. Seadronessee: A maritime benchmark for detecting humans in open water. In Proceedings of the IEEE/CVF winter conference on applications of computer vision. 2022:2260–2270. DOI: 10.48550/arXiv.2105.01922

11. Božić-Štulić D., Marušić Ž. and Gotovac S. Deep learning approach in aerial imagery for supporting land search and rescue missions. International Journal of Computer Vision. 2019;127(9):1–23. DOI: 10.1007/s11263–019–01177–1

12. Broyles D., Hayner C. R., Leung K. Wisard: A labeled visual and thermal image dataset for wilderness search and rescue. In 2022 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). 2022:9467–9474. DOI: 10.1109/IROS 47612.2022.9981298

13. Russell Bernal A. M., Scheirer W., Cleland-Huang J. NOMAD: A Natural, Occluded, Multi-scale Aerial Dataset, for Emergency Response Scenarios. In Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision. 2024:8584–8595. URL: https://openaccess.thecvf.com/content/WACV2024/papers/Bernal_NOMAD_A_Natural_Occluded_Multi-Scale_Aerial_Dataset_for_Emergency_Response_WACV_2024_paper.pdf. DOI: 10.48550/ arXiv.2309.09518

14. Sambolek S., Ivasic-Kos M., Person Detection and Geolocation Estimation in UAV Aerial Images: An Experimental Approach. In ICPRAM. SN Computer Science. 2025;6(4):785–792. DOI: 10.1007/s42979–025–03869–7

15. Akyon F. C., Altinuc S. O., Temizel A. Slicing aided hyper inference and fine-tuning for small object detection. In 2022 IEEE International Conference on Image Processing (ICIP). 2022:966–970. DOI: 10.1109/ICIP46576.2022.9897990

16. Amjoud A. B., Amrouch M. Object detection using deep learning, CNNs and vision transformers: A review. IEEE Access. 2023;11:35479–35516. DOI: 10.1109/ACCESS.2023.3266093

17. Zhang H., Hao C., Song W., Jiang B., Li B. Adaptive slicing-aided hyper inference for small object detection in highresolution remote sensing images. Remote Sensing. 2023;15(5):1249. DOI: 10.3390/rs15051249

18. Labintsev A. I., Dolmatov A. G. Fuzzy measurement of coordinates of small objects in high-resolution images. Soft measurements and calculations. 2022;52(3):36–42. DOI: 10.36871/2618–9976.2022.03.004

19. Redmon J., Divvala S., Girshick R., Farhadi A. You only look once: Unified, real-time object detection. In Proceedings of the Conference: 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2016. DOI: 10.1109/CVPR.2016.91

20. Hosang J., Benenson R., Schiele B. Learning non-maximum suppression. Proceedings of the IEEE conference on computer vision and pattern recognition. 2017:4507–4515. DOI: 10.1109/CVPR.2017.685

21. Li X., Wang W., Wu L., Chen S., et al. Generalized focal loss: Learning qualified and distributed bounding boxes for dense object detection. Advances in Neural Information Processing Systems. 2020;33:21002–21012. DOI: 10.48550/arXiv.2006.04388