Аналіз архітектурної еволюції та апаратно-орієнтованих вдосконалень засобів БПЛА для виявлення об'єктів у режимі реального часу
Анотація
Проаналізовано особливості виявлення об'єктів програмно-апаратними засобами БПЛА у реальному часі у період з 2024 по 2026 роки. Досліджено критичний баланс між точністю розпізнавання об'єктів, швидкістю інференсу та енергоспоживанням за умов значних апаратних обмежень, що відповідають умовам розгортання засобів на БПЛА. Розглянуто еволюцію сучасних архітектур моделей розпізнавання об'єктів у режимі реального часу: від класичних CNN (YOLOv11) до парадигм, орієнтованих на механізми уваги (YOLOv12), та нативного NMS-free інференсу (YOLO26). Досліджено, як ці архітектури моделей комп'ютерного зору можуть стикатися із істотними інженерними викликами, такими як "важкі" архітектурні блоки, що створюють ризик переповнення пропускної здатності пам'яті на периферійних платформах базового рівня (Edge devices). Серед наявних наукових прогалин щодо виявлення об'єктів у режимі реального часу за допомогою БПЛА було виявлено дві основні проблеми. Перша пов'язана зі спостереженням, що орієнтовно для 90 % новітніх моделей (таких як YOLO12, YOLO26, TSS-YOLO та інших архітектур, оптимізованих під NMS-Free інференс) відсутні верифіковані дані про енергоефективність роботи апаратного забезпечення, якого потребує розготання такої моделі. Друга – це проблема залежності точності та швидкості розпізнавання від набору даних ("Dataset Dependency"): результати на загальних бенчмарках, таких як MS-COCO, не є безпосередньо порівнюваними зі спеціалізованими результатами аерофотознімання. Також у роботі наведено деякі спеціалізовані рішення, такі як RTUAV-YOLO та LiteCOD, розроблені для виявлення об'єктів у реальному часі на аерознімках з БПЛА. Вони використовують архітектурні особливості (зокрема динамічне генерування ваг моделей розпізнавання об'єктів та ефективну просторову увагу), щоб подолати значний 8-кратний розрив у продуктивності (TOPS) між різними рівнями апаратного забезпечення. Задля усунення зазначених розбіжностей оцінено ряд передових стратегій оптимізації архітектури моделей розпізнавання, враховуючи Парето-оптимізацію змішаної точності (PoMQ-ViT), апаратно-залежний пошук нейронних архітектур (NAS) та структурне видалення гілок (TSS-YOLO), яке згадується як дещо ефективніше за одне тільки стандартне квантування. Запропоновано здійснювати впровадження уніфікованого коефіцієнта складності (англ. Unified Complexity Coefficient) для вирішення проблеми нормалізації продуктивності моделей розпізнавання. Прогнозовано також зміщення фокусу уваги щодо виявлення об'єктів у режимі реального часу за допомогою БПЛА у бік адаптивних систем, орієнтованих на стиснення ("compression-first") вхідних даних, що зрештою може забезпечити для наступного покоління автономних повітряних платформ повноцінні автономність та незалежність роботи у режимі реального часу.
Завантаження
Посилання
Dharma, A. S., Pardosi, C. N. S., & Silaen, Z. P. (2025). Comparative Performance of Yolov8 and Ssd-mobilenet Algorithms for Road Damage Detection in Mobile Applications. Sinkron: Jurnal Dan Penelitian Teknik Informatika, 9(3), 1159–1169. https://doi.org/10.33395/sinkron.v9i3.15008
Ghosh, A. (2026). Edge AI for Real-Time Robotic Systems: Architectures, Deployment Strategies, and Performance Optimization. Universal Library of Engineering Technology, 3(1), 07–11. https://doi.org/10.70315/uloap.ulete.2026.0301002
Habash, N., Alqumsan, A. A., & Zhou, T. (2025). Recent Real-Time Aerial Object Detection Approaches, Performance, Optimization, and Efficient Design Trends for Onboard Performance: A Survey. Sensors, 25(24), article ID 7563. https://doi.org/10.3390/s25247563
Hua, W., Qili, C., & Wenbai, C. (2024). A new lightweight network for efficient UAV object detection. Scientific Reports, 14, article ID 13288. https://doi.org/10.1038/s41598-024-64232-z
Khan, A., Ullah, H., & Munir, A. (2025). LiteCOD: Lightweight Camouflaged Object Detection via Holistic Understanding of Local-Global Features and Multi-Scale Fusion. AI, 6(9), article number 197. https://doi.org/10.3390/ai6090197
Li, Q., Wang, Z., Zhang, X., & Du, H. (2024). Lightweight camouflaged object detection model based on multilevel feature fusion. Complex & Intelligent Systems, 10, 4409–4419. https://doi.org/10.1007/s40747-024-01386-3
Meimetis, D., Daramouskas, I., Patrinopoulou, N., Lappas, V., & Kostopoulos, V. (2025). Comparative Analysis of Object Detection Models for Edge Devices in UAV Swarms. Machines, 13(8), article ID 684. https://doi.org/10.3390/machine13080684
Sapkota, R., Cheppally, R. H., Sharda, A., & Karkee, M. (2025). YOLO26: Key Architectural Enhancements and Performance Benchmarking for Real-Time Object Detection. [Preprint]. arXiv. https://doi.org/10.48550/arXiv.2509.25164
Sun, Y., Wang, S., Chen, C., & Xiang, T. (2022). Boundary-Guided Camouflaged Object Detection. In L. De Raedt (Ed.), Proceedings of the Thirty-First International Joint Conference on Artificial Intelligence (pp. 1324–1331). International Joint Conferences on Artificial Intelligence Organization. https://doi.org/10.48550/arXiv.2207.00794
Tian, Y., Ye, Q., & Doermann, D. S. (2025). YOLOv12: Attention-Centric Real-Time Object Detectors [Preprint]. arXiv. URL: https://doi.org/10.48550/arXiv.2502.12524
Wen, S., Yu, J., Guo, J., Li, Y., Li, R., Zhang, J., Li, L., & Lv, S. (2026). RMTD-YOLO: a lightweight high-precision real-time detection method for road milestones. Journal of Real-Time Image Processing, 23(2), article number 63. https://doi.org/10.1007/s11554-026-01857-5
Wen, Y., Ke, W., & Sheng, H. (2024). Camouflaged Object Detection Based on Deep Learning with Attention-Guided Edge Detection and Multi-Scale Context Fusion. Applied Sciences, 14(6), article ID 2494. https://doi.org/10.3390/app14062494
Wu, Z., & Zhao, Z. (2025). PoMQ-ViT: Mixed-Precision Quantization Vision Transformer with Pareto Optimization. Applied Sciences, 15(18), article ID 9856. https://doi.org/10.3390/app15189856
Zhang, R., Hou, J., Li, L., Zhang, K., Zhao, L., & Gao, S. (2025). RTUAV-YOLO: A Family of Efficient and Lightweight Models for Real-Time Object Detection in UAV Aerial Imagery. Sensors, 25(21), article ID 6573. https://doi.org/10.3390/s25216573
