Оценка эффективности сверточных нейронных сетей в задаче автономного пилотирования

Аннотация

Данное исследование посвящено разработке системы автономного перемещения беспилотной тележки GreenCamel АгроМул RC2400 по территории предприятия. Ключевой задачей является создание системы машинного зрения, способной в реальном времени распознавать препятствия, такие как дорожные конусы, и предпринимать действия для их объезда. В качестве решения для задачи детекции объектов был выбран предобученный алгоритм YOLOv11, являющийся последней версией популярного семейства детекторов объектов в реальном времени. YOLOv11 обладает улучшенной архитектурой и методами обучения, что делает его эффективным инструментом для решения широкого спектра задач компьютерного зрения. Для обучения модели использовались данные из набора Microsoft COCO, дополненные датасетом дорожных конусов из открытого источника roboflow. Из 80 классов, представленных в Microsoft COCO, были выбраны 9 наиболее релевантных для задачи, а также добавлен класс "traffic cone". В ходе обучения модель YOLOv11 продемонстрировала высокую точность и эффективность, достигнув значения MAP (среднее значение показателя средней точности по всем классам) в 91.2%, Precision (точность) - 90.1% и Recall (полнота) - 86.5%. В результате исследования было подтверждено, что YOLOv11 является эффективным инструментом для обнаружения дорожных конусов. Полученные результаты демонстрируют возможность использования алгоритма для создания системы автономного перемещения беспилотной тележки GreenCamel АгроМул RC2400. В качестве ограничений использования алгоритма можно отметить, что: сбор и разметка данных для задач детекции являются трудоемкими процессами, требующими качественной подготовки аннотаций; проблема дисбаланса классов может возникнуть при добавлении специализированных малочисленных классов, как в случае с "traffic cone". Несмотря на эти ограничения, YOLOv11 является эффективным инструментом обнаружения объектов окружения и получения данных, которые могут быть использованы для решения других задач, например определения расстояния до объекта по его площади на изображении.