ВИКОРИСТАННЯ АУГМЕНТАЦІЇ ДЛЯ ПОКРАЩЕННЯ ЯКОСТІ НАВЧАННЯ МОДЕЛІ ШТУЧНОГО ЗОРУ ДЛЯ ВИЗНАЧЕННЯ РАКУРСУ СУДНА:

О. Л. Пашенко

О. Л. Пашенко Національний університет «Одеська морська академія», м. Одеса https://orcid.org/0000-0002-0462-0130

Ключові слова: аугментація даних, комп’ютерний зір, ракурс суден, глибоке навчання, геометричні трансформації, колірні аугментації, просторово-локальні трансформації, YOLOv8n, mAP50, mAP50-95, precision, recall

Анотація

Дослідження присвячене аналізу впливу методів аугментації даних на ефективність тренування моделей комп’ютерного зору для визначення ракурсу суден у морському середовищі. У роботі розглядаються особливості застосування геометричних, колірних та просторово-локальних трансформацій, враховуючи специфіку морських зображень, таких як наявність горизонту, мінливі умови освітлення та оклюзії. Актуальність дослідження зумовлена обмеженою кількістю даних і дисбалансом класів у наборах морських зображень, що ускладнює досягнення високої точності класифікації. Для експериментів використано базу даних із 1742 зображень, включаючи приклади без об’єктів розпізнавання. Для проведення дослідження була створена модель на базі найлегшої YOLOv8n. Тренування моделі відбувалося з використанням різних типів аугментацій. Результати показують, що показник mAP50 = 0,61229 без використання аугментації може бути покращений завдяки використанню деяких колірних аугментацій та геометричних трансформацій (mAP50 до 0,64649). Водночас такі трансформації можуть і погіршити результати, знижуючи якість через спотворення орієнтації суден. Отримані висновки мають практичне значення для систем автономного судноводіння, сприяючи підвищенню точності розпізнавання в реальних умовах.

Посилання

1. Jiao, L., Zhang, F., Liu, F., Yang, S., Li, L., & Feng, Z. (2019). A survey of deep learning-based object detection. IEEE Access, 7, 128837–128868. https://doi.org/10.1109/ACCESS.2019.2939201.
2. Yang, D., Solihin, M. I., Ardiyanto, I., Zhao, Y., Li, W., Cai, B., & Chen, C. (2024). A streamlined approach for intelligent ship object detection using EL-YOLO algorithm. Scientific Reports, 14, 15254. https://doi.org/10.1038/s41598-024-64225-y.
3. Langenkämper, D., van Kevelaer, R., & Nattkemper, T. W. (2019). Strategies for Tackling the Class Imbalance Problem in Marine Image Classification. In Z. Zhang, D. Suter, Y. Tian, A. Branzan Albu, N. Sidère, & H. J. Escalante (Eds.), Pattern Recognition and Information Forensics: ICPR International Workshops and Challenges (pp. 26–36). Springer. https://doi.org/10.1007/978-3-030-05792-3_3.
4. McGuinness, K., & O'Gara, S. (2019). Comparing data augmentation strategies for deep image classification. In J. Courtney, C. Deegan, & P. Leamy (Eds.), IMVIP 2019 Irish Machine Vision & Image Processing Conference proceedings. Irish Pattern Recognition & Classification Society. https://doras.dcu.ie/23666/.
5. Wang, H., Deng, Z., Jiang, C., Ren, J., & Zhang, S. (2022). A review of deep learning techniques for maritime object detection from optical remote sensing images. Sensors, 22(14), 5383. https://doi.org/10.3390/s22145383.
6. Li, Y., Zhang, X., Zhang, Y., Wang, R., & Li, J. (2024). YOLO-SEA: An enhanced detection framework for multi-scale maritime targets in complex sea states and adverse weather. Sensors, 24(1), 243. https://doi.org/10.3390/s24010243.
7. Wang, Z., Wang, P., Liu, K., Wang, P., Fu, Y., Lu, C. T., Aggarwal, C. C., Pei, J., & Zhou, Y. (2024). A comprehensive survey on data augmentation. arXiv preprint arXiv:2405.09591.
8. Shorten, C., & Khoshgoftaar, T. M. (2021). A survey on image data augmentation for deep learning. Journal of Big Data, 6(1), 60. https://doi.org/10.1186/s40537-019-0197-0.
9. Xu, M., Yoon, S., Fuentes, A., & Park, D. S. (2023). A comprehensive survey of image augmentation techniques for deep learning. Pattern Recognition, 137, 109347. https://doi.org/10.1016/j.patcog.2023.109347.
10. Tan, M., Langenkämper, D., & Nattkemper, T. W. (2022). The impact of data augmentations on deep learning-based marine object classification in benthic image transects. Sensors, 22(14), 5383. https://doi.org/10.3390/s22145383.
11. Cauli, N., & Reforgiato Recupero, D. (2022). Survey on videos data augmentation for deep learning models. Future Internet, 14(3), 93. https://doi.org/10.3390/fi14030093.
12. Pashenko O. L., Pipchenko O. D. (2025). Rozrobka modeli shtuchnoho zoru na bazi alhorytmu YOLO dlia vyznachennia rakursu sudna. Sudnovodinnia (Shipping & Navigation). 38.
13. Cauli, N., & Reforgiato Recupero, D. (2022). Survey on Videos Data Augmentation for Deep Learning Models. Future Internet, 14(3), 93. https://doi.org/10.3390/fi14030093.
14. Mumuni, A., & Mumuni, F. (2022). Data augmentation: A comprehensive survey of modern approaches. Array, 16, 100258. https://doi.org/10.1016/j.array.2022.100258.
15. Kumar, T., Brennan, R., Mileo, A., & Bendechache, M. (2024). Image Data Augmentation Approaches: A Comprehensive Survey and Future Directions. IEEE Access, 12, 187536-187571. https://doi.org/10.48550/arXiv.2301.02830.

ВИКОРИСТАННЯ АУГМЕНТАЦІЇ ДЛЯ ПОКРАЩЕННЯ ЯКОСТІ НАВЧАННЯ МОДЕЛІ ШТУЧНОГО ЗОРУ ДЛЯ ВИЗНАЧЕННЯ РАКУРСУ СУДНА

https://doi.org/10.33815/2313-4763.2025.2.31.052-063

Анотація

Посилання