Vestnik Rostovskogo gosudarstvennogo universiteta putej soobŝeniâVestnik Rostovskogo gosudarstvennogo universiteta putej soobŝeniâВестник Ростовского государственного университета путей сообщения0201-727X36309510.46973/0201-727X_2025_2_35Information technology, automation and telecommunicationsИнформационные технологии, автоматика и телекоммуникацииResearch ArticleOptimization of YOLOv8 architecture for UAV object capture tasks: analysis of the trade-off between accuracy, speed and computational resourcesОптимизация архитектуры YOLOv8 для задач захвата объекта БПЛА: анализ компромисса между точностью, скоростью и вычислительными ресурсамиSatsukA. V.СацюкА. В.

Candidate of Engineering Sciences, Associate Professor

кандидат технических наук, доцент

alexandrsatsuk@gmail.comDonetsk Institute of Railway Transport (DonIRT), Chair "Automation, Telemechanics, Communication and Computer Engineering"Донецкий институт железнодорожного транспорта (ДОНИЖТ), кафедра "Автоматика, телемеханика, связь и вычислительная техника"150420252NO2 (2025)№2 (2025)354228122025Copyright ©; 2025, Satsuk A.V.Copyright ©; 2025, Сацюк А.В.2025Satsuk A.V.Сацюк А.В.https://creativecommons.org/licenses/by-nc/4.0https://journal-vniispk.ru/0201-727X/article/view/363095

This paper presents a comprehensive approach to optimizing the YOLOv8n model for object detection tasks using unmanned aerial vehicles (UAVs) under constrained computational resources. The focus is on quantization (INT8/INT4) and pruning (50%/75%) techniques aimed at reducing the model's computational complexity while maintaining acceptable accuracy. As a result of optimization, the YOLOv8n-Optimized-Drone model was developed, demonstrating a 4-fold increase in processing speed on the Raspberry Pi 5 platform compared to the basic version. The model size was reduced by 3.8 times, which is critical for embedded UAV systems.

A specialized dataset with bounding box markup was created for training and validating the model, taking into account the UAV shooting conditions. Field tests confirmed the effectiveness of the proposed method, which provides a balance between performance, power consumption, and accuracy. Additionally, the influence of different quantization and pruning levels on final metrics was investigated, enabling the determination of the optimal configuration for deployment on low-power devices. The obtained results open prospects for further adaptation of the model to dynamic flight conditions and integration with multi-sensor UAV systems.

В работе представлен комплексный подход к оптимизации модели YOLOv8n для задач обнаружения объектов с использованием беспилотных летательных аппаратов в условиях ограниченных вычислительных ресурсов. Основное внимание уделено методам квантования (INT8/INT4) и прунинга (50/75%), направленным на снижение вычислительной сложности модели при сохранении приемлемой точности. В результате оптимизации разработана модель YOLOv8n-Optimized-Drone, демонстрирующая 4-кратный прирост скорости обработки на платформе Raspberry Pi 5 по сравнению с базовой версией. Размер модели сокращен в 3.8 раза, что критически важно для встраиваемых систем БПЛА.

Для обучения и валидации модели создан специализированный датасет с разметкой bounding box, учитывающий условия съемки с БПЛА. Натурные испытания подтвердили эффективность предложенного метода, обеспечивающего баланс между производительностью, энергопотреблением и точностью. Дополнительно исследовано влияние различных уровней квантизации и прунинга на итоговые метрики, что позволило определить оптимальную конфигурацию для развертывания на маломощных устройствах. Полученные результаты открывают перспективы для дальнейшей адаптации модели к динамическим условиям полета и интеграции с мультисенсорными системами БПЛА.

беспилотный летательный аппаратквантованиепрунингоптимизация нейросетевой моделинейронная сетьYOLOметрики YOLOУлучшенный алгоритм на основе YOLOv5 для обнаружения амброзии полыннолистной на изображениях, полученных с помощью БПЛА / С. Сяомин, С. Тяньцзэн, М. Хаомин [и др.] // Front. Plant Sci. – 2021. – Т. 15. – С. 1360419. – DOI 10.3389/fpls.2024.1360419.Real-time Object Detection for UAV Aerial Images Based on Improved YOLOv7 / Y. Zhang, X. Chen, H. Li, Y. Wang // Journal of Electronic Imaging. – 2015. – Vol. 32, No. 6. – P. 063002. – DOI 10.3390/electronics12234886.Сацюк А. В., Белый Р. В., Ищенко А. Е. Оценка эффективности алгоритмов YOLO для обнаружения объектов в реальном времени во встраиваемых системах беспилотных транспортных средств // Сборник научных трудов Донецкого института железнодорожного транспорта. – 2024. – № 4 (75). – С. 73–82. – ISSN 1993-5579.Redmon J. A., Farhadi A. YOLO9000: Better, Faster, Stronger // Conference on Computer Vision and Pattern Recognition (CVPR). – 2017. – arXiv:1612.08242v1.Сацюк А. В., Воевода Е. Г. Анализ трекеров алгоритмов компьютерного зрения в вопросах отслеживания подвижных объектов в видеопотоке // Сборник научных трудов Донецкого института железнодорожного транспорта. – 2023. – № 71. – С. 54–65. – ISSN 1993-5579.Библиотека программиста. JavaScript для глубокого обучения / Ф. Шолле, Э. Нильсон, С. Бэйлесчи [и др.]. – Санкт-Петербург: Питер, 2021. – 576 с. – ISBN 978-5-4461-1697-3.YOLOv8. Ultralytics. Официальный репозиторий YOLOv8 / G. Jocher, A. Stoken, A. Chaly [и др.]. – 2023. – URL: https://github.com/ultralytics/ultralytics(дата обращения: 07.02.2025).Zheng Z., Wang P., Ren D. [et al.]. Enhancing Geometric Factors in Model Learning and Inference for Object Detection and Instance Segmentation // Transactions on Cybernetics. – DOI 10.1109/TCYB.2021.3095305.An Efficient UAV-Based Aerial Image Object Detection Method via Improved YOLOv4 / B. Liu, X. Li, G. Wang [et al.] // Remote Sensing. – 2023. – Vol. 12, No. 21. – P. 3599. – DOI 10.1109/SIU53274.2021.9478027.Сацюк А. В., Воробьев А. А. Особенности разработки беспилотных летательных аппаратов для отрасли железнодорожного транспорта // Сборник научных трудов Донецкого института железнодорожного транспорта. – 2023. – № 68. – С. 13–21. – ISSN 1993-5579.Сацюк А. В., Швалов Д. В. Автономное наведение БПЛА с использованием компьютерного зрения: проблема точного управления рулями // Автоматика на транспорте. – 2024. – Т. 10, № 4. – С. 372–381. – DOI 10.20295/2412-9186-2024-10-04-372-381.Lalak M., Wierzbicki D. Automated Detection of Atypical Aviation Obstacles from UAV Images Using a YOLO Algorithm // Sensors (Basel). – 2022. – Vol. 22, No. 17. – P. 6611. – DOI 10.3390/s22176611.