Сравнительный анализ алгоритмов YOLOv8 и YOLOv9 для задачи обнаружения объектов
Рубрики: НАУЧНЫЕ СТАТЬИ
Авторы:
1.
Кубанский государственный университет
студент
студент
Тип:
Статья
Страницы:
с 234
по 237
Статус:
Опубликован
Получено:
01.10.2025
Одобрено:
11.10.2025
Опубликовано:
11.10.2025
Классификаторы:
УДК 004.93 Распознавание и преобразование образов
Язык материала:
русский
Ключевые слова:
искусственный интеллект, компьютерной зрение, обнаружение объектов, классификация объектов, алгоритмы детекции объектов, YOLO
Аннотация (русский):
В данной статье представлен сравнительный анализ моделей YOLOv8 и YOLOv9, предназначенных для автоматического обнаружения объектов на изображениях. Обе модели относятся к семейству YOLO, широко применяемому в задачах компьютерного зрения, однако различаются по ряду характеристик, влияющих на их практическую эффективность. В работе рассматриваются ключевые различия в скорости работы и точности распознавания, а также особенности применения каждой модели в зависимости от требований конкретных задач. YOLOv8 выделяется высокой производительностью и подходит для систем реального времени, таких как видеонаблюдение и автономные устройства. YOLOv9 ориентирована на повышение точности распознавания, что делает её предпочтительной в областях, где критически важна надёжность, например в медицине или промышленной диагностике. Представленный анализ может быть полезен при выборе подходящей модели для различных сфер применения в области компьютерного зрения.
В данной статье представлен сравнительный анализ моделей YOLOv8 и YOLOv9, предназначенных для автоматического обнаружения объектов на изображениях. Обе модели относятся к семейству YOLO, широко применяемому в задачах компьютерного зрения, однако различаются по ряду характеристик, влияющих на их практическую эффективность. В работе рассматриваются ключевые различия в скорости работы и точности распознавания, а также особенности применения каждой модели в зависимости от требований конкретных задач. YOLOv8 выделяется высокой производительностью и подходит для систем реального времени, таких как видеонаблюдение и автономные устройства. YOLOv9 ориентирована на повышение точности распознавания, что делает её предпочтительной в областях, где критически важна надёжность, например в медицине или промышленной диагностике. Представленный анализ может быть полезен при выборе подходящей модели для различных сфер применения в области компьютерного зрения.
Ключевые слова:
искусственный интеллект, компьютерной зрение, обнаружение объектов, классификация объектов, алгоритмы детекции объектов, YOLO
искусственный интеллект, компьютерной зрение, обнаружение объектов, классификация объектов, алгоритмы детекции объектов, YOLO
1. Computer Vision Algorithms : [сайт]. – 2024. – URL: https://www.geeksforgeeks.org/computer-vision/computer-vision-algorithms/ (дата обращения: 25.03.2025).
2. Платонов, А. В. Машинное обучение : учебное пособие для вузов / А. В. Платонов. – 2-е изд. – Москва : Издательство Юрайт, 2025. – 89 с. –ISBN 978-5-534-20732-3.
3. Шапиро, Л. Компьютерное зрение : учебник / Л. Шапиро, Д. Стокман. – 5-е изд. – Москва : Лаборатория знаний, 2024. – 762 с. – ISBN 978-5-93208-725-1.
4. Ultralytics YOLO Docs : [сайт]. – 2025. – URL: https://docs.ultralytics.com/ (дата обращения: 27.03.2025).
