Параметрична оптимізація процесів синтезу моделей за результатами спостереження БПЛА

Abstract

АНОТАЦІЯ Євич Б.В. - Програмна реалізація агентної моделі із виявлення небезпечних предметів кваліфікаційна робота магістра з спеціальності 121 - «Інженерія програмного забезпечення» ЧДТУ, м.Черкаси 2025 рік. Магістерська кваліфікаційна робота присвячена розв’язанню актуальної науково-практичної задачі - створенню інтелектуальної моделі для детекції небезпечних об’єктів. Робота фокусується на вирішенні проблеми виявлення в умовах зниженої інформативності вхідних даних, таких як маскування об'єктів та шумові перешкоди. У роботі проведено ґрунтовний аналіз існуючих архітектур глибокого навчання, зокрема сімейства YOLO. Виконано повний цикл інженерного проектування програмного комплексу з використанням UML, включаючи діаграми класів, компонентів та розгортання. Особистий внесок полягає у створенні спеціалізованого набору даних з використанням ефективних методів аугментації (Mosaic-метод) та розробці програмного конвеєра (pipeline) для навчання моделі на базі PyTorch та Ultralytics. В результаті експериментального тестування розроблена модель продемонструвала високу ефективність: середня точність (mAP@0.5) досягла 99.19%, а швидкість інференсу на цільовому GPU - 23.7 мс. Практичне значення полягає в можливості застосування моделі для створення автоматизованих систем моніторингу в оборонній сфері та цивільному захисті.

ANNOTATION Yevich B.V. - Software implementation of an agent model for detecting dangerous objects. Master's thesis in the field of study 121 - “Software Engineering,” Cherkasy State Technological University, Cherkasy, 2025. This Master's qualification thesis is dedicated to solving an urgent scientific and practical task: the creation of an intelligent model for the detection of hazardous objects. The work focuses on addressing the challenge of detection under conditions of low informational content of input data, such as object masking and noise interference. The thesis provides a thorough analysis of existing deep learning architectures, particularly the YOLO family. A full software engineering design cycle for the training complex was performed using UML, including class, component, and deployment diagrams. The contribution consists of creating a specialized dataset using effective data augmentation methods (Mosaic-method) and developing a software pipeline for model training based on PyTorch and Ultralytics. As a result of experimental testing, the developed model demonstrated high efficiency: the mean Average Precision (mAP@0.5) reached 99.19%, and the inference speed on the target GPU was 23.7 ms. The practical value lies in the potential application of the model for creating automated monitoring systems in the defense and civil protection sectors