Детальная информация

Данная работа посвящена исследованию методов ускорения нейронных сетей, применяемых для задач детекции объектов на радиолокационных изображениях (SAR-снимках). Основное внимание уделяется оптимизации модели YOLO, которая является одной из самых быстрых и эффективных для детекции объектов в реальном времени. В рамках исследования рассматриваются методы, такие как квантизация и прунинг, для ускорения инференса при сохранении точности модели. В ходе работы была проведена настройка и обучение модели YOLO на датасете изображений танкеров, а также проведены эксперименты с инференсом в фреймворках PyTorch и TensorRT. Результаты показали значительные улучшения в скорости инференса с использованием TensorRT при незначительном снижении точности. Работа направлена на повышение эффективности детекции объектов на SAR-снимках, что имеет важное значение для задач мониторинга окружающей среды, в том числе для морской безопасности и защиты от природных катастроф.

This work is focused on the research of neural network acceleration methods applied to object detection tasks on synthetic aperture radar (SAR) images. The main attention is paid to the optimization of the YOLO model, which is one of the fastest and most efficient for real-time object detection. The research explores techniques such as quantization and pruning to speed up inference while maintaining model accuracy. During the work, the YOLO model was trained on a tanker image dataset, and experiments were conducted comparing inference performance in the PyTorch and TensorRT frameworks. The results demonstrated significant improvements in inference speed using TensorRT with minimal accuracy loss. The work aims to enhance the efficiency of object detection on SAR images, which is crucial for environmental monitoring tasks, including marine security and disaster prevention.