A localized platform for training yolo models in visual object recognition

124 ЛОКАЛИЗИРАНА ПЛАТФОРМА ЗА ОБУЧЕНИЕ НА YOLO МОДЕЛИ ПРИ ВИЗУАЛНО РАЗПОЗНАВАНЕ НА ОБЕКТИ ГЕНАДИ СТРАХИЛОВ, НАЙДЕН НЕНКОВ A LOCALIZED PLATFORM FOR TRAINING YOLO MODELS IN VISUAL OBJECT RECOGNITION GENNADY STRAHILOV, NAYDEN NENKOV Abstract The article presents an innovative platform for the local training and testing of YOLO object recognition models. The emphasis is placed on the training process without pre-trained data, hardware optimization, and the analysis of basic metrics for quality assessment. Detailed results of experiments with different volumes of training data are presented, and it is proven that the platform provides conditions for full autonomy and verifiability of the results [3], [7]. This approach allows for the training of specialists and enthusiasts in a home or school environment without dependence on cloud services. Keywords: YOLO -You Only Look Once, Precision -precision, training, AI - artificial intelligence, Recall - detectability, mAP50(50%), mAP50-95(50-95%): Average accuracy at different overlap thresholds, Box Loss - loss from the object's enclosures, Cls Loss - loss of classes, DFL Loss - loss of exact position. УВОД Компютърното зрение и системите за изкуствен интелект (AI) са в основата на модерните автоматизирани решения – от индустриални роботи до системи за сигурност и автономни автомобили [1], [2], [11]. Моделите YOLO („You Only Look Once“) са утвърдени в областта благодарение на своята скорост и ефективност при обработка на изображения в реално време [7], [10], [12]. Въпреки това широко разпространените предварително обучени модели 125 често се възприемат като „черна кутия“ и не позволяват пълен контрол или адаптация към специфични задачи, а облачните услуги не винаги са приемливи поради ограничения на лиценза или налагани от мерките за сигурност [4], [10]. В настоящата разработка се защитава концепцията за „затворен цикъл“ – локално обучение и експериментиране с YOLO модели върху авторски данни, без интернет или външни ресурси [3], [10]. Това осигурява максимална прозрачност, самостоятелност и възпроизводимост, което е особено ценно за образователни, домашни или фирмени лаборатории [1], [3]. ДИЗАЙН И НАСТРОЙКА НА ПЛАТФОРМАТА Системата е реализирана под Windows 11 с интеграция на CUDA, cuDNN и TensorRT за хардуерна оптимизация и ускорено обучение върху стандартни NVIDIA видеокарти [3], [5]. За анотация и създаване на собствен тренировъчен dataset е използван Label Studio, а всички стъпки са автоматизирани със скриптове, позволяващи бързо стартиране на обучение от нулата [3], [9]. Избягването на предварително обучени модели дава възможност за дефиниране на напълно нови класове и изследване на реалните възможности на модела при непознати условия [3], [6], [13]. Инсталирането на всички библиотеки и драйвери е подробно описано, за да се гарантира повторяемост и да се елиминират потенциални проблеми, характерни за сложните AI проекти [3], [9], [10]. ОБУЧЕНИЕ ОТ НУЛАТА: ПОДХОД И ЦЕЛИ Обучението започва с малък dataset (100 изображения) – така се валидира цялостната среда, скриптовете и анотациите [3]. Това е особено ценно при лабораторни или образователни експерименти, тъй като позволява бързи повторения и тестове на различни хипотези [3], [9]. След 126 потвърждаване на изправността, моделът се обучава върху разширен набор (2500+ изображения), което осигурява надеждна оценка на възможностите на архитектурата. Защо не се използват предварително обучени модели? • Пълна автономност: Разработката трябва да функционира без интернет, подходяща е за домашни/училищни офлайн мрежи [3], [5], [10]. • Образователна стойност: Пълният контрол върху процеса позволява анализ на всеки етап и коригиране на грешки в данните или хиперпараметрите [1], [3], [9]. • Избягване на „изкуствено улеснение“: Моделите, обучени на външни големи бази, често маскират реални слабости, особено при работа с малки/специфични класове [6], [14]. • Адаптация: Платформата позволява лесна промяна на класовете, бърза „фина“ настройка и оценка на системата при различни конфигурации [3], [7], [10]. АНАЛИЗ НА РЕЗУЛТАТИТЕ В статията в резултат на изследването е представена извадка от 6 последователни тренировки, всяка с нарастващ обем данни. За всяка серия са измерени основните метрики: precision, recall, mAP50, mAP50-95, box loss, cls loss, dfl loss [3], [14] Основните метрики са представени в Таблица 1, където разглеждаме основните метрики от резултатите. Описание на използваните метрики • Precision (прецизност): Отразява броя на правилно разпознатите обекти спрямо всички открити от модела. Висока прецизност (>0.7) показва минимален брой фалшиви аларми [8], [10], [14]. • Recall (откриваемост): Показва колко от реалните обекти са намерени. Цели се стойност над 0.9 за практически приложения [3], [7], [8]. • mAP50, mAP50-95: Средна точност при различни прагове на припокриване (IoU). mAP50 > 0.8 и mAP50-95 > 0.4 са типични за силни модели в реална среда [8], [11], [14]. 127 • Box Loss, Cls Loss, DFL Loss: Стремят се към минимални стойности (под 0.1-0.2 за оптимални модели). Спадът при всяка тренировка показва подобрение в локализацията, класификацията и фината регресия на границите [3], [8], [14]. Таблица 1. Развитие на основните метрики ДИСКУСИЯ НА ПОЛУЧЕНИТЕ РЕЗУЛТАТИ Резултатите ясно показват, че с увеличаване на обема и качеството на тренировъчните данни се постига съществено повишаване на всички ключови метрики и намаляване на загубите. На фигура 1 е илюстрирано, след анализ на Таблица 1, че при Тренировка 6 се вижда найдобър резултат и че балансът между големина на dataset и епохите оказва важно влияние за подобряване за тези резултати. На фигура 1 е показано как при различните тренировки се наблюдава промяната на ключовите метрики, Precision(прецизност), Recall(познати обекти), които трябва да нарастват. Видимо е, че от 6-тата тренировка се получава най-добрите резултати (2500+ Изображения със 100 епохи). Този процес демонстрира потенциала на платформата за реални офлайн приложения в различни среди [3], [10], [13]. Тренировка Precision Recall mAP50 mAP5095 Box Loss Cls Loss DFL Loss 1 0.22 0.71 0.34 0.11 0.422 0.266 0.551 2 0.39 0.87 0.56 0.21 0.346 0.171 0.412 3 0.51 0.91 0.72 0.32 0.233 0.103 0.301 4 0.64 0.94 0.80 0.40 0.162 0.065 0.221 5 0.73 0.95 0.85 0.47 0.101 0.041 0.170 6 0.78 0.96 0.89 0.53 0.074 0.028 0.123 128 Фигура 1. Анализ на метриките ЗАКЛЮЧЕНИЕ Инсталираната в локална среда експериментална платформа на YOLO моделите доказва, че с правилна избрана структура, подходяща хардуерна оптимизация и авторски данни могат да се постигнат конкурентни резултати без големи външни ресурси. Моделите се отличават с висока точност и стабилност, а анализът на метриките гарантира проверимост и прозрачност на целия процес. Локализираната платформа създава условия за иновации и практически опит в компютърното зрение [1],[3], [8]. ЛИТЕРАТУРА: 1. Ненков Найден, Експертни системи, Шумен: Университетско издателство. „Епископ Константин Преславски“, 2006. ISBN: 978-954-577-383-9. 129 2. Станков С., Откриване на опасни предмети с помощта на изкуствени невронни мрежи, Series: АВТОМАТИКА И ИНФОРМАТИКА 3, 2019 г. ISSN 0861-7562, с. 24-28. 3. Страхилов Г., Модели изкуствен интелект за разпознаване на обекти, Дипломна работа, ФМИ, Шуменски университет „Епископ Константин Преславски”, 2025. 4. Bochkovskiy, A., Wang, C.Y., Liao, H.Y.M., YOLOv4: Optimal Speed and Accuracy of Object Detection, 2020. 5. CUDA Toolkit Documentation, NVIDIA ttps://docs.nvidia.com/cuda/, посетено на 02.07.2025. 6. Jocher, G., Chaurasia, A. and Qiu, J. (2023) YOLO by Ultralytics. https://github.com/ultralytics/ultralytics, 7. J. Redmon, A. Farhadi, YOLOv3: An Incremental Improvement, arXiv:1804.02767, 2018. 8. J. Redmon, S. Divvala, R. Girshick, and A. Farhadi, You Only Look Once: Unified, Real-Time Object Detection, in Proc. CVPR, 2016. 9. Label Studio Documentation, https://labelstud.io/, посетено на 02.07.2025. 10. Ultralytics YOLO Docs. https://docs.ultralytics.com/tasks/detect/ , посетено на 02.07.2025. 11. Wang, Chien-Yao, Bochkovskiy, Alexey, Liao, Hong-Yuan, 12. YOLOv4: Optimal Speed and Accuracy of Object Detection, arXiv:2004.10934, 2020. 13. YOLOv5 Paper, You Only Learn One Representation: Unified Network for Multiple Tasks, https://arxiv.org/abs/2105.04206, посетено на 02.07.2025. 14. Zdravkova, Elitsa; Nenkov, Nayden. Implementation of a Neural Network Using Simulator and Petri Nets, International Journal of Advanced Computer Science and Applications (IJACSA), 2016. https://publons.com/wos-op/publon/26729462/ За контакти: Генади Страхилов – Магистър, Катедра „Компютърни системи и технологии “, ФМИ, Шуменски университет „Епископ Константин Преславски “, email: [email protected] Найден Ненков – Професор, Катедра „Компютърни системи и технологии “, ФМИ, Шуменски университет „Епископ Константин Преславски “, email: n.nenk[email protected]