ivdon3@bk.ru
В данной работе проводится всесторонний сравнительный анализ производительности современных архитектур глубокого обучения для задачи обнаружения объектов. Исследование сосредоточено на двух основных семействах моделей: трансформерных архитектурах, включая DETR (DEtection TRansformer) и его усовершенствованные варианты, такие как RT-DETR (Real-Time DETR), D-FINE (DETR with Fine-grained Distribution Refinement) и DEIM (DETR with Improved Matching), а также на популярных одностадийных детекторах семейства YOLO (You Only Look Once), в частности, на версиях YOLOv11 и YOLOv12. Оценка моделей выполняется на специализированном наборе данных изображений, который содержит в себе различные дефекты солнечных панелей и состоит из пяти классов, что позволяет выявить сильные и слабые стороны каждой архитектуры в контексте специфических прикладных задач.
Ключевые слова: солнечные панели, нейронные сети, детекция, трансформеры, одностадийные детекторы, распознавание образов
1.2.2 - Математическое моделирование, численные методы и комплексы программ , 2.4.5 - Энергетические системы и комплексы