تقييم أداء نماذج YOLOv5n خفيفة الوزن في محاكي CARLA لتطبيقات القيادة الذاتية
الشريط الجانبي للمقالة
محتوى المقالة الرئيسي
الملخص
يُعد اكتشاف الأجسام في الوقت الفعلي أمرًا بالغ الأهمية لأنظمة القيادة الذاتية، لا سيما في بيئات المحاكاة الواقعية مثل منصة CARLA. تهدف هذه الدراسة إلى تقييم أداء النماذج خفيفة الوزن (YOLOv5n) في اكتشاف الأجسام المعقدة، بما في ذلك إشارات المرور متعددة الألوان والمركبات والمشاة، ضمن محاكاة CARLA. لقد قمنا بتدريب نموذجين باستخدام مجموعات بيانات مشتقة من CARLA لتقييم المفاضلة بين الدقة والكفاءة الحسابية. النموذج الأول (YOLOv5n-1864-T): تم تدريب هذا النموذج على 1,864 عينة تدريب. وقد أظهر دقة فائقة (mAP50=0.935) وسرعة استدلال أسرع (0.022-0.025 ثانية لكل إطار). النموذج الثاني (YOLOv5n-1600-TV): تم تدريب هذا النموذج على 1,600 عينة تدريب بالإضافة إلى 480 عينة تحقق واختبار. وقد حقق قدرة تعميم أفضل (mAP50=0.942) مع درجات ثقة متوازنة (0.75-0.96)، على الرغم من أن سرعة الاستدلال كانت أبطأ قليلاً (0.04-0.07 ثانية). خلال اختبارات الاستدلال على 8 إطارات ديناميكية من CARLA، حقق كلا النموذجين أداءً عاليًا (F1-Score: 0.92-0.94). تفوق النموذج الأول في اكتشاف إشارات المرور الحمراء، بينما أظهر النموذج الثاني قدرة أكبر على التكيف مع زوايا المشاة المعقدة. تؤكد النتائج أن النماذج خفيفة الوزن يمكن أن تنافس النماذج الأكبر حجمًا مع الحفاظ على كفاءة حسابية عالية (4.2 GFLOPs). توصي الدراسة بدمج بيانات التحقق مع مجموعات التدريب الموسعة لتحسين التعميم دون التضحية بالسرعة، مما يوفر إطار عمل عمليًا لنشر مثل هذه النماذج في أنظمة القيادة الذاتية القائمة على المحاكاة.
تفاصيل المقالة
هذا العمل مرخص بموجب Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
المراجع
Dosovitskiy, A., Ros, G., Codevilla, F., Lopez, A., & Koltun, V. (2017). CARLA: An Open Urban Driving Simulator. Conference on Robot Learning (CoRL).
Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You Only Look Once: Unified, Real-Time Object Detection. IEEE Conference on Computer Vision and Pattern Recognition (CVPR).
Lin, T.-Y., et al. (2023). Efficient Deployment of Lightweight Object Detectors on Edge Devices: A Quantization-Aware Training Approach. Journal of Embedded Systems.
Ultralytics. (2020). YOLOv5: A State-of-the-Art Real-Time Object Detection Model. GitHub Repository.
Howard, A., et al. (2021). EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks. Journal of Machine Learning Research.
Raspberry Pi Foundation. (2022). Optimizing AI Models for Edge Deployment on Raspberry Pi. Technical Whitepaper.
Awedat, B. N. (2024). Efficient object detection in autonomous driving systems using YOLOv5 and CARLA simulator. Sebha University Conference Proceedings, 3(3), 1-20. https://doi.org/10.51984/SUCP.V3I3.3694.
Awedat, B. N. (2024). Object detection using artificial intelligence in autonomous vehicles. In Proceedings of the 3rd Scientific International Conference in Science & Engineering (pp. 114–125) . http://bwu.edu.ly/icse2024. Azzaytuna University, Libya.
Alahdal, N. M., Abukhodair, F., Haj Meftah, L., & Cherif, A. (2024). Real-time object detection in autonomous vehicles with YOLO. Procedia Computer Science, 246, 2792–2801. https://doi.org/10.1016/j.procs.2024.09.392
Dontabhaktuni, J., & Peddakrishna, S. (2024). Performance evaluation of YOLOv5-based custom object detection model for campus-specific scenario. International Journal of Experimental Research and Review, 38, 46-60. https://doi.org/10.52756/ijerr.2024.v38.005.
D. Zang, Z. Wei, M. Bao, J. Cheng, D. Zhang, K. Tang, and X. Li, “Deep learning–based traffic sign recognition for unmanned autonomous vehicles,” Proceedings of the Institution of Mechanical Engineers, Part I: Journal of Systems and Control Engineering, vol. 232, no. 5, pp. 497–505, 2018.
S. Malik, M. A. Khan, and H. El-Sayed, “Carla: Car learning to act—an inside out,” Procedia Computer Science, vol. 198, pp. 742–749, 2022.
“CARLA documentation,” Online, available: https://carla.readthedocs.io/en/stable/carlas ettings/. Date access: 31-1-2025.
Liu, H.; Sun, F.; Gu, J.; Deng, L. SF-YOLOv5: A Lightweight Small Object Detection Algorithm Based on Improved Feature Fusion Mode. Sensors 2022, 22, 5817. https: // doi.org/ 10.3390/ s22155817.
Ultralytics. (2020). YOLOv5 Release v5.0. GitHub repository. Retrieved 10,03, 2024, from https://github.com/ultralytics/yolov5/releases/tag/v5.0
Ultralytics. (2021). YOLOv5 Release v6.0. GitHub repository. Retrieved 25,05, 2024, from https://github.com/ultralytics/yolov5/releases/tag/v6.0
Ultralytics. (2021). YOLOv5 Release v6.1. GitHub repository. Retrieved 05,08, 2024, from https://github.com/ultralytics/yolov5/releases/tag/v6.1
Ultralytics. (2023). YOLOv5. GitHub repository. Retrieved 15,12, 2024, from https://github.com/ultralytics/yolov5
ultralytics. (n.d.). *Tips for Best Training Results*. GitHub. Retrieved 5 15, 2024, from https://github.com/ultralytics/yolov5/wiki/Tips-for-Best-Training-Results
Applied Sciences, 12(19), 10051. https://doi.org/10.3390/app121910051
Jocher, G., & Chaurasia, A. (2021). YOLOv5: The world's most popular object detection model. GitHub Repository. https://github.com/ultralytics/yolov5
Redmon, J., & Farhadi, A. (2018). YOLOv3: An incremental improvement. arXiv preprint arXiv:1804.02767. https://arxiv.org/abs/1804.02767
Wang, C., & Zhang, H. (2021). A Comprehensive Review on YOLO: A Real-Time Object Detection System. Journal of Imaging, 7(11), 226. https://doi.org/10.3390/jimaging7110226
Liu, W., Anguelov, D., Erhan, D., Szegedy, C., & Reed, S. (2016). SSD: Single Shot MultiBox Detector. European Conference on Computer Vision (ECCV), 21-37. https://doi.org/10.1007/978-3-319-46448-0_2
Yang, Q., Li, F., Tian, H., Li, H., Xu, S., Fei, J., Wu, Z., Feng, Q., & Lu, C. (2022). A new knowledge-distillation-based method for detecting conveyor belt defects.