Детекция БПЛА для edge-железа
Один целевой класс drone: модель отвечает на единственный вопрос — есть в кадре дрон и где именно. Типы БПЛА намеренно не различаются, в одноклассовой постановке вся емкость сети работает на «дрон или не дрон», и это дает максимум recall на малых и удаленных целях, где и решается задача раннего предупреждения.
веса, метрики и 7 сборок под Hailo-8L, замер на железе сделан
поставка собрана 17.06.2026
- yolov8n / yolov8s / yolo11n
- ultralytics
- onnx
- hailo dfc, int8
- raspberry pi 5 + ai hat
- задача
- один класс drone: есть дрон в кадре или нет и где именно
- датасет
- 10 000 размеченных кадров, старт с COCO-весов
- отложенный тест
- 2 200 изображений, в обучении не участвовали
- обучающих прогонов
- 25, каждый с вердиктом и причиной отказа
- edge-сборки
- 7 HEF под Hailo-8L: 512 и 640, YOLOv8n, YOLOv8s, YOLO11n
- квантование
- INT8, голова детектора 16 бит, NMS внутри сборки
- замер на железе
- 80–90 FPS на живом Hailo-8L — целевой профиль 60 FPS перекрыт
- артефакты
- веса .pt и .onnx, сборки .hef, отчеты обучения, реестр моделей с метриками
- происхождение
- выросло из заказного проекта, R&D-ветку продолжаем на своей стороне
- precision
- 0,961
- recall
- 0,889
- mAP@50
- 0,935
- mAP@50–95
- 0,629
из срабатываний — верные
из реальных дронов — найдены
детекция по мягкому порогу IoU
строгое качество рамки
Базовый режим: этот вход идет в edge-сборку под Hailo-8L — кадр дешевле по вычислениям, рамка чуть грубее.
Откуда взялось направление
Началось как заказной проект: детектор и сборки под ускоритель делались под конкретную задачу, заказчик и объект закрыты NDA. Дальше стало понятно, что задача не заканчивается одной поставкой — операционные точки, деградации кадра, edge-профили и замеры на железе можно и нужно тянуть самостоятельно. Эта часть и живет здесь как R&D: датасет, обучение, метрики и сборки наши, продолжаются без контракта.
Семейство весов вместо одной модели
Универсальной модели «на все» в детекции не бывает: либо оптимизируется recall (не пропустить цель), либо precision и контроль ложных тревог. Поэтому в поставке несколько весов под разные операционные точки — balanced, robust под плохую видимость, low-FP после hard-negative mining и кандидат под 60-кадровый профиль Hailo — он в итоге и перекрыт с запасом. Выбор режима остается за сценарием заказчика.
Плохая видимость считается отдельно
Отдельная ветка обучена на деградациях: блюр, шум, JPEG-артефакты, низкое разрешение, наклон камеры. Ложные срабатывания считаются на фиксированной точке — при conf 0,30 и IoU 0,25 тяжелый тест дает 63 ложных детекции на 2 200 кадрах. Снижение порога до 0,25 поднимает recall и одновременно ложные тревоги до 99: это и есть выбор, который делается под конкретный объект.
Что уходит на edge и с какой скоростью
Скомпилированные HEF запускаются на ускорителе Hailo-8L — в связке Raspberry Pi 5 с AI HAT или на промышленном edge-модуле. Квантование INT8, голова детектора в 16 битах, NMS внутри сборки: хосту остается забрать готовые рамки. Замер на живом ускорителе дает 80–90 кадров в секунду в зависимости от сборки и входного разрешения — целевой профиль 60 FPS перекрыт, запас уходит на вторую камеру или на более тяжелый вес. Видео при этом не покидает объект.
80–90 FPS сняты на стенде: одна камера, стабильное питание и охлаждение. На реальном узле с несколькими потоками, летней жарой в щитовой и чужой сетью цифра будет ниже — насколько, показывает профилирование на месте. Заказчик и объект закрыты NDA, поэтому здесь только наша часть работы: данные, обучение, метрики и edge-сборки. Веса отдельным товаром не продаются: на других ракурсах и дистанциях они дадут не ту точность, под которую их обучали.
Что происходило по направлению
- 01.06.2026
Перепроверка весов на тесте при входе 960. High-recall вариант дал recall 0,909 против 0,894 у основного, но проиграл по строгому mAP@50–95 — в поставку не промотирован, остался в архиве как режим для сценария «пропуск дороже грубой рамки».
- 17.06.2026
Собран полный комплект по направлению: курированные веса, 7 HEF-сборок под Hailo-8L, реестр моделей с метриками, отчеты обучения и демо-детекции на тестовом наборе. Дальше — замер на живом ускорителе и работа с операционными точками.
Другие направления
Вся витрина R&D →Статус этого направления — удачно. Как читать статусы и по каким правилам работает лаборатория — на витрине R&D.