Abstract
В статье представлена разработка модели распознавания и классификации беспилотных летательных аппаратов (БПЛА) и птиц в режиме реального времени на основе нейронной сети YOLOv10. Актуальность исследования обусловлена растущим использованием БПЛА в различных сферах и возникающими, в связи с этим вопросами обеспечения безопасности. Для обучения модели был сформирован датасет из 7580 изображений, собранных как из собственных архивов полётов БПЛА, так и из открытых источников, включая Roboflow, Ultralytics HUB и Kaggle. Аннотирование, аугментация и разбиение данных на обучающую, валидационную и тестовую выборки были выполнены с использованием платформы Roboflow. Обучение модели проводилось на графическом процессоре NVIDIA GeForce RTX 4080 с применением фреймворка Ultralytics. Полученная модель показала высокую точность, превзойдя предыдущие версии YOLO по метрикам mAP50 и mAP50-95.Также была продемонстрирована высокая эффективность в задачах сегмен-тации и трекинга объектов, что делает её перспективным решением для си-стем оптикоэлектронного наблюдения. Результаты исследования могут бытьполезны разработчикам систем обнаружения БПЛА и птиц и способствоватьповышению уровня безопасности на охраняемых объектах.