Abstract
Исследование посвящено анализу производительности алгоритма обнаружения объектов YOLO-NAS (You Only Look Once – Neural Architecture Search) в сравнении с его предшественниками из семейства YOLO. Целью работы является оценка эффективности YOLO-NAS и выявление его преимуществ и недостатков по сравнению с предыдущими версиями алгоритма YOLO. Исследование проводится в нескольких ключевых аспектах производительности, включая скорость обработки изображений, точность обнаружения объектов, а также эффективность использования ресурсов вычислительной системы. Для достижения этих целей, используются стандартные наборы данных для обучения и тестирования алгоритмов обнаружения объектов. Методика исследования включает в себя разработку экспериментальной платформы, которая позволяет провести сравнительный анализ производительности YOLO-NAS и предыдущих версий YOLO на одинаковых условиях. Эксперименты проводятся на различных конфигурациях аппаратного и программного обеспечения, чтобы оценить адаптивность алгоритмов к разным условиям работы. Результаты исследования позволяют сделать выводы о преимуществах и недостатках YOLO-NAS по сравнению с предыдущими версиями YOLO в контексте производительности. Эти выводы могут быть полезны для разработчиков и исследователей в области компьютерного зрения при выборе наиболее подходящего алгоритма для своих задач.