Выбор нейросетевой модели на основе метода анализа иерархий

Аннотация

В статье рассматривается выбор оптимальной нейросетевой модели YOLOv8 (YOLOv8s, YOLOv8l, YOLOv8x, YOLOv8m, YOLOv8n) с использованием метода анализа иерархий, который позволяет структурировать и систематизировать сложные решения, основанные на многокритериальных оценках. Основное внимание уделяется выявлению и сравнительному анализу наиболее значимых критериев для оценки эффективности нейросетевых моделей, таких как время обучения, а также метрики Precision, Recall и F1-score. Эти метрики играют ключевую роль в задачах компьютерного зрения, особенно когда речь идет о детекции объектов. При проведении исследования построены матрицы попарных сравнений, которые позволяют не только визуально представить относительную важность каждого из выбранных параметров, но и количественно оценить их влияние на общую эффективность модели. Процесс формирования матриц попарных сравнений включает в себя мнение экспертов в области машинного обучения и компьютерного зрения, что обеспечивает высокую степень надежности полученных результатов. После обработки данных и выполнения расчетов, включающих взвешивание каждого критерия, выведены приоритеты для альтернативных моделей YOLOv8. В результате расчетов выявлено, что нейросетевая модель YOLOv8n обладает максимальным приоритетом среди всех оцененных альтернатив. Это подчеркивает ее превосходство по сравнению с другими модификациями данной модели.