Lisa 26 AI-träning — nordiska modeller för YOLOv8

EJ KLASSIFICERAD

FSG-A // KLUSTER 6 — LISA 26 // 6.4

AI-TRÄNING
NORDISKA MODELLER

Författare: Tiny — Datoring., TCCC CLS, FPV/UAV-certifierad

UTKAST AIR 2026-04-13 10 MIN LÄSNING

SAMMANFATTNING

AI:n måste TRÄNAS att se det som spelar roll i Sverige. En modell tränad på ökenbilder känner inte igen en Strv 122 i en snöig björkskog. Träning innebär att visa AI:n tusentals foton där man ritat rutor runt fordon och märkt dem: "detta är en stridsvagn, detta är en lastbil." Efter träning identifierar AI:n automatiskt dessa objekt i nya kamerabilder den aldrig sett förut.

Standardmodeller av YOLOv8 är tränade på generella dataset (COCO, ImageNet). De kan detektera "bil" och "person" men inte "Strv 122 huvudstridsvagn i vinterkamouflage." Nordisk-specifik träning skapar modeller som ser det som spelar roll i vår operationsmiljö.

Varför generisk AI misslyckas i nordisk terräng

En modell tränad på urbana amerikanska vägbilder känner igen Toyotas och Chevroleter på asfalt. Visa den en vitmålad Bandvagn 206 i ett snöfält och den ser ingenting. Bakgrunderna är annorlunda (snö mot asfalt), fordonen är annorlunda (militära mot civila) och kamouflagen är specifikt designad för att besegra visuell igenkänning.

Nordisk-specifik träning lär AI:n att se genom vinterkamouflage mot snö, skilja militärfordon från civila i svensk terräng, detektera personal i vita vinteroveraller i en björkskog och fungera i det platta lågvinkliga ljuset under nordisk vinter (solen knappt ovanför horisonten vid 66°N latitud i december).

Hur träning fungerar — klarspråk

Föreställ dig att lära ett barn att känna igen hundar. Du visar dem 1 000 foton av hundar. För varje foto pekar du och säger "hund." Efter tillräckligt många foton kan barnet känna igen hundar i foton de aldrig sett förut — inklusive raser de inte visades. Det är maskininlärning.

För militär AI: du samlar tusentals drönarfoton som visar fordon, personal och installationer i nordisk terräng. För varje foto ritar du en ruta runt varje objekt och märker det: "pansarfordon", "lastbil", "personal", "observationspost." Sedan matar du dessa märkta foton in i YOLOv8:s träningsalgoritm. Efter flera timmars beräkning på en GPU har modellen lärt sig att automatiskt detektera och klassificera dessa objekt i nya, osedda kamerabilder.

Träningspipeline

DATAINSAMLING

Flyg Fischer 26 och FPV-drönare över övningsområden. Fånga video i alla förhållanden: snö, regn, dimma, sommargrönska, vintervitt, gryning, skymning. Mål: 10 000+ märkta bildrutor. Använd lisa26-extract för att dra bildrutor från flyginspelningar.

MÄRKNING

Använd CVAT (Computer Vision Annotation Tool, fri/öppen källkod) för att rita begränsningsrutor. Varje ruta får en klassmärkning. Mål: 500+ exempel per klass. Tidsuppskattning: ~2 sekunder per ruta, ~4 timmar för 5 000 märkningar. Multipla annoteringspersoner rekommenderas för konsekvens.

TRÄNING

Kör yolo detect train data=fsga-nordic.yaml model=yolov8n.pt epochs=100 imgsz=640 på valfri NVIDIA GPU med 8 GB+ VRAM. Tid: 2–4 timmar på RTX 3060 (300 euro). Eller använd Jetson AGX Orin från Nivå 3 Lisa 26-konfigurationen (1 100 euro). Utmatning: anpassad modellviktfil (~6 MB).

EXPORT FÖR DRÖNARE

Exportera till TensorRT för Jetson: yolo export model=fsga-nordic-v3.pt format=engine device=0 half=True. Detta optimerar modellen för Jetsons GPU. Inferenshastigheten går från 33 ms (PyTorch) till ~22 ms (TensorRT). Kopiera .engine-filen till drönarens microSD-kort.

Datasetkurering för nordiska miljöer

COCO-datasetet som YOLOv8 är förtränat på innehåller noll bilder av svenska militärfordon, noll bilder av snötäckt terräng och noll bilder tagna vid −20°C där termisk kontrast är fundamentalt annorlunda jämfört med tempererade förhållanden. Finjustering på ett nordisk-specifikt dataset är inte valfritt — det är skillnaden mellan ett system som fungerar och ett som producerar kontinuerliga falska positiva på snötäckta stenar som liknar fordonssiluetter.

Nordiskt datasetkonstruktion: 5 000 annoterade bilder insamlade under fyra årstider i Norrbottens, Gotlands och Skånes övningsområden. Fordonsklasser: Strv 122, Strf 90, Patgb 360, Tgb 30, BV 206, civila fordon (för negativ träning). Förhållanden: dagsljus, mörker, regn, snö, dimma, gryning, skymning. Kamouflage: standard svensk M90-mönster med och utan termisk reduktionsnät. Termiska bilder: separat dataset om 3 000 bildrutor från Infiray T2S+ vid temperaturer mellan −30°C och +25°C. Dataaugmentering (mosaik, mixup, slumpmässig ljusstyrka, horisontell spegling) expanderar det effektiva datasetet till 50 000+ träningsexempel. Finjustering: 100 epoker på NVIDIA A100 (moln) eller 300 epoker på Jetson Orin Nano (lokalt, 48 timmar).

Implementering

# YOLOv8 Nordic Fine-Tuning
# Train on Swedish terrain: snow, spruce forest, Swedish vehicles at -30°C
# pip install ultralytics
from ultralytics import YOLO

# Load pretrained (COCO) and fine-tune on Nordic dataset
model = YOLO("yolov8n.pt")

# nordic.yaml defines: train/val split, class names, augmentation
results = model.train(
    data="nordic.yaml",
    epochs=100,
    imgsz=640,
    batch=16,
    device=0,           # GPU 0
    augment=True,        # Random flip, rotate, brightness
    mosaic=1.0,          # Mosaic augmentation (critical for small objects)
    mixup=0.1,           # Cross-image mixing
    name="nordic_v3"
)

# Export to TensorRT for Jetson Orin Nano
model.export(format="engine", device=0, half=True)  # FP16

# Deploy: copy nordic_v3.engine to Jetson SD card
# Rollback: copy previous version. 30 seconds. Never untested model to combat.

Källor

YOLOv8 träningsdokumentation (docs.ultralytics.com). CVAT annoteringverktyg (github.com/cvat-ai/cvat). TensorRT deployeringsguide för Jetson (developer.nvidia.com). Transfer learning för militärfordonsdetektering — FOI-forskning (2024).