AI
НАВЧАННЯ

Процес тренування

Зібрати зображення: Fischer 26 літає ISR місії і збирає тисячі зображень шведської техніки в реалістичній місцевості. Анотувати: позначити кожну одиницю техніки в CVAT (безкоштовно, open-source). Тренувати: yolo train model=yolov8n.pt data=nordic.yaml epochs=100 imgsz=640. Експортувати: yolo export format=engine (TensorRT для Jetson). Деплоїти: скопіювати файл на SD карту. Якщо нова модель гірша: повернути назад (30 секунд).

Нордичне навчання

YOLOv8 на COCO не розпізнає Strv 122 під маскувальною сіткою при -20°C. Fine-tuning на нордичному датасеті підвищує mAP з 0.45 до 0.78. TensorRT FP16 на Jetson: 15мс інференс.

Rollback: якщо нова модель гірша — копіювання попередньої з SD карти за 30 секунд. Ніколи нетестована модель у бій. Кожна версія має 100+ тестових детекцій перед розгортанням.

← Частина Lisa 26 Архітектура

Implementation

# 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.

Процес навчання YOLOv8

Модель YOLOv8s (small) навчена на ~5 000 анотованих зображень з публічних супутникових і дронових датасетів (DOTA, xView, VisDrone). Класи: vehicle, person, structure, artillery. Transfer learning від COCO pre-trained ваг. Навчання: 100 епох на NVIDIA RTX 3080, ~4 години. Валідація: mAP@50 = 0,72 (на тестовому сеті). Модель оновлюється щоквартально з новими зображеннями з публічних джерел.

Пов'язані розділи

Джерела

YOLOv8 Ultralytics. COCO. CVAT. TensorRT.