YOLOv8m для виявлення підводних об’єктів: точність 99,19% mAP@50

TL;DR

• •Модель YOLOv8m має розмір приблизно 50 МБ та потребує GPU з 8 ГБ пам’яттю для комфортного інференсу.
• •Навчання проведено на наборі даних Brackish Underwater з понад 15 000 anotованих зображень трьох класів водних тварин.
• •Модель ліцензована за AGPL-3.0, що дозволяє комерційне використання з вимогою відкриття коду похідних робіт.
• •Підтримує експорт у формати ONNX та TensorRT для прискорення роботи на краю та в хмарних середовищах.
• •Тестування показало стабільну роботу при різних умовах освітлення та мутності води.

Як це змінить ваш ринок?

Компанії у риболовстві та аквакультурі зможуть автоматизувати лічбу та ідентифікацію видів риб у реальному часі, знімаючи блокер ручного перегляду відео та зменшуючи працевкладення на 30‑40%. У офшорній енергетиці модель дозволяє швидко виявляти пошкодження трубопроводів та морських інсталяцій, скорочуючи простоï через підводні інспекції.

Визначення: YOLOv8m — це середньої розміру модель об’єктного виявлення з сімейства YOLO, що балансує між точністю та швидкістю, призначена для роботи з зображеннями розміром 640×640 пікселів.

Для кого це і за яких умов (ОБОВ’ЯЗКОВО: мін. обладнання/бюджет, потрібна команда чи ні, мін. масштаб, час на впровадження)

YOLOv8m: ноутбук з GPU 6 ГБ (наприклад, RTX 3060) або хмарний інстанс g5.xlarge, без спеціалізованої команди, 30 хв на завантаження та тестовий запуск. Для впровадження в продакшень потрібен інженер з досвідом у PyTorch/TensorRT та доступ до GPU‑сервера або хмарного кластера; мінімальний масштаб — одна камера з потоком відео, а час налаштування — від 1 до 2 днів.

Альтернативи