| Модель | Train Loss | Val Loss | IoU | Accuracy | Dice |
|---|---|---|---|---|---|
| U-Net | 1.2355 | 1.2191 | 0.1306 | 0.8242 | 0.2310 |
| DeepLabV3+ | 1.2228 | 1.2230 | 0.1322 | 0.8298 | 0.2335 |
| U-Net + Augmentations | 1.2209 | 1.2136 | 0.1317 | 0.8308 | 0.2327 |
| DeepLabV3+ + Augmentations | 1.2047 | 1.2005 | 0.1364 | 0.8307 | 0.2400 |
| Custom U-Net (ResNet50) | 1.2373 | 1.2256 | 0.1306 | 0.8284 | 0.2310 |
| Custom U-Net + Augmentations | 1.2359 | 1.2267 | 0.1307 | 0.8285 | 0.2311 |
- Лучшие результаты показала модель DeepLabV3+ с аугментациями (IoU = 0.1364, Dice = 0.2400).
- Аугментации данных улучшили метрики для всех моделей.
- Custom U-Net (на основе ResNet50) показал сопоставимые результаты с базовыми моделями.
| Модель | mAP@0.5 | mAP@0.5:0.95 | Precision | Recall | Inference Speed |
|---|---|---|---|---|---|
| YOLOv8 | 0.994 | 0.903 | 0.983 | 1.0 | 2.7 ms |
| YOLOv8 + Augmentations | 0.995 | 0.939 | 0.986 | 1.0 | 3.5 ms |
| YOLOv11 | 0.987 | 0.890 | 0.983 | 1.0 | 3.0 ms |
| YOLOv11 + Augmentations | 0.995 | 0.938 | 0.984 | 1.0 | 2.2 ms |
-
Точность (mAP@0.5 и mAP@0.5:0.95):
- YOLOv8 + Augmentations и YOLOv11 + Augmentations показали одинаково высокий результат по метрике mAP@0.5 (0.995), что указывает на отличную точность при умеренном IoU-пороге.
- По более строгой метрике mAP@0.5:0.95 (которая учитывает точность при разных значениях IoU), YOLOv8 + Augmentations лидирует с результатом 0.939, что говорит о лучшей общей детализации и локализации объектов.
-
Precision и Recall:
- Все модели демонстрируют очень высокую точность (Precision ~0.98–0.986) и полноту (Recall = 1.0), что означает, что они почти всегда находят все реальные объекты и редко выдают ложные срабатывания.
-
Скорость работы (Inference Speed):
- YOLOv11 + Augmentations является самой быстрой по скорости инференса — всего 2.2 мс, что делает её привлекательной для использования в реальном времени.
- YOLOv8 также достаточно быстр (2.7–3.5 мс), но немного уступает YOLOv11 по скорости при использовании аугментаций.
- YOLOv11 без аугментаций имеет скорость 3.0 мс, что немного медленнее, чем версия с аугментациями, что может быть связано с особенностями реализации или предобработки.
Общий вывод: Наиболее сбалансированной моделью по точности и скорости является YOLOv8 + Augmentations, так как она показывает самый высокий mAP@0.5:0.95 и хорошие показатели Precision/Recall. Однако если требуется максимальная скорость работы с незначительной потерей точности, то стоит рассмотреть YOLOv11 + Augmentations, которая работает быстрее, сохраняя почти такой же уровень точности.