В работе представлен сравнительный анализ применения ведущих алгоритмов обнаружения объектов – YOLOv8 и Faster R-CNN, к задаче распознавания национальных флагов. Предметом исследования является анализ методов компьютерного зрения для точного распознавания образов в режиме реального времени. Целью работы является проведение сравнительного анализа существующих методов компьютерного зрения для определения наилучших показателей. Методология исследования включает использование набора данных из 14918 изображений для обучения и 1989 изображений для валидации. Обучение проводилось на платформе Google Colab с использованием GPU NVIDIA Tesla T4. Для оценки эффективности алгоритмов использовались такие метрики, как точность, полнота, AP@0.5, AP@0.5:0.95 и FPS. Результаты исследования показали, что YOLOv8 обеспечивает высокую скорость обработки и хорошую точность при низком IoU, но имеет недостатки в виде снижения точности при высоком IoU и большого размера модели. Faster R-CNN, с другой стороны, обеспечивает высокую точность при высоком IoU и меньший размер модели, но имеет недостатки в виде низкой скорости обработки и снижения точности при низком IoU. В зависимости от конкретных требований и контекста применения, каждый из алгоритмов может быть более предпочтителен. YOLOv8 рекомендуется для задач, где требуется быстрое распознавание флагов и ограничены вычислительные ресурсы. Faster R-CNN рекомендуется для задач, где точность является критически важной, даже при более низкой скорости работы, и при наличии достаточных вычислительных ресурсов. Важно учитывать не только точность и скорость работы, но и другие факторы, такие как размер модели, доступные вычислительные ресурсы и целевую платформу. Существуют и другие алгоритмы обнаружения объектов, которые могут быть более подходящими для некоторых задач.

YOLOv8, Faster R-CNN, машинное обучение, компьютерное зрение, интеллектуальные системы, сверточная нейронная сеть