М.А. Кукушкин1, П.А. Ухов2
1, 2 Московский авиационный институт (национальный исследовательский университет) (Москва, Россия)

1 cnegbyj99@mail.ru, 2 ukhovpa@mai.ru

Постановка проблемы. Специализированные аппаратные ускорители, такие как Tensor Processing Units (TPU), перспективны для развертывания моделей компьютерного зрения в реальном времени, но их эффективность сильно зависит от совместимости с конкретной архитектурой нейронной сети. Модели детекции объектов семейства YOLO (v5, v8, v11), являясь де-факто стандартом, изначально оптимизированы для GPU. Возникают практические вопросы: какая из современных версий YOLO наиболее эффективно адаптируется под TPU с точки зрения баланса скорости, точности и простоты портирования, и насколько их производительность отличается от эталонной GPU-реализации?

Цель. Провести сравнительный анализ производительности современных моделей YOLO (v5, v8, v11 от Ultralytics) после их адаптации для выполнения на TPU, чтобы выявить наиболее подходящую модель для практического применения на данной аппаратной платформе.

Результаты. На основе методики портирования с использованием TensorFlow и оптимизаций (квантизация) адаптированы и протестированы модели YOLOv5, YOLOv8 и YOLOv11. Путем сравнительного анализа по ключевым метрикам (скорость инференса, точность mAP, эффективность использования ресурсов TPU) проведено ранжирование моделей и выявлен лидер, демонстрирующий оптимальный компромисс между минимальной деградацией точности и максимальным ускорением на TPU относительно GPU.

Практическая значимость. Результаты работы предоставляют инженерам и разработчикам обоснованные рекомендации по выбору конкретной версии модели YOLO для развертывания на TPU. Это позволяет сократить время и ресурсы на поиск оптимального решения при создании ресурсоэффективных систем компьютерного зрения для задач автономного управления, видеонаблюдения и робототехники.

Кукушкин М.А., Ухов П.А. Сравнение производительности моделей нейронных сетей компьютерного зрения применительно к тензорным процессорам // Нейрокомпьютеры: разработка, применение. 2026. Т. 28. № 2. С. 44–50. DOI: https://doi.org/10.18127/ j19998554-202602-04

1. COCO dataset [Электронный ресурс] / URL: https://cocodataset.org/#home (дата обращения: 01.04.2025).
2. Coral AI. Edge TPU Models Introduction [Электронный ресурс] / URL: https://coral.ai/docs/edgetpu/models-intro/ (дата обращения: 01.04.2025).
3. Coral AI. Products Accelerator [Электронный ресурс] / URL: https://coral.ai/products/accelerator/ (дата обращения: 01.04.2025).
4. Небаба С.Г., Марков Н.Г. Сверточные нейронные сети семейства YOLO для мобильных систем компьютерного зрения // Компьютерная оптика. 2024. Т. 16. № 3. С. 615–631. DOI: 10.20537/2076-7633-2024-16-3-615-631.
5. ONNX [Электронный ресурс] / URL: https://onnx.ai/ (дата обращения: 01.04.2025).
6. Hidayatullah P., Syakrani N., Sholahuddin M.R. et al. YOLOv8 to YOLO11: A comprehensive architecture in-depth comparative review / Politeknik Negeri Bandung. Stunning Vision AI. Indonesia. 2025.
7. Raspberry Pi OS [Электронный ресурс] / URL: https://www.raspberrypi.com/software/ (дата обращения: 02.06.2025).
8. Ultralytics documentation. YOLO11 vs YOLOv8 comparison [Электронный ресурс] / URL: https://docs.ultralytics.com/ru/compare/ yolo11-vs-yolov8/ (дата обращения: 01.04.2025).
9. Ultralytics documentation. YOLOv8 vs YOLOv5 comparison [Электронный ресурс] / URL: https://docs.ultralytics.com/ru/compare/ yolov8-vs-yolov5/ (дата обращения: 01.04.2025).
10. YOLOv6 / Meituan [Электронный ресурс] / URL: https://github.com/meituan/YOLOv6?spm=a2ty_o01.29997173.0.0.60bcc92125 ZXJa (дата обращения: 02.06.2025).
11. YOLOv7 / A. Bochkovskiy [Электронный ресурс] / URL: https://github.com/AlexeyAB/darknet?spm=a2ty_o01.29997173.0.0.60 bcc92125ZXJa (дата обращения: 02.06.2025).
12. YOLOv10 / THU-MIG [Электронный ресурс] / URL: https://github.com/THU-MIG/yolov10 (дата обращения: 02.06.2025).