Штучний інтелект

Анотація: Штучний інтелект відіграє ключову роль в автомобільній промисловості. Він використовується у вигляді машинного навчання, глибокого навчання, нейронних мереж, обробки природної мови, комп’ютерного зору, нечіткої логіки та інших технологій для підвищення ефективності, швидкості та комфорту. Все більшої популярності в автомобільній галузі набуває використання моделі YOLO, яка демонструє високу продуктивність і точність. Однак аналіз ефективності для останніх версій серії YOLO, а саме YOLOv11 та YOLO26, відсутній. Ця стаття спрямована на заповнення цієї прогалини. Крім того, досліджується вплив методу заморожування шарів при “донавчанні” моделей YOLOv11 та YOLO26 для виявлення та сегментації різних частин автомобіля, що є надзвичайно важливим для таких застосувань, як автоматизоване виробництво, сервісне обслуговування та оцінка пошкоджень автомобіля. Експерименти проводилися в середовищі Google Colaboratory Pro з використанням графічного процесора NVIDIA A100 (40 ГБ пам’яті). Для досліджень використовувався набір даних Carparts Segmentation, який містить 3833 розмічені зображення, поділені на три підмножини: тренувальну, валідаційну та тестову. Моделі навчалися протягом 100 епох із застосуванням механізму ранньої зупинки у разі відсутності покращення протягом 20 епох для запобігання перенавчанню, з розміром пакета – 16 зразків та оптимізатором AdamW. Емпірично встановлено, що YOLOv11 перевершує попередні версії серії YOLO за метриками повноти, F1 та mAP50–95. Модель YOLOv11 без заморожування шарів демонструє найкращі результати за метриками F1 та mAP50–95. Заморожування шарів підвищує ефективність моделі YOLOv11, що підтверджують показники повноти та mAP50. Найефективнішою стратегією виявилося заморожування перших шести шарів архітектури YOLOv11. Новітня версія YOLO26 без заморожування шарів не досягає кращих результатів порівняно з попередніми версіями за всіма розглянутими метриками. Крім того, заморожування шарів не продемонструвало жодного покращення продуктивності моделі YOLO26 за жодною з метрик. Результати дослідження показали, що YOLOv11 із заморожуванням перших шести шарів архітектури виявляє з вищою впевненістю такі деталі автомобіля, як «задня фара» (back_light), «праві задні двері» (back_right_door), «права задня фара» (back_right_light), «передні двері» (front_door) та частину «колесо» (wheel) порівняно з YOLO26. В подальшому планується провести дослідження ефективності моделей по окремих деталях автомобілів, аналіз кореляції стандартних метрик зі змінами в детекції та ідентифікації деталей та перевірку роботи моделей на зображеннях тестової вибірки.

Ключові слова: штучний інтелект, YOLO, перенесення навчання, комп’ютерний зір.

Посилання:

1. Shiza M. Artificial intelligence and industrial applications – A revolution in modern industries / M. Shiza, M. Khalid, W. Yasir // Ain Shams Engineering Journal. – 2024. – Volume 15, issue 9. – p.102886. – ISSN 2090-4479. – DOI: https://doi.org/10.1016/j.asej.2024.102886.
2. Hossain N. Artificial Intelligence Revolutionizing the Automotive Sector: A Comprehensive Review of Current Insights, Challenges, and Future Scope / N. Hossain, A. Rahim, M. Rahman, D. Ramasam // Computers, Materials and Continua. – 2025. – Volume 82, issue 3. – pp. 3643-3692. – ISSN 1546-2218. – DOI: https://doi.org/10.32604/cmc.2025.061749.
3. Handbook Assisted and Automated Driving. / Editors: H. Winner, K. C. J. Dietmayer, L. Eckstein et al. – Wiesbaden: Springer, 2026. – 1020 p. – ISBN 978-3-658-45276-6. – DOI: https://doi.org/10.1007/978-3-658-45276-6.
4. Bradler A. AI Methods for Driver Assistance Systems and Automated Driving Functions / A. Bradler., R. Rezaei, T. Scheibe et al. // ATZ Worldwide, 2025. –Vol. 127, pp. 16–19. – DOI: https://doi.org/10.1007/s38311-025-2105-x.
5. Mueller C., Mezhuyev V. AI Models and Methods in Automotive Manufacturing: A Systematic Literature Review / Mueller C., Mezhuyev V. // Al-Emran M., Shaalan K. (eds) Recent Innovations in Artificial Intelligence and Smart Applications. Studies in Computational Intelligence. – Cham: Springer, 2022. – Vol. 1061, pp. 1-25. – DOI: https://doi.org/10.1007/978-3-031-14748-7_1.
6. Beecham M. The future of AI in the automotive industry / M. Beecham, A. Panday, S. Jayanthan. – https://www.spglobal.com/automotive-insights/en/blogs/2025/07/ai-in-automotive-industry.
7. Bhattacharya S. AI revolution in insurance: bridging research and reality / S. Bhattacharya, G. Castignani, L. Masello, B. Sheehan // Frontiers in Artificial Intelligence, 2025. – Vol 8:1568266. – DOI: 10.3389/frai.2025.1568266.
8. Chandaluri R. Optimized car parts detection with advanced feature fusion and attention modules / R. Chandaluri, P. Vasanthi, L. P. Kothala et al // Scientific Reports, 2025. – Vol. 15, no. 45418. - https://doi.org/10.1038/s41598-025-29855-w.
9. Yusuf S. A., Aldawsari A. A., Souissi R. Automotive Parts Assessment: Applying Real-time Instance-Segmentation Models to Identify Vehicle Parts / S. A. Yusuf, A. A. Aldawsari, R. Souissi. – 2022. – (arXiv preprint). – DOI: https://doi.org/10.48550/arXiv.2202.00884.
10. Susutti W. Real-time Car Part Instance Segmentation: the Comparison of the State-of-the-Art / W. Susutti, S. Laoprom, T. Sutthipanyo et al // 28th International Computer Science and Engineering Conference (ICSEC), Khon Kaen, Thailand. – 2024. – pp. 1-6. – DOI: 10.1109/ICSEC62781.2024.10770635.
11. Gheorghe C. Analyzing Real-Time Object Detection with YOLO Algorithm in Automotive Applications: A Review / C. Gheorghe, M. Duguleana, R. G. Boboc, C. C. Postelnicu // CMES - Computer Modeling in Engineering and Sciences. – 2024. – Volume 141, issue 3, - pp. 1939-1981. – ISSN 1526-1492. – DOI: https://doi.org/10.32604/cmes.2024.054735.
12. Huang H. Automotive Parts Defect Detection Based on YOLOv7 / H. Huang, K. Zhu // Electronics. – 2024. – Vol. 13, no.10. – p.1817. – DOI: https://doi.org/10.3390/electronics13101817.
13. Shaik B. An efficient YOLOV9 model for car parts detection and segmentation / B. Shaik // Telecommunications and Radio Engineering. – 2026. – Volume 85, issue 1. – pp. 61-74. – DOI: 10.1615/TelecomRadEng.2025054287.
14. Dhieb N. A Very Deep Transfer Learning Model for Vehicle Damage Detection and Localization / N. Dhieb N., H. Ghazzai, H. Besbes, Y. Massoud // 31st International Conference on Microelectronics (ICM), Cairo, Egypt. – 2019. – pp. 158-161. – DOI: 10.1109/ICM48031.2019.9021687.
15. Gandhi V. Fine-Tuning Without Forgetting: Adaptation of YOLOv8 Preserves COCO Performance / V. Gandhi, S. Gandhi. – 2025. – arXiv preprint. – DOI: https://doi.org/10.48550/arXiv.2505.01016.
16. Carparts Segmentation Dataset. Режим доступу: https://docs.ultralytics.com/datasets/segment/carparts-seg/.
17. Yuma A. N. Improving Vehicle Detection in Challenging Datasets: YOLOv5s and Frozen Layers Analysis / A. N. Yuma. Rafi, M. Yusuf // International Journal of Informatics and Computation. – 2023. – Vol. 5, no. 2. – pp. 31–45. – DOI: 10.35842/ijicom.v5i2.64.
18. YOLO26 Training Recipe. Режим доступу: https://docs.ultralytics.com/guides/yolo26-training-recipe/#start-simple.
19. Мамута М. С. Підвищення ефективності виявлення об’єктів моделями YOLOv11 та YOLO26 внаслідок заморожування шарів / М. С. Мамута, І. В. Кравченко, О. Д. Мамута // Вісник Київського політехнічного інституту. Серія Приладобудування. – 2026. – № 71(1). – pp. 36–43. DOI: 10.20535/1970.71(1).2026.361591