ОТ ПРОТОТИПОВ СИСТЕМ КОМПЬЮТЕРНОГО ЗРЕНИЯ К ПРОИЗВОДСТВЕННЫМ СИСТЕМАМ: ПРАКТИЧЕСКИЕ ПРОБЛЕМЫ И ОЦЕНКА, ОРИЕНТИРОВАННАЯ НА ВНЕДРЕНИЕ
Kalit so'zlar
https://doi.org/10.47390/ts-v4i1y2026N01Kalit so'zlar
компьютерное зрение, прототипирование, производственные системы, развертывание, оптимизация моделей, оценка производительности, инженерные ограничения.Annotasiya
В статье рассматривается проблема перехода систем компьютерного зрения от этапа прототипирования к промышленной эксплуатации. Отмечается, что большинство существующих исследований сосредоточено на повышении точности моделей, в то время как вопросы внедрения и эксплуатации в реальных условиях остаются недостаточно изученными. В работе анализируются практические и инженерные аспекты, связанные с оптимизацией моделей, выбором среды развертывания и учетом вычислительных ограничений. Особое внимание уделяется компромиссам между точностью, скоростью инференса и потреблением ресурсов. Приводимые примеры и оценки носят иллюстративный характер и направлены на демонстрацию типичных тенденций, наблюдаемых при внедрении систем компьютерного зрения. Результаты могут быть полезны специалистам, занимающимся практическим применением и сопровождением CV-систем.
Manbalar
1. Y.Zhuang, W.Chen, T.Jin, B.Chen, H.Zhang, W.Zhang. A Review of Computer Vision-Based Structural Deformation Monitoring in Field Environments. Sensors 22:3789, 2022.
2. Neal Mahajan, Erik Holzwanger, Jeremy Glissen Brown, Tyler M. Berzin. Deploying automated machine learning for computer vision projects: a brief introduction for endoscopists. VideoGIE 8(6):249-251, 2023.
3. G.Mattia, R.Beraldi. A study on real-time image processing applications with edge computing support for mobile devices. IEEE/ACM 25th International Symposium on Distributed Simulation and Real Time Applications, 2021, pp. 1-7.
4. R.Diachok, H.Klym, I.Tepliakov. Comparative analysis of the accuracy and efficiency of motion detection tools and systems for PIR sensor, Opencv webcam, and Raspberry Pi. Electronics and Information Technologies 10(1):77-82, 2025.
5. Mohammed J Yousif. Enhancing The Accuracy of Image Classification Using Deep Learning and Preprocessing Methods. Artificial Intelligence & Robotics Development Journal 3(4):269-281, 2023.
6. J.Song, H.Jeong, J.Jeong. Performance Optimization of Object Tracking Algorithms in OpenCV on GPUs. Applied Sciences 12(15):7801, 2022.
7. Woon Chae, Kisung Seo. Pipeline of Pruning, Knowledge Distillation, and Quantization for Model Compression. Journal of Electrical Engineering & Technology, 2025.
8. H.Guo, N.Asadi, G.Bartolomeo, P.Laufer, J.Ott, W.Kellerer. Comparative Performance and Cost Analysis of Computer Vision in Edge-Cloud Continuum. ECCAI '25: Proceedings of the 2025 ACM CoNEXT Workshop Edge-Cloud Collaboration for AI, 2025, pp. 30-37.
9. Lilhore, U.K., Simaiya, S., Sharma, Y.K. et al. Cloud-edge hybrid deep learning framework for scalable IoT resource optimization. Journal of Cloud Computing 14:5, 2025.
10. V. Geetha, C. Kiran, M. Sharma and J. Rakshith Kumar. Deployment of Computer Vision Application on Edge Platform. IEEE 18th India Council International Conference, Guwahati, India, 2021, pp. 1-8.
11. José L. Mira, Jesús Barba, et al. Benchmarking of computer vision methods for energy-efficient high-accuracy olive fly detection on edge devices. Multimedia Tools and Applications 83(34):81785-81809, 2024.
12. Z.Hua, K.Aranganadin, et al. A Benchmark Review of YOLO Algorithm Developments for Object Detection. IEEE Access 13:123515-123545, 2025.
13. Vladimir Zunin. Intel OpenVINO Toolkit for Computer Vision: Object Detection and Semantic Segmentation. International Russian Automation Conference, 2021.
14. Y.Zhou, K.Yang. Exploring TensorRT to Improve Real-Time Inference for Deep Learning. 2022 IEEE 24th Int Conf on High Performance Computing & Communications; 8th Int Conf on Data Science & Systems; 20th Int Conf on Smart City; 8th Int Conf on Dependability in Sensor, Cloud & Big Data Systems & Application, 2022, pp. 2011-2018.
15. Y.Hu, Y.Ma, Y.Zhao, X.He. Cloud-Edge-End Collaborative Inference Framework for Efficient Predictive Maintenance in Industrial Internet of Things. In: Pedrycz, W., Wang, J., Li, J. (eds) Advances in Information, Computing and Technology. ICICT 2025. Lecture Notes in Networks and Systems, vol 1734. Springer, Cham, 2026, pp. 147-160.
16. D.Protschky, L.Lämmermann, P.Hofmann, N.Urbach. What Gets Measured Gets Improved: Monitoring Machine Learning Applications in Their Production Environments. IEEE Access 13:34518-34538, 2025.
17. Sandro Costa Magalhães, Filipe Neves dos Santos, Pedro Machado, António Paulo Moreira, Jorge Dias. Benchmarking edge computing devices for grape bunches and trunks detection using accelerated object detection single shot multibox deep learning models. Engineering Applications of Artificial Intelligence 117:105604, 2023.
18. Anh Duc Pham, Seung-Hun Han. Deploying a Computer Vision Model Based on YOLOv8 Suitable for Drones in the Tuna Fishing and Aquaculture Industry. Journal of Marine Science and Engineering (JMSE) 12(5):828, 2024.
This work is licensed under a 