불은 환경, 경제 및 인간의 삶에 중대한 피해를 초래할 수 있다. 화재를 조기에 감지할 수 있다면 피해를 최소화할 수 있다. 기술의 발전, 특히 딥러닝에 의해 구동되는 컴퓨터 비전은 이미지와 비디오에서의 자동 화재 탐지를 가능하게 해 왔다. 화재 및 연기 탐지에 대한 응용을 포함하여, 물체 탐지를 위한 여러 딥러닝 모델이 개발되었다. 본 연구는 Bayesian Tuning(BT)을 사용하여 YOLOv8 및 YOLOv10 모델의 학습 하이퍼파라미터를 최적화하는 데 초점을 둔다. 대규모 D-Fire 데이터셋에서의 실험 결과는 본 접근법이 탐지 성능을 향상시킴을 보여준다. 구체적으로, 제안된 접근법은 기본 하이퍼파라미터로 학습한 모델과 비교하여, Intersection over Union(IoU) 임계값 0.5에서의 mean average precision(mAP50)을 YOLOv8s, YOLOv10s, YOLOv8l, YOLOv10l 모델에 대해 각각 0.26, 0.21, 0.84, 0.63 향상시킨다. 이러한 성능 향상은 더 큰 모델인 YOLOv8l 및 YOLOv10l에서, 더 작은 모델인 YOLOv8s 및 YOLOv10s보다 더 두드러지게 나타난다. 또한 BT로 학습할 때 YOLOv8 모델은 일관되게 YOLOv10보다 우수하며, YOLOv10s에 비해 YOLOv8s는 mAP50이 0.26 향상되고, YOLOv10l에 비해 YOLOv8l은 0.65 향상된다. 이러한 결과는 탐지 성능을 우선시하는 화재 탐지 응용에서 YOLOv8이 선호되는 모델임을 입증한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.