Performance Evaluation of Lightweight YOLOv5n Models in CARLA Simulator for Autonomous Driving Applications
Year: 2025
Type: article
Abstract: يُعد اكتشاف الأجسام في الوقت الفعلي أمرًا بالغ الأهمية لأنظمة القيادة الذاتية، لا سيما في بيئات المحاكاة الواقعية مثل منصة CARLA. تهدف هذه الدراسة إلى تقييم أداء النماذج خفيفة الوزن (YOLOv5n) في اكتشاف الأجسام المعقدة، بما في ذلك إشارات المرور متعددة الألوان والمركبات والمشاة، ضمن محاكاة CARLA. لقد قمنا بتدريب نموذجين باستخدام مجموعات بيانات مشتقة من CARLA لتقييم المفاضلة بين الدقة والكفاءة الحسابية. النموذج الأول (YOLOv5n-1864-T): تم تدريب هذا النموذج على 1,864 عينة تدريب. وقد أظهر دقة فائقة (mAP50=0.935) وسرعة استدلال أسرع (0.022-0.025 ثانية لكل إطار). النموذج الثاني (YOLOv5n-1600-TV): تم تدريب هذا النموذج على 1,600 عينة تدريب بالإضافة إلى 480 عينة تحقق واختبار. وقد حقق قدرة تعميم أفضل (mAP50=0.942) مع درجات ثقة متوازنة (0.75-0.96)، على الرغم من أن سرعة الاستدلال كانت أبطأ قليلاً (0.04-0.07 ثانية). خلال اختبارات الاستدلال على 8 إطارات ديناميكية من CARLA، حقق كلا النموذجين أداءً عاليًا (F1-Score: 0.92-0.94). تفوق النموذج الأول في اكتشاف إشارات المرور الحمراء، بينما أظهر النموذج الثاني قدرة أكبر على التكيف مع زوايا المشاة المعقدة. تؤكد النتائج أن النماذج خفيفة الوزن يمكن أن تنافس النماذج الأكبر حجمًا مع الحفاظ على كفاءة حسابية عالية (4.2 GFLOPs). توصي الدراسة بدمج بيانات التحقق مع مجموعات التدريب الموسعة لتحسين التعميم دون التضحية بالسرعة، مما يوفر إطار عمل عمليًا لنشر مثل هذه النماذج في أنظمة القيادة الذاتية القائمة على المحاكاة.
Authors: عويدات , بدر نجيب, Awedat, Bader N.
Institution: Qassim University
Language: English
Subfield: Computer Vision and Pattern Recognition
Field: Computer Science
Domain: Physical Sciences
Open Access status: diamond
OpenAlex ID: W7216536723
