Abstract
<jats:p>Дослідження спрямоване на розв’язання проблеми ідентифікації сільськогосподарських шкідників шляхом створення мобільного застосунку, що використовує моделі згорткових нейронних мереж. У роботі проведено аналіз сучасних наукових досліджень, присвячених ідентифікації сільськогосподарських шкідників із використанням згорткових нейронних мереж, візуальних трансформерів та, зокрема, моделей сімейства YOLO. Аналіз літератури показав, що найефективнішим підходом є використання YOLO-моделей завдяки їх високій швидкодії та конкурентній точності, в тому числі в реальному часі. Окрему увагу приділено дослідженням, у яких моделі YOLO інтегруються у мобільні застосунки та системи моніторингу, що підтверджує практичну доцільність такого підходу. Для навчання моделі використано підмножину набору даних IP102, що містить шість класів поширених шкідників. З метою підвищення якості ідентифікації було застосовано методи розширення тренувальної вибірки шляхом трансформації зображень, зокрема перевертання, зміщення відтінку та розмиття. Проведено порівняльний аналіз двох моделей YOLOv11-N, навчених на початковій та розширеній вибірках, за метриками влучності, повноти, mAP50 та mAP50-95.Результати експериментів показали, що використання розширеної вибірки дозволяє суттєво покращити всі основні показники якості моделі, зокрема підвищити mAP50 з 81,5% до 95,9%. Для практичного використання моделі розроблено розподілену систему з хмарною серверною частиною та мобільним застосунком-клієнтом, що забезпечує зручну взаємодію користувача з моделлю та доступ до результатів ідентифікації. Запропоноване рішення демонструє практичність використання легковагових моделей сімейства YOLO у поєднанні з мобільними інтерфейсами для задач ідентифікації сільськогосподарських шкідників у реальному часі.</jats:p>