EUVIMEDEUVIMED entdecken
Crossref

PHÁT HIỆN TÀU THUYỀN TỪ KHÔNG ẢNH SỬ DỤNG KIẾN TRÚC YOLO26M: PHÂN TÍCH ĐỊNH LƯỢNG VÀ THỰC NGHIỆM

Thanh Nghị Phan, Mạnh Cường Nguyễn, Đình Lân Trần

Tạp chí Khoa học Công nghệ Hàng hải · 30.04.2026 · (86) · 160-166

DOI: 10.65154/jmst.994 ↗

Kurz gefasst

Fachartikel in der Zeitschrift Tạp chí Khoa học Công nghệ Hàng hải, online erschienen am 30.04.2026. Verfasst von Thanh Nghị Phan und 2 weiteren Autor:innen.

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Tóm tắtPhát hiện tàu thuyền giữ vai trò then chốt trong giám sát hàng hải và an ninh vùng biển. Tuy nhiên, đặc thù của ảnh không gian là các đối tượng thường có kích thước nhỏ (chiều cao chỉ chiếm 0.05-0.1 khung hình) và chịu nhiễu lớn từ bề mặt nước. Bài báo này trình bày phương pháp ứng dụng kiến trúc YOLO26m kết hợp với huấn luyện chuyển tiếp để giải quyết bài toán trên. Mô hình được huấn luyện trên bộ dữ liệu “Kaggle Ships in Google Earth” gồm 1293 ảnh, sử dụng GPU Tesla P100. Kết quả thực nghiệm sau 70 epoch cho thấy phương pháp đề xuất có hiệu năng cao với mAP@0.5 đạt 0.971 và mAP@0.5:0.95 đạt 0.766. Bên cạnh đó, mô hình duy trì sự cân bằng tốt giữa Precision (0.96) và Recall (0.92), đồng thời đạt tốc độ suy luận trung bình 14.1 ms/ảnh (tương đương 58.8 FPS). Những kết quả này khẳng định khả năng của YOLO26m trong việc đáp ứng các yêu cầu xử lý thời gian thực cho hệ thống giám sát tự động.AbstractShip detection plays a crucial role in maritime surveillance and coastal security. However, aerial imagery presents significant challenges due to the small size of objects (typically occupying 0.05–0.1 of the frame height) and interference from water surface noise. This paper presents a method applying the YOLO26m architecture combined with transfer learning to address this task. The model was trained on the "Kaggle Ships in Google Earth" dataset comprising 1293 images, utilizing a Tesla P100 GPU. Experimental results after 70 epochs demonstrate superior performance, with a mAP@0.5 of 0.971 and mAP@0.5:0.95 of 0.766. Furthermore, the model maintains a strong balance between Precision (0.96) and Recall (0.92), while achieving an average inference speed of 14.1 ms/image (approximately 58.8 FPS). These results confirm the capability of YOLO26m to meet real-time processing requirements for automated surveillance systems.Keywords: YOLO26m, Ship Detection, Aerial Imagery, Maritime Surveillance.

Zitieren

APA

Phan, T. N., Nguyễn, M. C., & Trần, Đ. L. (2026). PHÁT HIỆN TÀU THUYỀN TỪ KHÔNG ẢNH SỬ DỤNG KIẾN TRÚC YOLO26M: PHÂN TÍCH ĐỊNH LƯỢNG VÀ THỰC NGHIỆM. Tạp chí Khoa học Công nghệ Hàng hải, 160-166. https://doi.org/10.65154/jmst.994

Vancouver

Phan TN, Nguyễn MC, Trần ĐL. PHÁT HIỆN TÀU THUYỀN TỪ KHÔNG ẢNH SỬ DỤNG KIẾN TRÚC YOLO26M: PHÂN TÍCH ĐỊNH LƯỢNG VÀ THỰC NGHIỆM. Tạp chí Khoa học Công nghệ Hàng hải. 2026:160-166. doi:10.65154/jmst.994

BibTeX
@article{Phan2026,
  author = {Phan, Thanh Nghị and Nguyễn, Mạnh Cường and Trần, Đình Lân},
  title = {PHÁT HIỆN TÀU THUYỀN TỪ KHÔNG ẢNH SỬ DỤNG KIẾN TRÚC YOLO26M: PHÂN TÍCH ĐỊNH LƯỢNG VÀ THỰC NGHIỆM},
  journal = {Tạp chí Khoa học Công nghệ Hàng hải},
  year = {2026},
  number = {86},
  pages = {160--166},
  doi = {10.65154/jmst.994}
}
Kostenlos starten →