Лездік объектіні анықтауға арналған масштабталатын конвейерлер: YOLO модельдерін Apache Kafka арқылы жоғары өткізу қабілетті инференс үшін ендіру

Лездік объектіні анықтау – шұғыл шешім қабылдау маңызды болатын қазіргі заманғы қосымшаларда, мысалы, жедел медициналық көмек, автономды жүйелер және интеллектуалды бақылау салаларында аса маңызды мүмкіндік. Жоғары өткізу қабілеті бар кескін ағындарын кідіріссіз тиімді өңдеу – әсіресе күрделі жағдайларда – үлкен қиындықтар туғызады. Бұл зерттеуде YOLO модельдерін Apache Kafka ағындық платформасымен біріктіретін, масштабталатын объектіні анықтау конвейері ұсынылады. Ұсынылған архитектура Kafka-ның бөлшектеу (partitioning) және тұтынушылар топтары (consumer groups) механизмдерін пайдалана отырып, параллель өңдеуді қамтамасыз етеді және күрделі жүктеме теңгеру логикасын қажет етпейді. Жүйе нақты іске асыруды көрсету үшін Виртуалды Жеке Серверде (VPS) орналастырылған. Kafka-ның табиғи масштабталуын көрсету үшін екі конфигурация ұсынылады: біреуі –бір бөліктен және бір тұтынушыдан тұрады, ал екіншісі – бес бөліктен және бес тұтынушыдан тұрады. Бұл конфигурациялар Kafka-ның жұмыс жүктемесін бірнеше тұтынушыға қалай тиімді бөлетінін көрнекі түрде көрсетеді. Нақты кідіріс немесе өткізу қабілеті метрикалары көрсетілмегенімен, бұл архитектура Kafka-ның құрылымы жоғары көлемді деректерге жедел жауап қайтаруға қалай мүмкіндік беретінін тиімді түрде көрсетеді. Бұл конвейер уақытқа сезімтал объектіні анықтау тапсырмаларына өте қолайлы және жедел кері байланысты қажет ететін лездік аналитикалық қолданбаларға кеңейтілуі мүмкін.

1. Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You Only Look Once: Unified, Real-Time Object Detection. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 779-788.

2. Han, S., Lee, H., & Park, Y. (2018). A Real-Time Object Detection System Based on Cloud and Edge Computing. In International Conference on Cloud Computing and Big Data (CloudCom), pp. 153-160.

3. Shi, Y., Ding, G., & Wu, Q. (2019). Edge Computing: Vision and Challenges. IEEE Internet of Things Journal, 6(3), 4724-4737.

4. Apache Kafka. Apache Kafka Documentation. Available at: https://kafka.apache.org/39/documentation.html (Accessed: May 2025).

5. J. Redmon and A. Farhadi, “YOLO9000: Better, Faster, Stronger,” 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). IEEE, pp. 6517-6525, Jul. 2017. doi: 10.1109/cvpr.2017.690.

6. A. Soni and A. Rai, “YOLO for Medical Object Detection (2018-2024),” 2024 IEEE 3rd International Conference on Electrical Power and Energy Systems (ICEPES). IEEE, pp. 1-7, Jun. 21, 2024. doi: 10.1109/icepes60647.2024.10653506.

7. C.M. Badgujar, A. Poulose, and H. Gan, “Agricultural object detection with You Only Look Once (YOLO) Algorithm: A bibliometric and systematic literature review,” Computers and Electronics in Agriculture, vol. 223, p. 109090, Aug. 2024, doi: 10.1016/j.compag.2024.109090.

8. H. Chen, “YOLO Algorithm in Analysis and Design of Athletes’ Actions in College Physical Education,” 2024 International Conference on Interactive Intelligent Systems and Techniques (IIST). IEEE, pp. 764-768, Mar. 04, 2024. doi: 10.1109/iist62526.2024.00002.

9. R. Girshick, “Fast R-CNN,” 2015 IEEE International Conference on Computer Vision (ICCV). IEEE, Dec. 2015. doi: 10.1109/iccv.2015.169.

10. Ultralytics, "YOLOv12 Models," Ultralytics Documentation. Available at: https://docs.ultralytics.com/tr/models/yolo12/. (Accessed: May 2025).

11. Artillery Docs. Available at: https://www.artillery.io/docs (Accessed: May 2025).