The impact of dynamic H.265 video compression on YOLO-based object detection algorithms for high-speed UAV navigation

This paper examines how dynamic bitrate compression within digital video transmission frameworks for micro-UAVs (specifically, the DJI O4 Unit Pro) affects computer vision performance. We analyze the degradation in object detection accuracy (mean Average Precision, mAP) of PyTorch-based YOLOv8 models caused by H.265 encoding artifacts and system latency during high-speed aerial maneuvers. Ultimately, the empirical results provide a foundation for optimizing off-board artificial intelligence architectures.

В статье рассматривается, как сжатие с динамическим битрейтом в системах цифровой передачи видео для микро-БПЛА (в частности, DJI O4 Unit Pro) влияет на эффективность компьютерного зрения. Анализируется снижение точности обнаружения объектов (mean Average Precision, mAP) у моделей YOLOv8 на базе PyTorch, вызванное артефактами кодирования H.265 и задержкой системы при высокоскоростном маневрировании в воздухе. Полученные эмпирические результаты в конечном счёте создают основу для оптимизации внебортовых архитектур искусственного интеллекта.

Maqolada mikro uchuvchisiz uchish apparatlari uchun raqamli video uzatish tizimlarida (xususan, DJI O4 Unit Pro) dinamik bitreytli siqish kompyuter ko‘rish tizimlarining samaradorligiga qanday ta’sir ko‘rsatishi o‘rganiladi. H.265 kodlash artefaktlari va yuqori tezlikda havoda manevr qilish paytidagi tizim kechikishi tufayli PyTorch asosidagi YOLOv8 modellarida obyektlarni aniqlash aniqligining (mean Average Precision, mAP) pasayishi tahlil qilinadi. Pirovardida, empirik natijalar bortdan tashqaridagi sun’iy intellekt arxitekturalarini optimallashtirish uchun asos yaratadi.