{"id":12824,"date":"2026-02-15T21:14:26","date_gmt":"2026-02-15T20:14:26","guid":{"rendered":"https:\/\/geopard.tech\/?p=12824"},"modified":"2026-02-15T21:14:26","modified_gmt":"2026-02-15T20:14:26","slug":"idiegimo-informacija-zinancio-tinklo-saugyklos-vaidmuo-efektyviam-bepilociu-orlaiviu-uav-naudojimu-atliekamam-paseliu-stebejimui","status":"publish","type":"post","link":"https:\/\/geopard.tech\/lt\/blog\/role-of-deployment-aware-nas-for-efficient-uav-based-crop-monitoring\/","title":{"rendered":"Vaidmuo, kur\u012f atlieka diegimo optimizavimas, atliekant autonominius bepilotes orlaivi\u0173 (UAV) sistemas draugi\u0161k\u0105 tinklo prie\u017ei\u016br\u0105, siekiant efektyvios pas\u0117li\u0173 steb\u0117senos"},"content":{"rendered":"

B(eronau\u010diai orlaiviai (UAV), dar vadinami dronais, pakei\u010dia modern\u0173j\u012f \u017eem\u0117s \u016bk\u012f, suteikdami greitus vaizdus i\u0161 oro. Jie naudojami pas\u0117liams steb\u0117ti d\u0117l j\u0173 sveikatos, augimo stadijos, kenk\u0117j\u0173, pikt\u017eoli\u0173 ir derliaus \u012fvertinimo. Pavyzd\u017eiui, Kinijoje \u0161iuo metu veikia daugiau nei 250 000 \u017eem\u0117s \u016bkio dron\u0173, o Tailande apie 30% dirbam\u0173 lauk\u0173 buvo padengta dron\u0173 pur\u0161kimo arba steb\u0117jimo paslaugomis iki 2023 m. \u0160ie UAV daro \u017eem\u0117s \u016bk\u012f efektyvesn\u012f, greitai aptikdami problemas (pvz., kenk\u0117j\u0173 protr\u016bkius ar vandens tr\u016bkum\u0105), kurios gali b\u016bti nepasteb\u0117tos ant \u017eem\u0117s.<\/p>\n

Ta\u010diau nedideli bepilo\u010diai orlaiviai turi labai ribot\u0105 borto skai\u010diavimo gali\u0105 ir akumuliatoriaus veikimo laik\u0105. Tod\u0117l sud\u0117ting\u0173 dirbtinio intelekto regos algoritm\u0173 paleidimas juose realiuoju laiku yra i\u0161\u0161\u016bkis. Tradiciniai lengvi objekt\u0173 aptikimo modeliai (pavyzd\u017eiui, ma\u017ey\u010diai YOLO arba \"MobileNet\" grind\u017eiami detektoriai) gali tik i\u0161 dalies patenkinti \u0161iuos poreikius: d\u0117l j\u0173 da\u017enai prarandamas tikslumas arba greitis, be to, juos reikia gerokai derinti rankiniu b\u016bdu. \u0160i spraga motyvuoja dislokacijos poreikius atitinkan\u010di\u0105 neuronin\u0117s architekt\u016bros paie\u0161k\u0105 (NAS): automatinio projektavimo metod\u0105, kuriuo gilaus mokymosi modeliai pritaikomi prie tiksli\u0173 dislokuot\u0173 bepilo\u010di\u0173 orlaivi\u0173 reikalavim\u0173.<\/p>\n

\u0160iuolaikin\u0117je tiksliojoje \u017eemdirbyst\u0117je, la.<\/p>\n

Ta\u010diau ma\u017ei dron\u0173 borto kompiuteriai (da\u017enai apriboti keli\u0173 vat\u0173 galia) sunkiai dirba, kad skryd\u017eio grei\u010diu paleist\u0173 didelius neuroninius tinklus. D\u0117l to sud\u0117tinga atlikti analizes realiu laiku: jei dronas pastebi problem\u0105, jis turi greitai reaguoti arba u\u017efiksuoti duomenis, kol neprad\u0117jo tr\u016bkti baterijos. Dabartiniai lengvieji detektoriai (pvz., YOLOv8 nano, YOLO-tiny, MobileNets) yra sukurti rankiniu b\u016bdu ir da\u017enai apima kompromisus: ma\u017eesnis modelis pagreitina jo veikim\u0105, ta\u010diau gali suma\u017einti tikslum\u0105.<\/p>\n

D\u0117l to kyla didelis poreikis metodams, kurie automati\u0161kai rast\u0173 geriausi\u0105 \u012fmanom\u0105 model\u012f, atsi\u017evelgiant \u012f drono apribojimus. Diegimui pritaikytas NAS (Neural Architecture Search) atitinka \u0161\u012f poreik\u012f, ie\u0161kant neuronini\u0173 tinkl\u0173 architekt\u016br\u0173, kurios kartu optimizuoja aptikimo tikslum\u0105 ir i\u0161tekli\u0173 naudojim\u0105 (v\u0117lavim\u0105, energij\u0105, atmint\u012f) realiomis drono s\u0105lygomis. \u0160is metodas gali tiekti specializuotus modelius, kurie efektyviai veikia drono aparatinei \u012frangai, ta\u010diau i\u0161lieka labai tiksl\u016bs atliekant pas\u0117li\u0173 steb\u0117jimo u\u017eduotis.<\/p>\n

Reikalavimai UAV objekt\u0173 aptikimui \u017eem\u0117s \u016bkio pas\u0117li\u0173 steb\u0117senoje<\/h2>\n

\u017dem\u0117s \u016bkio UAV atlieka \u012fvairias vizualinio aptikimo u\u017eduotis, kuri\u0173 kiekviena kelia skirtingus reikalavimus:<\/p>\n

1. Augal\u0173 sveikatos ir streso aptikimas:<\/strong> Dronai naudoja RGB, termines ar daugiaspektres kameras, kad nustatyt\u0173 stres\u0105 patirian\u010dius augalus, maistini\u0173 med\u017eiag\u0173 tr\u016bkum\u0105 ar lig\u0173 simptomus. Realaus laiko algoritmai gali sudaryti lauk\u0173 variabilumo \u017eem\u0117lapius, leid\u017eian\u010dius valdyti laistym\u0105 ar tr\u0119\u0161im\u0105. Tikslus augal\u0173 streso po\u017eymi\u0173 aptikimas leid\u017eia laiku imtis priemoni\u0173 derliui i\u0161saugoti.<\/p>\n

2. Pikt\u017eoli\u0173 identifikavimas:<\/strong> Aptikti pikt\u017eoles tarp pas\u0117li\u0173 leid\u017eia \u016bkininkams purk\u0161ti tik nepageidaujamus augalus, taupant herbicidus. Pavyzd\u017eiui, tyrime, atliktame medviln\u0117s laukuose, buvo naudojama dron\u0173 (UAV) nuotrauk\u0173 su YOLOv7 pagrindu veikian\u010diu detektoriumi, ir pasiekta apie 83% tikslumas atskiriant pikt\u017eoles nuo medviln\u0117s. Ta\u010diau vizualiai pana\u0161i\u0173 pikt\u017eoli\u0173 ir pas\u0117li\u0173 atskyrimas lieka sud\u0117tingas u\u017egriozdintose lauk\u0173 nuotraukose.<\/p>\n

\"Reikalavimai<\/p>\n

3. Kenk\u0117j\u0173 ir lig\u0173 aptikimas:<\/strong> Be(s)manevriai orlaiviai (UAV) gali aptikti protr\u016bkius (pvz., sk\u0117rius, vabzd\u017eius ar grybelines ligas) anks\u010diau nei \u017emon\u0117s, einantys p\u0117s\u010diomis. Dronai taip pat padeda \u017eem\u0117lapiuose vaizduoti kenk\u0117j\u0173 u\u017ekr\u0117stas zonas, naudojant multispektrin\u012f vaizdavim\u0105, kuris yra geresnis nei vien tik RGB. Greitas ir tikslus kenk\u0117j\u0173 aptikimas yra b\u016btinas, siekiant u\u017ekirsti keli\u0105 j\u0173 plitimui.<\/p>\n

4. Derliaus \u012fvertinimas:<\/strong> Vaisi\u0173, varp\u0173 ar augal\u0173 skai\u010diavimas i\u0161 oro padeda prognozuoti derliaus apimtis. Modeliai, apmokyti atpa\u017einti obuolius, melionus ar kvie\u010di\u0173 varpas UAV vaizduose, gali pagreitinti derliaus vertinim\u0105. Pavyzd\u017eiui, neuroniniai tinklai, naudojant dron\u0173 vaizdus, buvo taikomi arb\u016bz\u0173 ir melion\u0173 pas\u0117liams laukuose skai\u010diuoti.<\/p>\n

5. Topografija ir kartografija:<\/strong> Dronai taip pat kuria lauk\u0173 \u017eem\u0117lapius (topografinius, dirvo\u017eemio skirtum\u0173), kurie padeda planuoti pas\u0117lius. Nors tai n\u0117ra grie\u017etai objekt\u0173 aptikimas, tai yra dron\u0173 steb\u0117jimo dalis.<\/p>\n

\u0160ios u\u017eduotys da\u017enai reikalauja beveik realaus laiko i\u0161vedimo: dronas, skrendantis vir\u0161 lauk\u0173, gali tekti apdoroti vaizdo kadrus \u201eon-the-fly\u201c (kelis kadrus per sekund\u0119), kad b\u016bt\u0173 galima nedelsiant priimti valdymo sprendimus (pvz., pakeisti auk\u0161t\u012f ar \u012fjungti purk\u0161tuv\u0105). Kitais atvejais nedidelis v\u0117lavimas (sekund\u0117s) gali b\u016bti priimtinas, jei duomenys registruojami ir analizuojami po nusileidimo.<\/p>\n

Svarbu tai, kad dron\u0173 vizija turi atlaikyti aplinkos kintamum\u0105: ry\u0161ki\u0105 saul\u0117s \u0161vies\u0105, \u0161e\u0161\u0117lius, v\u0117jo sukelt\u0105 judesio suliejim\u0105, lap\u0173 persidengimo sukeliam\u0105 u\u017edengim\u0105 arba auk\u0161\u010dio bei kampo poky\u010dius. Objekt\u0173 dyd\u017eiai skiriasi (i\u0161 arti esan\u010dios pikt\u017eol\u0117s prie\u0161ais nutolusius kenk\u0117j\u0173 b\u016brius), tod\u0117l detektoriai turi valdyti daugialypius mastelius.<\/p>\n

Galiausiai, \u017eem\u0117s \u016bkio dron\u0173 misijose didelis tikslumas, v\u0117lavimas ir energijos suvartojimas yra glaud\u017eiai susij\u0119. Reikalingas didelis aptikimo tikslumas, kad neb\u016bt\u0173 praleid\u017eiamos pikt\u017eol\u0117s ar kenk\u0117jai, ta\u010diau naudojant labai gilius tinklus baterija gali greitai i\u0161sikrauti. Tod\u0117l aptikimo modelis turi b\u016bti greitas ir energijos taupantis, ta\u010diau pakankamai tikslus atliekant u\u017eduot\u012f. \u0160ie grie\u017eti reikalavimai parodo, kod\u0117l \u017eem\u0117s \u016bkyje naudojamiems dronams reikalingas specialus modeli\u0173 dizainas.<\/p>\n

Lengvi objekto detektoriai, skirti UAV platformoms<\/h2>\n

Lengvi objekto detektoriai yra neuroniniai tinklai, specialiai sukurti veikti ribotos technin\u0117s \u012frangos s\u0105lygomis. Juose da\u017enai naudojami nedideli pagrindiniai tinklai (pvz., MobileNet ar ShuffleNet), suma\u017eintas sluoksni\u0173 plotis arba supaprastinta kaklo\/galvos strukt\u016bra. Pavyzd\u017eiui, YOLO \u0161eimos modeliuose yra \u201cnano\u201d ir \u201ctiny\u201d versijos (pvz., YOLOv8n, YOLOv5s), kurios turi ma\u017eiau parametr\u0173 ir reikalauja ma\u017eiau operacij\u0173 (FLOPs).<\/p>\n

Tokie detektoriai gali veikti de\u0161imtimis kadr\u0173 per sekund\u0119 ant \u012fterptosios aparatin\u0117s \u012frangos, pvz., NVIDIA Jetson Nano ar Google Coral. Pavyzd\u017eiui, Ag-YOLO buvo pagal u\u017esakym\u0105 sukurtas YOLO pagrindu veikiantis detektorius palmi\u0173 plantacijoms, kuris veik\u0117 36,5 fps spart\u0105 ant Intel Neural Compute Stick 2 (naudodamas tik 1,5 W) ir pasiek\u0117 auk\u0161t\u0105 tikslum\u0105 (F1 = 0,9205). \u0160is modelis naudojo apie 12 kart\u0173 ma\u017eiau parametr\u0173 nei YOLOv3-Tiny, dvigubai padidindamas jo spart\u0105.<\/p>\n

\"Lengvi<\/p>\n

\u0160ie pavyzd\u017eiai parodo modelio projektavimo kompromisus: suma\u017einus modelio dyd\u012f ar sud\u0117tingum\u0105 (pvz., ma\u017eiau sluoksni\u0173 ar kanal\u0173), paprastai pagreit\u0117ja i\u0161vedimas ir suma\u017e\u0117ja energijos s\u0105naudos, ta\u010diau gali suprast\u0117ti tikslumas. Ag-YOLO atsisak\u0117 tam tikro paj\u0117gumo, kad pasiekt\u0173 greit\u012f ir efektyvum\u0105, ta\u010diau vis tiek i\u0161laik\u0117 auk\u0161t\u0105 0,92 F1 bal\u0105 savo u\u017eduotyje.<\/p>\n

Pana\u0161iai, vabal\u0173 aptikimui buvo lyginamos trys YOLOv7 variacijos: pilnas YOLOv7 pasiek\u0117 83% tikslum\u0105, o ma\u017eesnis YOLOv7-w6 tinklas suma\u017e\u0117jo iki 63% tikslumo. Tai iliustruoja bendr\u0173j\u0173 lengv\u0173j\u0173 detektori\u0173 apribojim\u0105: vienai aplinkai ar objekt\u0173 tipui pritaikyti modeliai gali blogai veikti kitoje. Optimizuotas grei\u010diui detektorius gali praleisti subtilius \u017eenklus (pvz., ma\u017eas arba u\u017esimaskavusias pikt\u017eoles), o tai kenkia tvirtumui kintant s\u0105lygoms.<\/p>\n

\u017dem\u0117s \u016bkyje \u0161ie bendriniai lengvi tinklai gali b\u016bti ne optimal\u016bs be papildom\u0173 koregavim\u0173. Pavyzd\u017eiui, YOLOv7 modelis, i\u0161 anksto apmokytas bendruose duomen\u0173 rinkiniuose, gali nepriekai\u0161tingai apdoroti unikalias pas\u0117li\u0173 vaizd\u0173 tekst\u016bras ir mastelius. Tod\u0117l reikia optimizuoti modelio architekt\u016br\u0105 konkre\u010diai u\u017eduo\u010diai ir platformai. Rankinis derinimas (kei\u010diant sluoksnius, filtrus ir pan.) kiekvienam naujam dron\u0173 tipui ar pas\u0117li\u0173 veislei reikalauja daug darbo. Tai skatina automatinius metodus \u2013 tokius kaip diegimo galimybes atsi\u017evelgianti NAS (Network Architecture Search) \u2013 siekiant rasti geriausi\u0105 dyd\u017eio, tikslumo ir atsparumo balans\u0105 konkre\u010diai UAV platformai ir \u017eem\u0117s \u016bkio taikymui.<\/p>\n

Neuronini\u0173 architekt\u016br\u0173 paie\u0161ka UAV vizualiose sistemose<\/h2>\n

Neuron\u0173 architekt\u016bros paie\u0161ka (NAS) yra automatizuotas neuronini\u0173 tinkl\u0173 architekt\u016br\u0173 projektavimo metodas. Vietoj rankinio sluoksni\u0173, filtr\u0173 ir jung\u010di\u0173 skai\u010diaus nustatymo, NAS naudoja algoritmus (sustiprinimo mokym\u0105si, evoliucinius metodus arba gradientu pagr\u012fst\u0105 paie\u0161k\u0105) tiria galim\u0173 dizain\u0173 erdv\u0119 ir randa tuos, kurie optimizuoja pasirinkt\u0105 tiksl\u0105 (pvz., tikslum\u0105).<\/p>\n

NAS jau buvo taikytas kuriant mobiliuosius tinklus. Pavyzd\u017eiui, \u201cGoogle\u201d sukurtas \u201eMnasNet\u201c buvo novatori\u0161kas \u201eplatformos atpa\u017einimo\u201c NAS, tiesiogiai \u012ftrauk\u0119s realaus \u012frenginio dels\u0105 \u012f objektyv\u0105. \u201eMnasNet\u201c ie\u0161kodamas kiekvieno kandidatinio modelio matavo i\u0161vad\u0173 laik\u0105 \u201eGoogle Pixel\u201c telefone ir subalansavo tikslum\u0105 pagal \u0161i\u0105 i\u0161matuot\u0105 dels\u0105. Rezultatas \u2013 vaizdo konvoliucini\u0173 tinkl\u0173 (CNN) \u0161eima, kuri mobilioje \u012frangoje buvo greita ir tiksli, ir pranoko rankiniu b\u016bdu sukurtus \u201eMobileNets\u201c ir \u201eNASNet\u201c modelius \u201eImageNet\u201c.<\/p>\n

Ta\u010diau bendrieji NAS metodai, tokie kaip \"MnasNet\", skirti bendroms regos u\u017eduotims (ImageNet klasifikavimas arba COCO aptikimas) ir bendrai techninei \u012frangai (pvz., mobiliesiems telefonams). Bepilo\u010di\u0173 orlaivi\u0173 pas\u0117li\u0173 steb\u0117senos atveju problema yra labiau specializuota. Norime, kad detektoriai b\u016bt\u0173 optimizuoti konkre\u010dioms objekt\u0173 klas\u0117ms (augalai, pikt\u017eol\u0117s, kenk\u0117jai) ir pritaikyti bepilo\u010dio orlaivio jutikliams bei skryd\u017eio profiliui. Standartin\u0117 NAS, kuri optimizuojama tik tikslumui arba bendram v\u0117lavimui, gali nepasteb\u0117ti toki\u0173 niuans\u0173, kaip ma\u017e\u0173 objekt\u0173 aptikimas arba energijos apribojimai.<\/p>\n

Taip pat tradiciniai NAS metodai gali b\u016bti labai iml\u016bs skai\u010diavimams (da\u017enai reikalaujantys dien\u0173 dideliuose GPU klasteriuose), o tai ne visada prakti\u0161ka \u017eem\u0117s \u016bkio tyr\u0117jams. Tod\u0117l UAV vizijai reikalingi specifiniams u\u017edaviniams skirti NAS karkasai. Jame turi b\u016bti integruoti su UAV susij\u0119 kriterijai ir jis turi b\u016bti kuo efektyvesnis.<\/p>\n

Visais atvejais svarbus yra apribojim\u0173 suvokimas: NAS turi suvokti tikslinio \u012frenginio apribojimus (pana\u0161iai kaip MnasNet) ir realaus laiko UAV u\u017eduo\u010di\u0173 poreikius. Jei paie\u0161ka bus per l\u0117ta arba ignoruos energijos suvartojim\u0105, gautas modelis gali i\u0161 ties\u0173 neveikti gerai lauke.<\/p>\n

Prakti\u0161kai, NAS, skirtas dron\u0173 vizijai, tiesiogiai \u012ftraukt\u0173 aparatin\u0117s \u012frangos v\u0117lavim\u0105 ir energijos suvartojim\u0105 \u012f paie\u0161kos metrik\u0105. Pavyzd\u017eiui, galima i\u0161matuoti kandidatinio detektoriaus kadr\u0173 da\u017en\u012f ant realaus drono kompiuterio (pvz., NVIDIA Jetson) ir naudoti j\u012f kaip rezultat\u0105. Tai skiriasi nuo paprast\u0173 tarpini\u0173 dyd\u017ei\u0173, pvz., FLOPs, naudojimo, kurie neatspindi realaus grei\u010dio.<\/p>\n

Tai leid\u017eia NAS atrasti architekt\u016bras, kurios geriausiai i\u0161naudoja \u012frenginio galimybes. Apibendrinant, NAS si\u016blo automatinio detektori\u0173 projektavimo UAV b\u016bd\u0105, ta\u010diau j\u012f reikia pritaikyti atsi\u017evelgiant \u012f UAV specifik\u0105 ir efektyvumo reikalavimus.<\/p>\n

Taikymo at\u017evilgiu s\u0105moninga NAS: pagrindiniai principai<\/h2>\n

Dezultu-\u017einanti NAS ple\u010dia aparatin\u0119-\u017einan\u010di\u0105 NAS, \u012ftraukdama dezulto kontekst\u0105 ir aplinkos apribojimus \u012f projektavimo proces\u0105. Kitaip tariant, ji ne tik atsi\u017evelgia \u012f drono aparatin\u0119 \u012frang\u0105 (CPU\/GPU greit\u012f, atminties apribojimus, energijos biud\u017eet\u0105), bet ir \u012f tai, su kuo UAV i\u0161 tikr\u0173j\u0173 susidurs lauke. Tai rei\u0161kia, kad siekiant didelio aptikimo tikslumo, atskirai optimizuojami tokie rodikliai kaip i\u0161vedimo v\u0117lavimas tiksliniame \u012frenginyje, energijos suvartojimas ir atminties p\u0117dsakas.<\/p>\n

Pavyzd\u017eiui, NAS metu kiekvien\u0105 kandidatin\u012f model\u012f b\u016bt\u0173 galima \u012fdiegti \u201eJetson Nano\u201c \u012frenginyje, pritvirtintame prie drono, ir \u012fra\u0161yti jo tikr\u0105j\u012f i\u0161vedimo laik\u0105 bei energijos suvartojim\u0105. \u0160is empirinis gr\u012f\u017etamasis ry\u0161ys padeda nukreipti paie\u0161k\u0105 link modeli\u0173, kurie i\u0161 tikr\u0173j\u0173 atitinka diegimo kriterijus.<\/p>\n

\"Taikymo<\/p>\n

\u012e aparatin\u0119 \u012frang\u0105 orientuota NAS (pvz., \"MnasNet\") daugiausia d\u0117mesio skiria \u012frenginio metrikai, o \u012f diegim\u0105 orientuota NAS \u017eengia toliau: ji gali atsi\u017evelgti \u012f jutiklio \u012fvesties charakteristikas (pvz., vaizdo skiriam\u0105j\u0105 geb\u0105, daugiaspektrius kanalus) ir taikomosios programos v\u0117lavimo tikslus (reikalingi kadrai per sekund\u0119). Ji netgi gali apimti skryd\u017eio apribojimus, pavyzd\u017eiui, did\u017eiausi\u0105 leistin\u0105 atmint\u012f, arba atlikti vertinimus esant imituojamam v\u0117jo dreb\u0117jimui ar judesio susiliejimui.<\/p>\n

Pritaikoma diegimui NAS gali taikyti sankcijas architekt\u016broms, kurios vir\u0161ija, tarkime, 5W galios s\u0105naudas arba kurioms reikia daugiau atminties nei turi dronas. Tai darydamas, paie\u0161ka nat\u016braliai linksta prie praktini\u0173 modeli\u0173, skirt\u0173 realioms drono operacijoms. I\u0161 esm\u0117s, diegimui pritaikyta NAS yra apie modelio projektavimo ir realaus pasaulio naudojimo ciklo u\u017ebaigim\u0105. U\u017euot pasirinkus architekt\u016br\u0105 atskirai ir tikintis, kad ji veiks, paie\u0161kos metu sistemi\u0161kai atliekami realaus \u012frenginio bandymai.<\/p>\n

Pavyzd\u017eiui, Kerec ir kt. (2026) panaudojo tok\u012f pagrind\u0105 UAV detektoriui ie\u0161koti: jie r\u0117m\u0117si YOLOv8n pagrindu, ta\u010diau \u012f paie\u0161k\u0105 \u012ftrauk\u0117 Jetson Nano v\u0117lavim\u0105 ir energij\u0105. Gautas modelis tur\u0117jo 37% ma\u017eiau GFLOPs ir 61% ma\u017eiau parametr\u0173 nei YOLOv8n, o mAP suma\u017e\u0117jo tik 1.96%. Tai akivaizd\u017eiai parodo, kaip diegimo apribojimai paskatino NAS ie\u0161koti daug lengvesnio, greitesnio tinklo.<\/p>\n

Diskretizacijos na\u0161umo tinklo architektur\u0105 (NAS) vaidmuo tiksli\u0173j\u0173 lauk\u0173 steb\u0117jime<\/h2>\n

Diegimui pritaikytas NAS gali \u017eymiai pagerinti dron\u0173 valdom\u0173 pas\u0117li\u0173 steb\u0117jim\u0105, pritaikant detektorius \u017eem\u0117s \u016bkio s\u0105lygoms. Pavyzd\u017eiui, paie\u0161ka gali teikti pirmenyb\u0119 architekt\u016broms, kurios puikiai aptinka ma\u017eus, plonus objektus (pvz., siaurus pikt\u017eoles ar plonus kukur\u016bz\u0173 daigus) arba atskiria augalus nuo dirvo\u017eemio fono. Jis gali reguliuoti tinklo gyl\u012f ir priiman\u010diuosius laukus atsi\u017evelgiant \u012f tipi\u0161k\u0105 skryd\u017eio auk\u0161t\u012f: \u017eemame auk\u0161tyje objektai u\u017epildo vaizd\u0105 ir gali reikalauti smulki\u0173 detali\u0173, o auk\u0161tesniame auk\u0161tyje tinklas tur\u0117t\u0173 gerai atlikti ma\u017eo masto aptikim\u0105. Diegimui pritaikytas NAS gali \u012ftraukti \u0161iuos reikalavimus \u012f savo paie\u0161kos erdv\u0119.<\/p>\n

Laukelyje greitis yra kritinis. \u012esivaizduokite, kad dronas aptinka kenk\u0117j\u0173 protr\u016bk\u012f; jei modelis yra pakankamai greitas, kad apdorot\u0173 vaizdo \u012fra\u0161\u0105, tarkime, 30 kadr\u0173 per sekund\u0119, jis gali \u012fsp\u0117ti pilot\u0105 arba inicijuoti nedelsiant gydymo veiksm\u0105. Bandymuose NAS suprojektuotas modelis, palyginti su standartiniu YOLOv8n, veik\u0117 28% grei\u010diau \u201eJetson Nano\u201c, d\u0117ka optimizuotos architekt\u016bros. Jis taip pat sunaudojo 18,5% ma\u017eiau energijos naudojant ONNX vykdymo laik\u0105, o tai rei\u0161kia, kad dronas gali skristi ilgiau su ta pa\u010dia baterija. \u0160ie privalumai daro sprendim\u0173 pri\u0117mim\u0105 skrendant labiau \u012fgyvendinam\u0105 ir pailgina misijos trukm\u0119.<\/p>\n

Tvirtumas yra dar vienas privalumas. Kadangi \u012f diegim\u0105 orientuotas NAS apima faktin\u012f prietaiso vertinim\u0105, paie\u0161ka gali apimti testavim\u0105 \u012fvairiomis s\u0105lygomis. Pavyzd\u017eiui, jis gali modeliuoti prast\u0105 ap\u0161vietim\u0105 arba \u012ftraukti treniruo\u010di\u0173 vaizdus i\u0161 au\u0161ros ir sutem\u0173, u\u017etikrindamas, kad galutinis detektorius i\u0161laikys tikslum\u0105 esant realiam orui ir ap\u0161vietimo poky\u010diams. Darbas parod\u0117, kad NAS sukurtas detektorius gerai generalizavosi: j\u012f testavo su dviem skirtingais kult\u016br\u0173 duomen\u0173 rinkiniais (kvie\u010di\u0173 varpos ir medviln\u0117s sodinukai) ir nustat\u0117 ger\u0105 na\u0161um\u0105 abiem atvejais.<\/p>\n

\"Diskretizacijos<\/p>\n

Tai rodo, kad dislokacijai jautrus NAS pad\u0117jo rasti bendr\u0173, nauding\u0173 \u017eem\u0117s \u016bkiui ypatybi\u0173, pagerinant generalizacij\u0105 naujuose laukuose. Apskritai, dislokacijai jautrus NAS padeda subalansuoti tikslum\u0105 ir ilgesn\u012f skryd\u017eio laik\u0105. Suma\u017einus skai\u010diavimus, dronai naudoja ma\u017eiau energijos ir gali apimti didesn\u012f plot\u0105 vienu akumuliatoriaus \u012fkrovimu, vis dar patikimai aptikdami pas\u0117lius ir kenk\u0117jus.<\/p>\n

Paie\u0161kos erdv\u0117s dizainas \u017eem\u0117s \u016bkio UAV detektoriams<\/h2>\n

Svarbi diegimo \u017eini\u0161kos NAS dalis yra paie\u0161kos erdv\u0117 \u2013 galim\u0173 tinklo dizain\u0173 rinkinys, kur\u012f ji<\/p>\n

1. Nugaros dizainas:<\/strong> Stuburas yra bruo\u017e\u0173 i\u0161skirimo modulis. Skraidykli\u0173 (angl. UAV) atveju b\u016bt\u0173 galima \u012ftraukti lengvus konvoliucinius pastatymo blokus, tokius kaip giluminiai atskiriamieji konvoliucionai (angl. depthwise separable convolutions, kaip naudojama MobileNet) arba atvirk\u0161tiniai liekamieji blokai (angl. inverted residual blocks). Atvirk\u0161tiniai liekamieji blokai ir tiesiniai \"buteliai\" (angl. inverted residuals and linear bottlenecks, MobileNetV2 stilius) yra gerai \u017einomi d\u0117l mobiliojo efektyvumo. Paie\u0161kos erdv\u0117 gal\u0117t\u0173 leisti keisti kiekvieno bloko plot\u012f (kanal\u0173 skai\u010di\u0173) ir gyl\u012f, siekiant atitikti skraidykl\u0117s skai\u010diavimo biud\u017eet\u0105. Jei skraidykl\u0117 gali sau leisti tokias funkcijas esant ma\u017eoms energijos s\u0105naudoms, taip pat gal\u0117t\u0173 b\u016bti \u012ftrauktos atkreipian\u010dio d\u0117mesio arba transformeri\u0173 \u012fkv\u0117ptos (angl. attention or transformer-inspired) moduliai.<\/p>\n

2. Kaklo dizainas:<\/strong> Daugelis objekt\u0173 detektori\u0173 naudoja ypatybi\u0173 piramides (FPN) arba kelio agregavimo tinklus, kad sujungt\u0173 \u012fvairaus masto ypatybes. Paie\u0161ka gal\u0117t\u0173 i\u0161tirti supaprastintas FPN arba nesvarias ypatybi\u0173 agregavimo schemas. Pavyzd\u017eiui, galimybi\u0173 gali b\u016bti naudojant vieno masto galv\u0105, palyginti su keli\u0173 mast\u0173 galvomis. \u0160i erdv\u0117 gali leisti naudoti telkimo sluoksnius arba praleid\u017eiamuosius ry\u0161ius, kurie padeda aptikti skirting\u0173 dyd\u017ei\u0173 objektus.<\/p>\n

3. Galvos konstrukcija:<\/strong> Aptikimo galvut\u0119 (klasifikacijos ir d\u0117\u017eut\u0117s regresijos sluoksnius) taip pat galima keisti. Jei dronai stebi vienodus laukus, gali pakakti paprastesn\u0117s galvut\u0117s. Ta\u010diau norint aptikti smulkius pikt\u017eoles, paie\u0161koje gali b\u016bti papildom\u0173 konvoliucini\u0173 sluoksni\u0173 arba skirting\u0173 inkaro schem\u0173.<\/p>\n

4. Lengvi veiksmai:<\/strong> Paie\u0161kos erdv\u0117 gali ai\u0161kiai leisti tik nebrangias operacijas. Pavyzd\u017eiui, pasirenkant tarp 3\u00d73 konvoliucio, arba pigesnio 1\u00d73+3\u00d71 faktorizuoto konvoliucio, ar \u012ftraukiant GhostNet modulius. Ji taip pat gali leisti ma\u017eus branduolio dyd\u017eius arba suma\u017eintus matmenis, kad b\u016bt\u0173 apribotas skai\u010diavimas. Visi \u0161ie pasirinkimai yra nulemti aparatin\u0117s \u012frangos. Erdv\u0117 gali u\u017edrausti bet koki\u0105 sluoksnio konfig\u016bracij\u0105, vir\u0161ijan\u010di\u0105 drono atminties rib\u0105 ar numatom\u0105 energijos slenkst\u012f.<\/p>\n

Kruop\u0161\u010diai suprojektavus \u0161i\u0105 paie\u0161kos erdv\u0119, NAS procesas nukreipiamas link efektyvi\u0173, bet na\u0161umo architekt\u016br\u0173. Rezultatas gali b\u016bti naujas blok\u0173 derinys, kuris nebuvo svarstomas standartiniuose modeliuose. Geriausiai rastas detektorius naudojo pasirinktinius blokus, kurie suma\u017eino GFLOPs 37% ir parametrus 61% lyginant su YOLOv8n.<\/p>\n

Tai buvo \u012fmanoma, nes NAS gal\u0117jo derinti ir priderinti stublo ir galvos elementus pagal UAV apribojimus. Apibendrinant, \u017eem\u0117s \u016bkio UAV detektori\u0173 paie\u0161kos erdv\u0117 daugiausia d\u0117mesio skiria mastel\u012f kei\u010diantiems, lengviems statybiniams blokams ir daugialypesi\u0161kumo tvarkymui, visa tai riboja borto technin\u0117 \u012franga.<\/p>\n

Optimizavimo tikslai ir apribojimai<\/h2>\n

Taikymo informuotas NAS turi derinti kelis tikslus. Pagrindinis tikslas paprastai yra aptikimo tikslumas (pvz., vidutinis tikslumas, mAP), matuojamas pagal augalininkyst\u0117s steb\u0117jimo duomenis. Pavyzd\u017eiui, mAP@50 (tikslumas prie 50% IOU) yra da\u017enas metrikas. NAS optimizuotas modelis tur\u0117jo tik 1,96% suma\u017e\u0117jim\u0105 mAP@50, palyginti su baziniu YOLOv8n, o tai yra labai nedidelis nuostolis u\u017e pasiektus privalumus. Taip pat atsi\u017evelgiama \u012f tikslum\u0105 ir at\u0161aukim\u0105 (arba F1 bal\u0105) pagrindin\u0117se klas\u0117se (pikt\u017eol\u0117s, pas\u0117liai).<\/p>\n

Tuo pat metu reikia optimizuoti delsos laik\u0105 ir energijos s\u0105naudas. Delso laikas yra i\u0161vedimo laikas vienam vaizdui; \u012fterptajai GPU jis gali b\u016bti 20\u201350 ms ar daugiau. Ma\u017eesnis delsos laikas rei\u0161kia didesn\u012f kadr\u0173 da\u017en\u012f. Energijos suvartojimas (d\u017eauliai vienam kadrui) yra labai svarbus skryd\u017eio trukmei. Kitas apribojimas yra atminties naudojimas (parametr\u0173 skai\u010dius, modelio dydis); modeliai turi tilpti \u012f \u012frenginio RAM. Tod\u0117l NAS paprastai nustato \u0161i\u0173 apribojim\u0173 tiksl\u0105 arba baud\u0105.<\/p>\n

Pavyzd\u017eiui, bet kuris modelis, l\u0117tesnis u\u017e tam tikr\u0105 rib\u0105 arba vir\u0161ijantis parametr\u0173 biud\u017eet\u0105, gali b\u016bti \u017eeminamas reitinge. Tai veiksmingai paver\u010dia NAS daugialyp\u0117s optimizacijos problema: maksimaliai padidinti tikslum\u0105, tuo pa\u010diu minimaliai suma\u017einant v\u0117lavim\u0105, energijos s\u0105naudas ir dyd\u012f.<\/p>\n

Prakti\u0161kai tai b\u016bt\u0173 galima padaryti svyruojan\u010diu tiksl\u0173 sumavimu arba grie\u017etais apribojimais. Kai kurie metodai taiko didel\u0119 baud\u0105 bet kuriam kandidatui, vir\u0161ijan\u010diam UAV galios rib\u0105. Kiti tiesiogiai apskai\u010diuoja energijos metrik\u0105: modeliai buvo i\u0161bandyti naudojant ONNX runtime, siekiant \u012fvertinti \u201cenergijos efektyvum\u0105\u201d, ir geriausias modelis buvo +18,5% efektyvesnis energijos at\u017evilgiu nei YOLOv8n. Tai buvo vienas i\u0161 tiksl\u0173, kuriuo vadovavosi j\u0173 paie\u0161ka.<\/p>\n

Aptarti kompromisai gali b\u016bti vizualizuojami Pareto fronte: viename gale yra itin greiti, bet ma\u017eiau tiksl\u016bs modeliai, kitame \u2013 dideli, tiksl\u016bs, ta\u010diau per l\u0117ti ar per daug energijos reikalaujantys modeliai dronui. Taikomiesiems tikslams pritaikytas modeli\u0173 architekt\u016bros optimizavimas (NAS) siekia rasti optimali\u0105 viet\u0105 \u0161iame fronte, atitinkan\u010di\u0105 realios misijos prioritetus (pvz., nedidelis tikslumo suma\u017e\u0117jimas u\u017e didel\u012f pagreitinim\u0105). Apibendrinant, NAS turi kartu atsi\u017evelgti \u012f tikslumo metrikas (mAP, F1) ir apribojimus vykdymui (ms per kadr\u0105, d\u017eauliai per kadr\u0105, atmintis). \u0160is subalansuotas optimizavimas padaro model\u012f visi\u0161kai paruo\u0161t\u0105 naudojimui bepilot\u0117se oro transporto priemon\u0117se.<\/p>\n

Mokymas ir vertinimas realiose \u017eem\u0117s \u016bkio s\u0105lygose<\/h2>\n

Kad NAS rasti detektoriai veikt\u0173 gerai, jie turi b\u016bti apmokyti ir i\u0161bandyti naudojant realius \u017eem\u0117s \u016bkio duomenis. Tai rei\u0161kia, kad reikia naudoti duomen\u0173 rinkinius, kurie atspind\u0117t\u0173 tikr\u0173 lauk\u0173 \u012fvairov\u0119: skirtingas augal\u0173 r\u016b\u0161is, augimo stadijas, sezonus, ap\u0161vietimo s\u0105lygas ir auk\u0161t\u012f. Pavyzd\u017eiui, mokymasis tik i\u0161 jaun\u0173 kukur\u016bz\u0173 daig\u0173 nuotrauk\u0173 gali nesusieta su brand\u017ei\u0173 kvie\u010di\u0173 varpomis. Laukus atstovaujantys duomen\u0173 rinkiniai u\u017etikrina, kad modelis i\u0161mokt\u0173 bruo\u017eus, kurie yra svarb\u016bs \u016bkyje. Mokymo metu taip pat gali b\u016bti taikomi duomen\u0173 padidinimo metodai (atsitiktiniai apkarpymai, ry\u0161kumo pakeitimai, suliejimas d\u0117l judesio), siekiant imituoti drono jud\u0117jim\u0105 ir ap\u0161vietim\u0105.<\/p>\n

\"Mokymas<\/p>\n

Vertinant svarbu testuoti model\u012f kuo artimesn\u0117mis realioms s\u0105lygomis. Simuliavimo \u012frankiai gali pad\u0117ti (pvz., virtualaus drono skridimas vir\u0161 3D lauk\u0173), ta\u010diau tikri skryd\u017ei\u0173 testai yra aukso standartas. Borto palyginimas atliekamas paleid\u017eiant model\u012f ant realios UAV \u012frangos. Po NAS jie \u012fdieg\u0117 kandidat\u0105 \u012f Jetson Nano ir i\u0161matavo 28,1% greitesn\u0119 i\u0161vad\u0105 (palyginti su baziniu YOLOv8n) ir geresn\u012f energijos naudojim\u0105. Toks gr\u012f\u017etamasis ry\u0161ys i\u0161 realaus \u012frenginio patvirtina, kad paie\u0161ka dav\u0117 model\u012f, kuris tikrai atitinka reikalavimus.<\/p>\n

Generalizacija taip pat yra svarbi. Modelis gali b\u016bti ie\u0161komas ir apmokytas vienam pas\u0117liui (pvz., kvie\u010diams), ta\u010diau \u016bkininkams reikalingi detektoriai, veikiantys \u012fvairiuose laukuose. Tyrimas parod\u0117 stipri\u0105 tarp pas\u0117li\u0173 generalizacij\u0105: NAS gautas detektorius, apmokytas vienai u\u017eduo\u010diai, vis tiek gerai veik\u0117 su kita pas\u0117li\u0173 duomen\u0173 rinkiniu (medviln\u0117s daigais) be permokymo. Tai rodo, kad diegimui pritaikytas NAS gali duoti tvirtas architekt\u016bras. Ta\u010diau domen\u0173 poky\u010diai (pvz., per\u0117jimas i\u0161 kukur\u016bz\u0173 lauk\u0173 \u012f sodus) vis tiek gali reikalauti tikslaus derinimo ar papildomos paie\u0161kos. Taip pat patariama atlikti bandymus tarp sezon\u0173 (vasaros ir rudens vaizdin\u0117 med\u017eiaga).<\/p>\n

Galiausiai, prie\u0161 diegiant kiekvien\u0105 nauj\u0105 model\u012f, jis tur\u0117t\u0173 b\u016bti bandomas UAV platformoje. Tai apima jo tikslumo ir grei\u010dio fiksavim\u0105 dronuose, u\u017etikrinant, kad jis neperkaist\u0173 aparat\u016bros, ir energijos suvartojimo patikrinim\u0105. Tik tada \u016bkininkai gal\u0117s juo pasitik\u0117ti atlikdami kritin\u0117s svarbos steb\u0117jimo u\u017eduotis. Sujungus su lauko s\u0105lygomis susijus\u012f mokym\u0105 ir grie\u017et\u0105 aparat\u016bros vertinim\u0105, diegimui tinkama NAS sukuria detektorius, kurie yra ne tik teori\u0161kai efektyv\u016bs, bet ir \u012frodyti lauko s\u0105lygomis.<\/p>\n

Privalumai, lyginant su ranka projektuojamais dron\u0173 detektoriais<\/h2>\n

Dyd\u017eio taupymas paremtas tinklo paie\u0161kos metodas (Deployment-aware NAS) si\u016blo kelis akivaizd\u017eius privalumus, palyginti su tradiciniais, rankiniu b\u016bdu sukurtais bepilo\u010di\u0173 orlaivi\u0173 modeliais:<\/p>\n

1. Geresni na\u0161umo kompromisai:<\/strong> NAS-rasti modeliai paprastai u\u017etikrina auk\u0161tesn\u012f tikslumo, grei\u010dio ir energijos efektyvumo derinim\u0105. Pavyzd\u017eiui, geriausias modelis Jetson Nano veik\u0117 28% grei\u010diau ir naudojo 18,5% ma\u017eiau energijos nei rankiniu b\u016bdu pasirinktas YOLOv8n bazinis modelis, prarandant tik apie 2% aptikimo mAP. Toki\u0105 pusiausvyr\u0105 pasiekti rankiniu b\u016bdu b\u016bt\u0173 labai sunku.<\/p>\n

2. Geresnis apibendrinimas:<\/strong> NAS sukurti modeliai gali b\u016bti labiau pritaikomi prie nauj\u0173 s\u0105lyg\u0173, nes paie\u0161ka gali apimti \u012fvairius duomenis ar tikslus. Automati\u0161kai suprojektuotas detektorius gerai generalizavosi tarp skirting\u0173 pas\u0117li\u0173 tip\u0173 (kvie\u010di\u0173 ir medviln\u0117s) bei ap\u0161vietimo s\u0105lyg\u0173. Toks platus atsparumas yra gyvybi\u0161kai svarbus, kai skryd\u017ei\u0173 metu pasitaiko netik\u0117t\u0173 scen\u0173.<\/p>\n

3. Suma\u017eintos in\u017einerin\u0117s pastangos:<\/strong> NAS automatizuoja daug bandym\u0173 ir klaid\u0173. U\u017euot rankiniu b\u016bdu koregavus sluoksni\u0173 dyd\u017eius ir i\u0161band\u017eius daugyb\u0119 kandidat\u0173, diegimui paruo\u0161tas NAS iteratyviai tyrin\u0117ja pasirinkimus ir randa jums geriausi\u0105 dizain\u0105. Tai taupo k\u016brimo laik\u0105 ir patirt\u012f, palengvina detektori\u0173 atnaujinim\u0105 naujoms u\u017eduotims ar techninei \u012frangai.<\/p>\n

4. Mastelis:<\/strong> Kai NAS sistema yra nustatyta, j\u0105 galima naudoti skirtingoms UAV platformoms ar misijoms. Pavyzd\u017eiui, tas pats diegim\u0105 \u017einantis NAS gal\u0117t\u0173 ie\u0161koti detektoriaus, suderinto su skirtinga kameros skiriam\u0105ja geba ar drono modeliu, tiesiog pakeitus apribojim\u0173 \u012fvestis. Tai yra daug labiau pritaikoma nei perkuriant tinklus nuo nulio kiekvienam scenarijui.<\/p>\n

I\u0161\u0161\u016bkiai ir apribojimai<\/h2>\n

\u012ediegimui pritaikytas NAS yra galingas, bet ne stebuklingas vaistas. J\u012f reikia taikyti apgalvotai, atsi\u017evelgiant \u012f jo resurs\u0173 poreikius ir tikslin\u0117s aplinkos kintamum\u0105. Nepaisant savo pa\u017ead\u0173, \u012fdiegimui pritaikytas NAS susiduria su i\u0161\u0161\u016bkiais:<\/p>\n

1. Didel\u0117s paie\u0161kos i\u0161laidos:<\/strong> NAS gali reikalauti \u017eenklios skai\u010diavimo galios. Net ir naudojant efektyvius algoritmus, architekt\u016bros erdv\u0117s paie\u0161ka gali u\u017etrukti daug GPU valand\u0173 (arba specializuoto skai\u010diavimo). Jei tinkamai nesuvaldyta, paie\u0161kos s\u0105naudos kai kurioms komandoms gali b\u016bti neprakti\u0161kos.<\/p>\n

2. Duomen\u0173 \u0161ali\u0161kumas ir domen\u0173 poslinkis:<\/strong> NAS yra toks geras, koks yra jo naudojam\u0173 duomen\u0173. Jei mokymo vaizdai neatspindi lauko s\u0105lyg\u0173, rasta architekt\u016bra gali veikti nepakankamai realiomis s\u0105lygomis. Pavyzd\u017eiui, modelis, pritaikytas vienai pas\u0117li\u0173 r\u016b\u0161iai ar vienam geografiniam regionui, gali negalioti be papildomo adaptavimo kitur.<\/p>\n

3. Aparat\u016bros \u012fvairov\u0117:<\/strong> Skraidan\u010di\u0173 bepilo\u010di\u0173 orlaivi\u0173 aparatin\u0117 \u012franga b\u016bna \u012fvairi (skirtingos integruotos GPU, CPU, FPGA). Vienai plok\u0161tei optimizuotas modelis gali b\u016bti neoptimalus kitai. Diegimui pritaikytas NAS turi arba pakartotinai atlikti paie\u0161kas kiekvienai platformai, arba naudoti konservatyvius apribojimus, tinkan\u010dius visoms \u2013 tai gali riboti na\u0161um\u0105.<\/p>\n

4. Praktiniai apribojimai:<\/strong> Taikant realioje aplinkoje, \u016bkininkavimo sprendimai apima tokius klausimus kaip belaidis tinklo atnaujinimas, sistemos integravimas su skryd\u017eio valdymu ir saugos sertifikavimas. Net geriausias NAS modelis turi b\u016bti integruotas \u012f vis\u0105 dron\u0173 sistem\u0105. Modelio atnaujinim\u0173, leidim\u0173 gavimo ir \u016bkinink\u0173 mokymo derinimas yra ne technin\u0117s kli\u016btys.<\/p>\n

Ateities kryptys<\/h2>\n

Ateityje tik\u0117tina dar glaudesn\u0117 modeli\u0173 dizaino, jutikli\u0173 technologij\u0173 ir UAV valdymo integracija. Diegimui pritaikytas NAS i\u0161liks svarbia \u0161io bendro projektavimo proceso priemone. \u017dvelgiant \u012f ateit\u012f, atsiveria kelios \u012fdomios kryptys:<\/p>\n

1. Internetinis ir prisitaikantis NAS:<\/strong> U\u017euot vienkartin\u0117s paie\u0161kos neprisijungus, ateities sistemos gal\u0117t\u0173 tinklu pasir\u016bpinti realiuoju laiku arba tarp skryd\u017ei\u0173. Pavyzd\u017eiui, dronas gal\u0117t\u0173 prad\u0117ti nuo bazinio modelio ir, naudodamas lengvus NAS algoritmus, prisitaikyti kelyje, kad susidorot\u0173 su naujomis ap\u0161vietimo ar reljefo s\u0105lygomis. \u0160is \u201cNAS \u012frenginyje\u201d yra labai sud\u0117tingas, bet gali \u017eymiai pagerinti pritaikomum\u0105.<\/p>\n

2. Jutikli\u0173 ir modeli\u0173 bendras projektavimas:<\/strong> Ateities tiksliosios \u017eemdirbyst\u0117s sistemos gal\u0117t\u0173 kartu optimizuoti kameros (RGB, multispektrin\u0119, infraraudon\u0173j\u0173 spinduli\u0173) ir neuroninio tinklo pasirinkim\u0105. Diegimui pritaikomas tinkl\u0173 paie\u0161kos metodas (NAS) gal\u0117t\u0173 b\u016bti i\u0161pl\u0117stas, \u012ftraukiant jutiklio parametrus (pvz., naudojamus spektrinius da\u017eni\u0173 ruo\u017eus) \u012f savo paie\u0161k\u0105, raskdamas geriausi\u0105 aparatin\u0117s \u012frangos ir modelio derin\u012f.<\/p>\n

3. Multispektrin\u0117\/hiperspektrin\u0117 integracija:<\/strong> Medviln\u0117s lig\u0173 tyrimas rodo, kad daugiaspektri\u0173 vaizd\u0173 integravimas gali pagerinti aptikim\u0105, ypa\u010d ankstyvos stadijos problem\u0173. B\u016bsimi NAS gal\u0117t\u0173 i\u0161tirti keli\u0173 sraut\u0173 modelius, kurie sujungia RGB ir artimuosius infraraudonuosius kanalus, kad patikimiau aptikt\u0173 subtilius augal\u0173 poky\u010dius.<\/p>\n

4. Autonomin\u0117s sprendim\u0173 pri\u0117mimo sistemos:<\/strong> Galiausiai, NAS optimizuoti detektoriai gali prisid\u0117ti prie visi\u0161kos autonomijos. Pavyzd\u017eiui, dronas gal\u0117t\u0173 automati\u0161kai sugeneruoti pur\u0161kimo plan\u0105 arba \u012fsp\u0117ti \u016bkio vadovus, jei aptikt\u0173 tam tikras s\u0105lygas. Supl\u0117timo informuotas NAS gal\u0117t\u0173 b\u016bti i\u0161pl\u0117stas iki visapusio darbo proceso (detekcija + veiksmo modeliai), optimizuojant vis\u0105 sistem\u0105.<\/p>\n

5. Etikos ir aplinkosaugos aspektai:<\/strong> Kadangi bepilo\u010diai orlaiviai (UAV) tampa vis paj\u0117gesni, turime atsi\u017evelgti \u012f privatum\u0105, oro erdv\u0117s saugum\u0105 ir poveik\u012f \u017eem\u0117s \u016bkio darbuotojams (kaip pa\u017eym\u0117jo Agrawal ir Arafat). U\u017etikrinti, kad Nacionalin\u0117s oro erdv\u0117s sistemos (NAS) optimizuoti dronai b\u016bt\u0173 atsakingai naudojami \u017eem\u0117s \u016bkyje, yra svarbus ateities tikslas.<\/p>\n

I\u0161vada<\/h2>\n

Suderinamas su dislokavimu tinklinis-archytektonikos paie\u0161kos (NAS) yra galingas b\u016bdas pritaikyti lengvus objekt\u0173 detektorius, skirtus dronais pagr\u012fstam pas\u0117li\u0173 steb\u0117jimui. \u012etraukus dron\u0173 aparatin\u0119 \u012frang\u0105 ir misijos apribojimus \u012f paie\u0161k\u0105, sukuriami modeliai, kurie taupo skai\u010diavimo paj\u0117gumus ir energij\u0105, daug nekarpydami tikslumo. Pavyzd\u017eiui, neseniai atlikti darbai parod\u0117, kad NAS sukurtas detektorius naudoja 37%ma\u017eiau FLOP ir 61% ma\u017eiau parametr\u0173 nei etaloninis YOLOv8n, ta\u010diau jo mAP suma\u017e\u0117jo tik ~2%.<\/p>\n

Prakti\u0161kai dron\u0173 aparatin\u0117je \u012frangoje tai rei\u0161k\u0117 28% spartesn\u0119 i\u0161vad\u0105 ir 18% geresn\u012f energijos efektyvum\u0105. Tokie laim\u0117jimai rei\u0161kia ilgesn\u012f skryd\u017eio laik\u0105, greitesn\u0119 analiz\u0119 ir jautresn\u012f \u017eem\u0117s \u016bkio palaikym\u0105. Palyginti su rankiniu b\u016bdu sukurtam modeliams, diegimui pritaikytas NAS u\u017etikrina geresn\u012f na\u0161umo geb\u0117jim\u0105 bendrinti, ma\u017eesnes rankinio derinimo pastangas ir galimyb\u0119 pritaikyti naujoms UAV platformoms.<\/p>\n

Tikslumo \u017eem\u0117s \u016bkyje \u0161ie patobulinimai gali padaryti bepilo\u010di\u0173 orlaivi\u0173 (BPO) pas\u0117li\u0173 steb\u0117jim\u0105 prakti\u0161kesn\u012f ir efektyvesn\u012f. BPO, apr\u016bpinti NAS optimizuotais detektoriais, gali patikimiau aptikti pikt\u017eoles, kenk\u0117jus ar stres\u0105, leid\u017eiant laiku imtis veiksm\u0173, taupant i\u0161teklius ir didinant derli\u0173. \u017dem\u0117s \u016bkiui toliau diegiant BPO ir dirbtin\u012f intelekt\u0105, diegimo informuotumas NAS vaidins pagrindin\u012f vaidmen\u012f u\u017etikrinant, kad BPO veikiantys modeliai b\u016bt\u0173 efektyv\u016bs, tiksl\u016bs ir parengti darbui laukuose. Tai suma\u017eina atotr\u016bk\u012f tarp pa\u017eangiausi\u0173 neuronini\u0173 tinkl\u0173 tyrim\u0173 ir praktini\u0173 \u016bkinink\u0173 poreiki\u0173, padedant skatinti ateities duomenimis pagr\u012fst\u0105, tiksliojo \u017eem\u0117s \u016bkio pl\u0117tr\u0105.<\/p>","protected":false},"excerpt":{"rendered":"

Bepilo\u010diai orlaiviai (UAV) arba dronai kei\u010dia \u0161iuolaikin\u012f \u017eem\u0117s \u016bk\u012f, teikdami greitus lauk\u0173 vaizdus i\u0161 oro. Jie naudojami pas\u0117liams skenuoti d\u0117l j\u0173 sveikatos,\u2026<\/p>","protected":false},"author":210157960,"featured_media":12831,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_coblocks_attr":"","_coblocks_dimensions":"","_coblocks_responsive_height":"","_coblocks_accordion_ie_support":"","_eb_attr":"","content-type":"","_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":false,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"_wpcom_ai_launchpad_first_post":false,"_jetpack_hide_featured_image":false,"_jetpack_featured_image_duplicate_dismissed":0,"_jetpack_feature_clip_id":0,"_jetpack_memberships_contains_paid_content":false,"footnotes":"","jetpack_publicize_message":"{title}\n\n{excerpt}\n\n{url}","jetpack_publicize_feature_enabled":true,"jetpack_social_post_already_shared":true,"jetpack_social_options":{"image_generator_settings":{"template":"highway","default_image_id":0,"font":"","enabled":false},"version":2},"_wpas_customize_per_network":false,"jetpack_post_was_ever_published":false},"categories":[1377],"tags":[],"class_list":["post-12824","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-crop-monitoring"],"acf":[],"yoast_head":"\nRole of Deployment-Aware NAS for Efficient UAV-Based Crop Monitoring - GeoPard<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/geopard.tech\/lt\/tinklarastis\/idiegimo-informacija-zinancio-tinklo-saugyklos-vaidmuo-efektyviam-bepilociu-orlaiviu-uav-naudojimu-atliekamam-paseliu-stebejimui\/\" \/>\n<meta property=\"og:locale\" content=\"lt_LT\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Role of Deployment-Aware NAS for Efficient UAV-Based Crop Monitoring - GeoPard\" \/>\n<meta property=\"og:description\" content=\"Unmanned Aerial Vehicles (UAVs), or drones, are transforming modern agriculture by providing fast, aerial views of fields. They are used to scan crops for health,...\" \/>\n<meta property=\"og:url\" content=\"https:\/\/geopard.tech\/lt\/tinklarastis\/idiegimo-informacija-zinancio-tinklo-saugyklos-vaidmuo-efektyviam-bepilociu-orlaiviu-uav-naudojimu-atliekamam-paseliu-stebejimui\/\" \/>\n<meta property=\"og:site_name\" content=\"GeoPard - Precision agriculture Mapping software\" \/>\n<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/geopardAgriculture\/\" \/>\n<meta property=\"article:published_time\" content=\"2026-02-15T20:14:26+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/geopard.tech\/wp-content\/uploads\/2026\/02\/Role-of-Deployment-Aware-NAS-for-Efficient-UAV-Based-Crop-Monitoring.png\" \/>\n\t<meta property=\"og:image:width\" content=\"1920\" \/>\n\t<meta property=\"og:image:height\" content=\"1080\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"author\" content=\"dementievgeopard\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:creator\" content=\"@geopardagri\" \/>\n<meta name=\"twitter:site\" content=\"@geopardagri\" \/>\n<meta name=\"twitter:label1\" content=\"Written by\" \/>\n\t<meta name=\"twitter:data1\" content=\"dementievgeopard\" \/>\n\t<meta name=\"twitter:label2\" content=\"Est. reading time\" \/>\n\t<meta name=\"twitter:data2\" content=\"20 minu\u010di\u0173\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/role-of-deployment-aware-nas-for-efficient-uav-based-crop-monitoring\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/role-of-deployment-aware-nas-for-efficient-uav-based-crop-monitoring\\\/\"},\"author\":{\"name\":\"dementievgeopard\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#\\\/schema\\\/person\\\/dd217733c742620adc57befbbcd84a8a\"},\"headline\":\"Role of Deployment-Aware NAS for Efficient UAV-Based Crop Monitoring\",\"datePublished\":\"2026-02-15T20:14:26+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/role-of-deployment-aware-nas-for-efficient-uav-based-crop-monitoring\\\/\"},\"wordCount\":4068,\"commentCount\":0,\"publisher\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/#organization\"},\"image\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/role-of-deployment-aware-nas-for-efficient-uav-based-crop-monitoring\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2026\\\/02\\\/Role-of-Deployment-Aware-NAS-for-Efficient-UAV-Based-Crop-Monitoring.png?fit=1920%2C1080&ssl=1\",\"articleSection\":[\"Crop monitoring\"],\"inLanguage\":\"lt-LT\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\\\/\\\/geopard.tech\\\/blog\\\/role-of-deployment-aware-nas-for-efficient-uav-based-crop-monitoring\\\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/role-of-deployment-aware-nas-for-efficient-uav-based-crop-monitoring\\\/\",\"url\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/role-of-deployment-aware-nas-for-efficient-uav-based-crop-monitoring\\\/\",\"name\":\"Role of Deployment-Aware NAS for Efficient UAV-Based Crop Monitoring - GeoPard\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/role-of-deployment-aware-nas-for-efficient-uav-based-crop-monitoring\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/role-of-deployment-aware-nas-for-efficient-uav-based-crop-monitoring\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2026\\\/02\\\/Role-of-Deployment-Aware-NAS-for-Efficient-UAV-Based-Crop-Monitoring.png?fit=1920%2C1080&ssl=1\",\"datePublished\":\"2026-02-15T20:14:26+00:00\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/role-of-deployment-aware-nas-for-efficient-uav-based-crop-monitoring\\\/#breadcrumb\"},\"inLanguage\":\"lt-LT\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/geopard.tech\\\/blog\\\/role-of-deployment-aware-nas-for-efficient-uav-based-crop-monitoring\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"lt-LT\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/role-of-deployment-aware-nas-for-efficient-uav-based-crop-monitoring\\\/#primaryimage\",\"url\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2026\\\/02\\\/Role-of-Deployment-Aware-NAS-for-Efficient-UAV-Based-Crop-Monitoring.png?fit=1920%2C1080&ssl=1\",\"contentUrl\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2026\\\/02\\\/Role-of-Deployment-Aware-NAS-for-Efficient-UAV-Based-Crop-Monitoring.png?fit=1920%2C1080&ssl=1\",\"width\":1920,\"height\":1080,\"caption\":\"Role of Deployment-Aware NAS for Efficient UAV-Based Crop Monitoring\"},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/role-of-deployment-aware-nas-for-efficient-uav-based-crop-monitoring\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/geopard.tech\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Role of Deployment-Aware NAS for Efficient UAV-Based Crop Monitoring\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#website\",\"url\":\"https:\\\/\\\/geopard.tech\\\/\",\"name\":\"GeoPard - Precision agriculture software\",\"description\":\"Precision agriculture Mapping software\",\"publisher\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/#organization\"},\"alternateName\":\"GeoPard\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/geopard.tech\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"lt-LT\"},{\"@type\":\"Organization\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#organization\",\"name\":\"GeoPard Agriculture\",\"alternateName\":\"GeoPard\",\"url\":\"https:\\\/\\\/geopard.tech\\\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"lt-LT\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#\\\/schema\\\/logo\\\/image\\\/\",\"url\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2026\\\/07\\\/geopard_logo_transparentbackground.png?fit=512%2C68&ssl=1\",\"contentUrl\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2026\\\/07\\\/geopard_logo_transparentbackground.png?fit=512%2C68&ssl=1\",\"width\":512,\"height\":68,\"caption\":\"GeoPard Agriculture\"},\"image\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/#\\\/schema\\\/logo\\\/image\\\/\"},\"sameAs\":[\"https:\\\/\\\/www.facebook.com\\\/geopardAgriculture\\\/\",\"https:\\\/\\\/x.com\\\/geopardagri\",\"https:\\\/\\\/www.linkedin.com\\\/company\\\/geopard-agriculture\\\/\",\"https:\\\/\\\/www.instagram.com\\\/geopardagriculture\\\/\",\"https:\\\/\\\/www.youtube.com\\\/channel\\\/UCiaPGLAhRPNh-s85dXdC-Sw\",\"https:\\\/\\\/www.g2.com\\\/products\\\/geopard-agriculture-precision-farming-software\\\/reviews\"]},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#\\\/schema\\\/person\\\/dd217733c742620adc57befbbcd84a8a\",\"name\":\"dementievgeopard\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"lt-LT\",\"@id\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/7c09adac9c20b00454199df5a41ea67c812a6c97e948bf109899836ddde31354?s=96&d=identicon&r=g\",\"url\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/7c09adac9c20b00454199df5a41ea67c812a6c97e948bf109899836ddde31354?s=96&d=identicon&r=g\",\"contentUrl\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/7c09adac9c20b00454199df5a41ea67c812a6c97e948bf109899836ddde31354?s=96&d=identicon&r=g\",\"caption\":\"dementievgeopard\"}}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Diegimo s\u0105moning\u0173 NAS vaidmuo efektyviam bepilo\u010di\u0173 orlaivi\u0173 (UAV) pagr\u012fstam pas\u0117li\u0173 steb\u0117jimui \u2013 \u201eGeoPard\u201c","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/geopard.tech\/lt\/tinklarastis\/idiegimo-informacija-zinancio-tinklo-saugyklos-vaidmuo-efektyviam-bepilociu-orlaiviu-uav-naudojimu-atliekamam-paseliu-stebejimui\/","og_locale":"lt_LT","og_type":"article","og_title":"Role of Deployment-Aware NAS for Efficient UAV-Based Crop Monitoring - GeoPard","og_description":"Unmanned Aerial Vehicles (UAVs), or drones, are transforming modern agriculture by providing fast, aerial views of fields. They are used to scan crops for health,...","og_url":"https:\/\/geopard.tech\/lt\/tinklarastis\/idiegimo-informacija-zinancio-tinklo-saugyklos-vaidmuo-efektyviam-bepilociu-orlaiviu-uav-naudojimu-atliekamam-paseliu-stebejimui\/","og_site_name":"GeoPard - Precision agriculture Mapping software","article_publisher":"https:\/\/www.facebook.com\/geopardAgriculture\/","article_published_time":"2026-02-15T20:14:26+00:00","og_image":[{"width":1920,"height":1080,"url":"https:\/\/geopard.tech\/wp-content\/uploads\/2026\/02\/Role-of-Deployment-Aware-NAS-for-Efficient-UAV-Based-Crop-Monitoring.png","type":"image\/png"}],"author":"dementievgeopard","twitter_card":"summary_large_image","twitter_creator":"@geopardagri","twitter_site":"@geopardagri","twitter_misc":{"Written by":"dementievgeopard","Est. reading time":"20 minu\u010di\u0173"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/geopard.tech\/blog\/role-of-deployment-aware-nas-for-efficient-uav-based-crop-monitoring\/#article","isPartOf":{"@id":"https:\/\/geopard.tech\/blog\/role-of-deployment-aware-nas-for-efficient-uav-based-crop-monitoring\/"},"author":{"name":"dementievgeopard","@id":"https:\/\/geopard.tech\/#\/schema\/person\/dd217733c742620adc57befbbcd84a8a"},"headline":"Role of Deployment-Aware NAS for Efficient UAV-Based Crop Monitoring","datePublished":"2026-02-15T20:14:26+00:00","mainEntityOfPage":{"@id":"https:\/\/geopard.tech\/blog\/role-of-deployment-aware-nas-for-efficient-uav-based-crop-monitoring\/"},"wordCount":4068,"commentCount":0,"publisher":{"@id":"https:\/\/geopard.tech\/#organization"},"image":{"@id":"https:\/\/geopard.tech\/blog\/role-of-deployment-aware-nas-for-efficient-uav-based-crop-monitoring\/#primaryimage"},"thumbnailUrl":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/02\/Role-of-Deployment-Aware-NAS-for-Efficient-UAV-Based-Crop-Monitoring.png?fit=1920%2C1080&ssl=1","articleSection":["Crop monitoring"],"inLanguage":"lt-LT","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/geopard.tech\/blog\/role-of-deployment-aware-nas-for-efficient-uav-based-crop-monitoring\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/geopard.tech\/blog\/role-of-deployment-aware-nas-for-efficient-uav-based-crop-monitoring\/","url":"https:\/\/geopard.tech\/blog\/role-of-deployment-aware-nas-for-efficient-uav-based-crop-monitoring\/","name":"Diegimo s\u0105moning\u0173 NAS vaidmuo efektyviam bepilo\u010di\u0173 orlaivi\u0173 (UAV) pagr\u012fstam pas\u0117li\u0173 steb\u0117jimui \u2013 \u201eGeoPard\u201c","isPartOf":{"@id":"https:\/\/geopard.tech\/#website"},"primaryImageOfPage":{"@id":"https:\/\/geopard.tech\/blog\/role-of-deployment-aware-nas-for-efficient-uav-based-crop-monitoring\/#primaryimage"},"image":{"@id":"https:\/\/geopard.tech\/blog\/role-of-deployment-aware-nas-for-efficient-uav-based-crop-monitoring\/#primaryimage"},"thumbnailUrl":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/02\/Role-of-Deployment-Aware-NAS-for-Efficient-UAV-Based-Crop-Monitoring.png?fit=1920%2C1080&ssl=1","datePublished":"2026-02-15T20:14:26+00:00","breadcrumb":{"@id":"https:\/\/geopard.tech\/blog\/role-of-deployment-aware-nas-for-efficient-uav-based-crop-monitoring\/#breadcrumb"},"inLanguage":"lt-LT","potentialAction":[{"@type":"ReadAction","target":["https:\/\/geopard.tech\/blog\/role-of-deployment-aware-nas-for-efficient-uav-based-crop-monitoring\/"]}]},{"@type":"ImageObject","inLanguage":"lt-LT","@id":"https:\/\/geopard.tech\/blog\/role-of-deployment-aware-nas-for-efficient-uav-based-crop-monitoring\/#primaryimage","url":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/02\/Role-of-Deployment-Aware-NAS-for-Efficient-UAV-Based-Crop-Monitoring.png?fit=1920%2C1080&ssl=1","contentUrl":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/02\/Role-of-Deployment-Aware-NAS-for-Efficient-UAV-Based-Crop-Monitoring.png?fit=1920%2C1080&ssl=1","width":1920,"height":1080,"caption":"Role of Deployment-Aware NAS for Efficient UAV-Based Crop Monitoring"},{"@type":"BreadcrumbList","@id":"https:\/\/geopard.tech\/blog\/role-of-deployment-aware-nas-for-efficient-uav-based-crop-monitoring\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/geopard.tech\/"},{"@type":"ListItem","position":2,"name":"Role of Deployment-Aware NAS for Efficient UAV-Based Crop Monitoring"}]},{"@type":"WebSite","@id":"https:\/\/geopard.tech\/#website","url":"https:\/\/geopard.tech\/","name":"GeoPard \u2013 tiksliosios \u017eemdirbyst\u0117s programin\u0117 \u012franga","description":"Tiksliosios \u017eemdirbyst\u0117s kartografavimo programin\u0117 \u012franga","publisher":{"@id":"https:\/\/geopard.tech\/#organization"},"alternateName":"GeoPard","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/geopard.tech\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"lt-LT"},{"@type":"Organization","@id":"https:\/\/geopard.tech\/#organization","name":"GeoPard \u017dem\u0117s \u016bkis","alternateName":"GeoPard","url":"https:\/\/geopard.tech\/","logo":{"@type":"ImageObject","inLanguage":"lt-LT","@id":"https:\/\/geopard.tech\/#\/schema\/logo\/image\/","url":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/07\/geopard_logo_transparentbackground.png?fit=512%2C68&ssl=1","contentUrl":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/07\/geopard_logo_transparentbackground.png?fit=512%2C68&ssl=1","width":512,"height":68,"caption":"GeoPard Agriculture"},"image":{"@id":"https:\/\/geopard.tech\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/www.facebook.com\/geopardAgriculture\/","https:\/\/x.com\/geopardagri","https:\/\/www.linkedin.com\/company\/geopard-agriculture\/","https:\/\/www.instagram.com\/geopardagriculture\/","https:\/\/www.youtube.com\/channel\/UCiaPGLAhRPNh-s85dXdC-Sw","https:\/\/www.g2.com\/products\/geopard-agriculture-precision-farming-software\/reviews"]},{"@type":"Person","@id":"https:\/\/geopard.tech\/#\/schema\/person\/dd217733c742620adc57befbbcd84a8a","name":"dementjevgeopardo","image":{"@type":"ImageObject","inLanguage":"lt-LT","@id":"https:\/\/secure.gravatar.com\/avatar\/7c09adac9c20b00454199df5a41ea67c812a6c97e948bf109899836ddde31354?s=96&d=identicon&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/7c09adac9c20b00454199df5a41ea67c812a6c97e948bf109899836ddde31354?s=96&d=identicon&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/7c09adac9c20b00454199df5a41ea67c812a6c97e948bf109899836ddde31354?s=96&d=identicon&r=g","caption":"dementievgeopard"}}]}},"jetpack_publicize_connections":[],"jetpack_likes_enabled":true,"jetpack_sharing_enabled":true,"jetpack_shortlink":"https:\/\/wp.me\/pdiCPa-3kQ","jetpack_featured_media_url":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/02\/Role-of-Deployment-Aware-NAS-for-Efficient-UAV-Based-Crop-Monitoring.png?fit=1920%2C1080&ssl=1","_links":{"self":[{"href":"https:\/\/geopard.tech\/lt\/wp-json\/wp\/v2\/posts\/12824","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/geopard.tech\/lt\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/geopard.tech\/lt\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/geopard.tech\/lt\/wp-json\/wp\/v2\/users\/210157960"}],"replies":[{"embeddable":true,"href":"https:\/\/geopard.tech\/lt\/wp-json\/wp\/v2\/comments?post=12824"}],"version-history":[{"count":0,"href":"https:\/\/geopard.tech\/lt\/wp-json\/wp\/v2\/posts\/12824\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/geopard.tech\/lt\/wp-json\/wp\/v2\/media\/12831"}],"wp:attachment":[{"href":"https:\/\/geopard.tech\/lt\/wp-json\/wp\/v2\/media?parent=12824"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/geopard.tech\/lt\/wp-json\/wp\/v2\/categories?post=12824"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/geopard.tech\/lt\/wp-json\/wp\/v2\/tags?post=12824"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}