Крупное обновление NNTrack: рекуррентные слои и современные модели детектирования объектов

В среде NNTrack появилось крупное обновление, которое расширяет возможности работы с нейронными сетями для анализа изображений.

В платформе добавлена поддержка рекуррентных слоёв SimpleRNN, LSTM и GRU, что позволяет создавать гибридные архитектуры CNN + RNN. После сверточных слоёв нейросеть получает карту признаков изображения, а рекуррентные слои могут обрабатывать эти признаки как последовательность, постепенно анализируя взаимосвязи между различными частями изображения.

Благодаря этому модель:

• лучше учитывает контекст между признаками;
• может анализировать зависимости между областями изображения;
• эффективнее выделяет сложные структуры и детали.

Такие архитектуры особенно полезны для задач сложной классификации изображений, где важно учитывать не только отдельные признаки, но и их взаимное расположение и связи.

Кроме того, в NNTrack появились новые слои для работы с детектированием объектов:

• YOLO26n
• YOLO26s
• YOLO26m
• YOLO26l

Теперь в платформе можно обучать современные модели, которые позволяют находить и распознавать несколько объектов на изображении одновременно.

Модели семейства YOLO26 работают по принципу одного прохода по изображению. Нейросеть сразу определяет:

• класс объекта;
• координаты ограничивающей рамки;
• вероятность обнаружения.

Благодаря этому достигается высокая скорость работы и точность детектирования.

Модели отличаются размером и вычислительной сложностью:

• n (nano) — очень быстрая и лёгкая модель;
• s (small) — баланс скорости и точности;
• m (medium) — более высокая точность;
• l (large) — максимальная точность для сложных задач.