Zespół badawczy opracował system uczenia federacyjnego umożliwiający drona wspólne doskonalenie modelu detekcji obiektów bez konieczności centralizowania wrażliwych danych obrazowych. Rozwiązanie implementuje pipeline detekcji federacyjnej na platformie Sherpa.ai FL wykorzystując dataset KIIT-MiTA, przy czym najlżejszy model YOLO26 nano wykazał względne wzrosty precyzji o 52,89% przy progu IoU 0,50 i 67,80% przy zakresie 0,50-0,95 w stosunku do trenowania pojedynczego drona.
Problematyka pozostaje znacząca w sektorze, gdzie drona operujące w terenie generują ciągły strumień zdjęć lotniczych, a przesłanie ich do centralnego serwera stanowi poważne wyzwanie ze względu na prywatność, ograniczenia regulacyjne, koszty przechowywania i przepustowość łącz. Szczególnie krytyczne jest to w aplikacjach reagowania na katastrofy, bezpieczeństwa operacyjnego czy monitoringu infrastruktury, gdzie dane mogą być objęte restrykcjami wrażliwości i nie mogą opuszczać sieci lokalnej.
Zaproponowane podejście federacyjne pozostaje bliskie wykom treningów scentralizowanych, drastycznie poprawiając efektywność w stosunku do trenowania na poziomie pojedynczego drona. Model YOLO26 nano okazuje się szczególnie obiecujący, ponieważ jego waga pozwala na wdrożenie nawet na infrastrukturze edge z bardzo ograniczonymi zasobami, stanowiąc praktyczne rozwiązanie dla rzeczywistych systemów rozproszonych generujących dane na pokładzie bez możliwości ich przesyłu.