YOLOv1 到 YOLOv10:YOLO 变种及其在农业领域的应用的综述
视觉在农业中发挥着重要作用,研究和应用 You Look Only Once (YOLO) 在农业领域的物体识别能够实现实时监测、自动化监视和物体处理,减少劳动力、生产成本和环境影响,同时最大限度地提高资源效率。
Jan, 2024
此综述系统地考察了 You Only Look Once(YOLO)目标检测算法从 YOLOv1 到最新发布的 YOLOv10 的发展进程。通过逆向时间顺序分析,研究探讨了 YOLO 算法带来的进步,从 YOLOv10 开始,逐步分析了 YOLOv9、YOLOv8 和后续版本在提高实时目标检测的速度、准确性和计算效率方面的贡献。该研究强调了 YOLO 在五个关键应用领域(汽车安全、医疗保健、工业制造、监视和农业)的革命性影响。通过详细描述每个版本的技术进步,本综述不仅记录了 YOLO 的演变,还讨论了早期版本中观察到的挑战和限制。这种演进标志着将 YOLO 与多模态、上下文感知和通用人工智能(AGI)系统相结合的路径,为下一个 YOLO 十年提供了重要的发展影响,对于 AI 驱动应用的未来发展具有重要意义。
Jun, 2024
本文综合分析了 YOLO 实时目标检测系统的发展历程及其每个版本的创新和贡献,从原版 YOLO 到 YOLOv8,涵盖了标准度量和后处理、网络架构和训练技巧等方面,总结了 YOLO 发展的重要经验和展望其未来,强调提高实时目标检测系统的潜在研究方向。
Apr, 2023
该研究提出了一种新的框架,将两种不同的卷积神经网络结构相结合,以在模拟环境中同时完成作物检测和收获(机器人操控)任务。利用机器视觉实现作物自动识别,提高收获效率,但仍面临挑战。通过随机旋转、裁剪、亮度和对比度调整来生成增强图像以进行数据集生成。使用一次性算法框架进行作物定位,以及使用视觉几何组模型来确定机器人操控的抓取位置。
Jan, 2024
通过使用 YOLOv5 模型和多样的苹果树图像数据集,我们提出了一种新颖的苹果检测和位置估计方法,实现了在复杂果园环境中准确识别苹果并提供精确位置信息的鲁棒系统,其具有约 85% 的苹果检测准确率,这在农业机器人领域取得了重要进展,为更高效、可持续的水果采摘实践奠定了基础。
May, 2024
该研究通过比较分析 YOLOv5 和 YOLOv8 模型,挑战了后者在性能指标上的优越性的普遍假设。与最初的预期相反,YOLOv5 模型在目标检测任务中表现出了可比较的甚至在某些情况下优越的精度。我们的分析探讨了导致这些发现的底层因素,包括模型架构复杂性、训练数据集的差异和实际应用性等方面。通过严格测试和消融研究,我们呈现了对每个模型能力的细致理解,为选择和优化用于机器人应用的目标检测框架提供了洞察。该研究的意义扩展到更高效和情境适应性系统的设计,强调了评估模型性能的整体方法的必要性。
Jun, 2024
通过消除非极大值抑制(NMS)的依赖性和综合优化 YOLOs 的各个组件,本研究提出了一种新一代的实时端到端目标检测模型 YOLOv10,其在性能和效率方面均取得了最新的成果。
May, 2024
本技术报告介绍了 YOLOv6 的开发和部署,该模型包括最新的网络设计、训练策略、测试技术、量化和优化方法,可适用于不同规模的应用场景,并在各种硬件平台上表现出色。
Sep, 2022
YOLO-World is an innovative approach that enhances the You Only Look Once (YOLO) series of detectors with open-vocabulary detection capabilities through vision-language modeling, achieving high efficiency and accuracy in detecting a wide range of objects in a zero-shot manner.
Jan, 2024
本文以 YOLO 架构为基础,针对 Fischertechnik 工业 4.0 应用中的流程监控展开研究,通过采用不同大小和复杂度的 YOLO 架构以及不同的先前形状分配策略,结合丰富的数据集进行实验,研究结果表明了所提出方法的有效性及所采用的培训和验证策略能够解决该问题天然存在的色彩相关性。
Jan, 2023