Jul, 2024

在复杂的果园环境中，全面评估YOLOv10、YOLOv9和YOLOv8在检测和计数果实的性能

HTML
PDF
TL;DR这项研究通过在商业果园中对YOLOv8、YOLOv9和YOLOv10目标检测算法的各种配置进行广泛评估，还使用iPhone和机器视觉传感器进行了果实计数的现场验证研究，发现YOLOv9在mAP@50方面优于YOLOv10和YOLOv8，而YOLOv10x在精确度和召回率方面表现最佳。
发现论文，激发创造
  • MinneApple: 一个苹果检测与分割的基准数据集

    本篇论文介绍了一套新的数据集，旨在推动果园环境中水果检测、分割和计数的最新技术。数据集包含超过 41000 个图像实例和 1000 张高分辨率图像，同时提供了水果对象实例的多边形掩膜，以协助精确定位、检测和分割。作者还提供了基线性能分析结果和代表性收益评估结果，并在 CodaLab 上托管了比赛以鼓励使用统一的数据集进行结果比较。

    Sep, 2019

  • 基于改进的YOLOv5s架构的实时草莓检测在开放环境中的机器人采摘

    该研究提出了一种基于YOLOv5的自定义目标检测模型，用于在户外环境中检测草莓。修改了YOLOv5s的原始架构，通过在骨干网络中将C3模块替换为C2f模块，提供了更好的特征梯度流。通过将YOLOv5s的最终层中的空间金字塔池化快速与Cross Stage Partial Net相结合，提高了在草莓数据集上的泛化能力。验证了该方法在开放环境中检测草莓的优势，并与四个竞争检测模型进行了比较。结果表明，通过所提出的架构实现了最高80.3%的平均精度，而YOLOv3-tiny、YOLOv5s、YOLOv5s-C2f和YOLOv8s分别获得了73.4%、77.8%、79.8%和79.3%的平均精度。该模型具有快速的推理速度和适用于实时草莓检测和定位的充足网络参数。

    Aug, 2023

  • 在复杂的果园环境中比较 YOLOv8 和 Mask RCNN 进行物体分割

    该研究比较了一阶段YOLOv8和二阶段Mask R-CNN机器学习模型在不同果园条件下的实例分割性能，结果显示YOLOv8在两个数据集上都表现出较好的准确率和接近完美的召回率，推断时间也明显快于Mask R-CNN。

    Dec, 2023

  • 商业果园中基于YOLOv8和形状拟合技术的未熟青苹果检测与尺寸测量

    利用YOLOv8目标检测和实例分割算法以及3D传感器，在商业果园环境中精确测定不成熟青苹果（或称果芽）的大小，并强调了形状拟合方法和3D传感器在农业中改善果实大小估计方面的综合有效性。

    Dec, 2023

  • 基于YOLOv5的果园中精确的苹果检测与定位用于机器采摘系统

    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

  • YOLOv1到YOLOv10：YOLO变种及其在农业领域的应用的综述

    该研究调查了从YOLOv1到最新的YOLOv10变种在农业进展方面的转变潜力，旨在阐述这些尖端目标检测模型如何重振和优化从作物监测到畜牧管理等农业各个方面，为精准农业和可持续农业提供有价值的洞见。

    Jun, 2024

  • YOLOv5, YOLOv8和YOLOv10：实时视觉领域首选检测器

    本文综述了YOLO（You Only Look Once）目标检测算法的演进，着重介绍了YOLOv5、YOLOv8和YOLOv10。分析了这些版本的架构改进、性能提升以及在边缘部署方面的适用性。研究结果表明在准确性、效率和实时性能方面不断取得了进展，并强调了它们在资源受限环境中的适用性。本综述提供了模型复杂性和检测准确性之间的权衡，为选择特定边缘计算应用的最合适的YOLO版本提供指导。

    Jul, 2024

  • YOLOv8模型配置在开放环境中草莓果实生长阶段实例分割的性能评估

    本研究解决了草莓成熟阶段准确识别的问题，以优化产量管理和害虫控制。通过评估YOLOv8模型配置，发现YOLOv8n模型在分割准确性和推理速度上表现最佳，mAP达到80.9%，处理速度为12.9毫秒。这一研究结果展示了先进物体分割算法在开放农业中解决复杂视觉识别任务的潜力。

    Aug, 2024

  • 基于YOLOv8模型配置对开放环境中草莓果实发育阶段实例分割的性能评估

    本研究针对开放环境中草莓在成熟阶段的准确识别问题，评估了不同YOLOv8模型配置的性能。研究发现，YOLOv8n模型在分割精度上表现优越，平均准确率达到80.9%，且推理速度最快，为开放农业视觉识别任务提供了有效解决方案。

    Aug, 2024

  • YOLOv9是什么：下一代目标检测器内部特征的深入探索

    本研究针对YOLOv9目标检测模型进行全面分析，填补了对其架构创新、训练方法及性能改进的认识空白。论文提出了新的特征提取和梯度流技术，如通用高效层聚合网络（GELAN）和可编程梯度信息（PGI），显著提升了检测精度和效率，展示了YOLOv9在多项基准测试中的优越表现，确立了其在实时目标检测中的领先地位。

    Sep, 2024