論文の概要: YOLOv5 vs. YOLOv8 in Marine Fisheries: Balancing Class Detection and Instance Count

• arxiv url: http://arxiv.org/abs/2405.02312v1
• Date: Mon, 1 Apr 2024 20:01:04 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-01 10:40:42.743289
• Title: YOLOv5 vs. YOLOv8 in Marine Fisheries: Balancing Class Detection and Instance Count
• Title（参考訳）: 海産漁業におけるYOLOv5 vs. YOLOv8: クラス検出のバランシングとインスタンスカウント
• Authors: Mahmudul Islam Masum, Arif Sarwat, Hugo Riggs, Alicia Boymelgreen, Preyojon Dey,
• Abstract要約: 本稿では, YOLOv5 と YOLOv8 を用いて, 動脈, 嚢胞, 排便の3つの異なるクラスについて, 対象物検出法の比較検討を行った。 YOLOv5は、高い精度と精度で、動脈と嚢胞を検出できる。 しかし、排他物を検出するということになると、YOLOv5は顕著な課題と限界に直面した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents a comparative study of object detection using YOLOv5 and YOLOv8 for three distinct classes: artemia, cyst, and excrement. In this comparative study, we analyze the performance of these models in terms of accuracy, precision, recall, etc. where YOLOv5 often performed better in detecting Artemia and cysts with excellent precision and accuracy. However, when it came to detecting excrement, YOLOv5 faced notable challenges and limitations. This suggests that YOLOv8 offers greater versatility and adaptability in detection tasks while YOLOv5 may struggle in difficult situations and may need further fine-tuning or specialized training to enhance its performance. The results show insights into the suitability of YOLOv5 and YOLOv8 for detecting objects in challenging marine environments, with implications for applications such as ecological research.
• Abstract（参考訳）: 本稿では, YOLOv5 と YOLOv8 を用いて, 動脈, 嚢胞, 排便の3つの異なるクラスについて, 対象物検出法の比較検討を行った。 本研究は, これらのモデルの性能を, 精度, 精度, リコールなどの観点から分析するものである。 しかし、排他物を検出するということになると、YOLOv5は顕著な課題と限界に直面した。 これは、YOLOv8が検出タスクにおいてより汎用性と適応性を提供するのに対して、YOLOv5は困難な状況に苦しむ可能性があり、パフォーマンスを高めるためにさらなる微調整や専門的なトレーニングが必要であることを示唆している。 これらの結果から, 海洋環境問題における YOLOv5 と YOLOv8 の適合性に関する知見が得られた。

関連論文リスト

• Evaluating the Evolution of YOLO (You Only Look Once) Models: A Comprehensive Benchmark Study of YOLO11 and Its Predecessors [0.0]
  本研究では,YOLOv3から最新のYOLO11まで,YOLO(You Only Look Once)アルゴリズムのベンチマーク解析を行った。 トラフィックシグネチャ(さまざまなオブジェクトサイズを持つ)、アフリカ野生生物(多彩なアスペクト比と画像当たりのオブジェクトの少なくとも1つのインスタンス)、および船と船舶(単一のクラスの小さなオブジェクトを持つ)の3つの多様なデータセットでパフォーマンスを評価する。
  論文  参考訳（メタデータ） (2024-10-31T20:45:00Z)
• Cutting-Edge Detection of Fatigue in Drivers: A Comparative Study of Object Detection Models [0.0]
  本研究は, YOLOv5, YOLOv6, YOLOv7, YOLOv8を含む, 近代的な物体検出アルゴリズムに基づく疲労検出システムの開発について述べる。 これらのモデルの性能を比較することで,運転者の疲労関連行動のリアルタイム検出の有効性を評価する。 この研究は、環境変動や検出精度といった課題に対処し、リアルタイム検出を強化するロードマップを提案する。
  論文  参考訳（メタデータ） (2024-10-19T08:06:43Z)
• Comparing YOLOv5 Variants for Vehicle Detection: A Performance Analysis [0.0]
  本研究は, YOLOv5n6s, YOLOv5s6s, YOLOv5m6s, YOLOv5l6s, YOLOv5x6sの5変種の比較分析を行った。 YOLOv5n6は精度とリコールのバランスが強いことを示した。
  論文  参考訳（メタデータ） (2024-08-22T17:06:29Z)
• Quantizing YOLOv7: A Comprehensive Study [0.0]
  本稿では,最先端のYOLOv7モデルの事前学習重みに対する様々な量子化スキームの有効性について検討する。 その結果、4ビット量子化と異なる粒度の組合せを組み合わせることで、均一な量子化と非一様量子化のための3.92倍と3.86倍のメモリ節約が得られることがわかった。
  論文  参考訳（メタデータ） (2024-07-06T03:23:04Z)
• YOLOv5, YOLOv8 and YOLOv10: The Go-To Detectors for Real-time Vision [0.6662800021628277]
  本稿では、YOLOv5, YOLOv8, YOLOv10に着目し、YOLO(You Only Look Once)オブジェクト検出アルゴリズムの進化に焦点を当てた。 これらのバージョンにまたがるエッジデプロイメントのアーキテクチャの進歩、パフォーマンスの改善、適合性を分析します。
  論文  参考訳（メタデータ） (2024-07-03T10:40:20Z)
• YOLOv10: Real-Time End-to-End Object Detection [68.28699631793967]
  リアルタイムオブジェクト検出の分野では,YOLOが主流のパラダイムとして浮上している。 非最大抑圧(NMS)による処理後ハマーによるYOLOのエンドツーエンドデプロイメントへの依存。 YOLOの総合的効率-精度駆動型モデル設計戦略を紹介する。
  論文  参考訳（メタデータ） (2024-05-23T11:44:29Z)
• YOLO-World: Real-Time Open-Vocabulary Object Detection [87.08732047660058]
  オープン語彙検出機能でYOLOを強化する革新的なアプローチであるYOLO-Worldを紹介する。 提案手法は,ゼロショット方式で広範囲の物体を高効率で検出する。 YOLO-WorldはV100上で52.0 FPSの35.4 APを達成した。
  論文  参考訳（メタデータ） (2024-01-30T18:59:38Z)
• YOLO-MS: Rethinking Multi-Scale Representation Learning for Real-time Object Detection [80.11152626362109]
  YOLO-MSと呼ばれる効率的かつ高性能な物体検出器を提供する。 私たちは、他の大規模なデータセットに頼ることなく、MS COCOデータセット上でYOLO-MSをスクラッチからトレーニングします。 私たちの仕事は、他のYOLOモデルのプラグイン・アンド・プレイ・モジュールとしても使えます。
  論文  参考訳（メタデータ） (2023-08-10T10:12:27Z)
• Towards End-to-end Semi-supervised Learning for One-stage Object Detection [88.56917845580594]
  本稿では,高度な一段検出ネットワークYOLOv5の半教師付き学習に焦点を当てた。 そこで我々は,Multi-view Pseudo-label Refinement (MPR) とDecoupled Semi-supervised Optimization (DSO) の2つの革新的な設計を取り入れた新しい教師学習レシピOneTeacherを提案する。 特に、MPRは、拡張ビューリファインメントとグローバルビューフィルタリングによって擬似ラベルの品質を改善し、DSOは構造的な微調整とタスク固有の擬似ラベルによる共同最適化競合を処理する。
  論文  参考訳（メタデータ） (2023-02-22T11:35:40Z)
• A lightweight and accurate YOLO-like network for small target detection in Aerial Imagery [94.78943497436492]
  小型ターゲット検出のためのシンプルで高速で効率的なネットワークであるYOLO-Sを提案する。 YOLO-SはDarknet20をベースとした小さな特徴抽出器と、バイパスと連結の両方を通じて接続をスキップする。 YOLO-Sはパラメータサイズが87%減少し、約半分のFLOPがYOLOv3となり、低消費電力の産業用アプリケーションに実用化された。
  論文  参考訳（メタデータ） (2022-04-05T16:29:49Z)
• PP-YOLO: An Effective and Efficient Implementation of Object Detector [44.189808709103865]
  本稿では, 相対的に効率と効率のバランスの取れた物体検出器を実装した。 YOLOv3が実際に広く利用されていることを踏まえ, YOLOv3に基づく新しい物体検出器を開発した。 本論文のすべての実験はPaddlePaddleに基づいて行われるので、PP-YOLOと呼ぶ。
  論文  参考訳（メタデータ） (2020-07-23T16:06:16Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。