論文の概要: Comparing YOLOv5 Variants for Vehicle Detection: A Performance Analysis

• arxiv url: http://arxiv.org/abs/2408.12550v1
• Date: Thu, 22 Aug 2024 17:06:29 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-23 13:02:30.284390
• Title: Comparing YOLOv5 Variants for Vehicle Detection: A Performance Analysis
• Title（参考訳）: 車両検出用YOLOv5変数の比較:性能解析
• Authors: Athulya Sundaresan Geetha,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vehicle detection is an important task in the management of traffic and automatic vehicles. This study provides a comparative analysis of five YOLOv5 variants, YOLOv5n6s, YOLOv5s6s, YOLOv5m6s, YOLOv5l6s, and YOLOv5x6s, for vehicle detection in various environments. The research focuses on evaluating the effectiveness of these models in detecting different types of vehicles, such as Car, Bus, Truck, Bicycle, and Motorcycle, under varying conditions including lighting, occlusion, and weather. Performance metrics such as precision, recall, F1-score, and mean Average Precision are utilized to assess the accuracy and reliability of each model. YOLOv5n6s demonstrated a strong balance between precision and recall, particularly in detecting Cars. YOLOv5s6s and YOLOv5m6s showed improvements in recall, enhancing their ability to detect all relevant objects. YOLOv5l6s, with its larger capacity, provided robust performance, especially in detecting Cars, but not good with identifying Motorcycles and Bicycles. YOLOv5x6s was effective in recognizing Buses and Cars but faced challenges with Motorcycle class.
• Abstract（参考訳）: 車両検出は交通や自動車両の管理において重要な課題である。 本研究は, YOLOv5n6s, YOLOv5s6s, YOLOv5m6s, YOLOv5l6s, YOLOv5x6s, YOLOv5x6sの5変種の比較分析を行った。 本研究は, 自動車, バス, トラック, 自転車, オートバイなどの様々な種類の車両を, 照明, 閉塞, 天候など様々な条件下で検出する上で, それらのモデルの有効性を評価することに焦点を当てた。 各モデルの精度と信頼性を評価するために、精度、リコール、F1スコア、平均平均精度などのパフォーマンス指標を用いる。 YOLOv5n6は精度とリコールのバランスが強いことを示した。 YOLOv5s6sとYOLOv5m6sはリコールの改善を示し、関連するすべてのオブジェクトを検出する能力を高めた。 YOLOv5l6はキャパシティが大きく、特に自動車の検知では頑丈な性能を示したが、オートバイや自転車の識別には不適であった。 YOLOv5x6sはバスや自動車の認識に有効であったが、オートバイのクラスでは問題に直面した。

関連論文リスト

• YOLOv11 for Vehicle Detection: Advancements, Performance, and Applications in Intelligent Transportation Systems [0.0]
  本稿では,YOLOシリーズの深層学習モデルの最新の進歩であるYOLO11の詳細な解析について述べる。 YOLO11は、複雑な環境における検出速度、精度、堅牢性を向上させるために設計されたアーキテクチャの改善を導入している。 精度,リコール,F1スコア,平均平均精度(mAP)などの指標を用いて,YOLO11の性能を評価する。
  論文  参考訳（メタデータ） (2024-10-30T10:57:46Z)
• 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)
• 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)
• Performance Evaluation of Real-Time Object Detection for Electric Scooters [9.218359701264797]
  電動スクーター(電動スクーター)は都市部の交通手段として急速に普及しているが、重大な安全上の課題を生じさせている。 本稿では,e-スクータ用に設計された最先端物体検出器の有効性と効率について検討する。 mAP@0.5で測定された検出精度は27.4%(YOLOv7-E6E)から86.8%(YOLOv5s)である。
  論文  参考訳（メタデータ） (2024-05-05T20:00:22Z)
• YOLOv5 vs. YOLOv8 in Marine Fisheries: Balancing Class Detection and Instance Count [0.0]
  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。
  論文  参考訳（メタデータ） (2024-04-01T20:01:04Z)
• 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)
• DRUformer: Enhancing the driving scene Important object detection with driving relationship self-understanding [50.81809690183755]
  交通事故はしばしば致命傷を負い、2023年まで5000万人以上の死者を出した。 従来の研究は、主に個々の参加者の重要性を評価し、それらを独立した存在として扱うものであった。 本稿では、重要な物体検出タスクを強化するために、運転シーン関連自己理解変換器(DRUformer)を紹介する。
  論文  参考訳（メタデータ） (2023-11-11T07:26:47Z)
• 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)
• Performance Analysis of YOLO-based Architectures for Vehicle Detection from Traffic Images in Bangladesh [0.0]
  バングラデシュの交通画像から高速かつ正確な車両検出を行うのに最適なYOLOアーキテクチャを見つける。 モデルは、21種類の車両に属する7390の画像を含むデータセットで訓練された。 YOLOV5xは, YOLOv3モデルとYOLOv5sモデルよりそれぞれ7～4%, 精度は12～8.5%向上した。
  論文  参考訳（メタデータ） (2022-12-18T18:53:35Z)
• Learning energy-efficient driving behaviors by imitating experts [75.12960180185105]
  本稿では,コミュニケーション・センシングにおける制御戦略と現実的限界のギャップを埋める上で,模倣学習が果たす役割について考察する。 擬似学習は、車両の5%に採用されれば、局地的な観測のみを用いて、交通条件の異なるネットワークのエネルギー効率を15%向上させる政策を導出できることを示す。
  論文  参考訳（メタデータ） (2022-06-28T17:08:31Z)
• The Devil is in the Details: Self-Supervised Attention for Vehicle Re-Identification [75.3310894042132]
  車両識別のための自己監督的注意(SAVER)は、車両固有の識別特徴を効果的に学習するための新しいアプローチである。 我々は,SAVERがVeRi, VehicleID, Vehicle-1M, VERI-Wildのデータセットに挑戦する際の最先端性を改善することを示す。
  論文  参考訳（メタデータ） (2020-04-14T02:24:47Z)

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。