論文の概要: Comparing YOLO11 and YOLOv8 for instance segmentation of occluded and non-occluded immature green fruits in complex orchard environment

• arxiv url: http://arxiv.org/abs/2410.19869v2
• Date: Fri, 01 Nov 2024 16:02:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-04 21:01:20.228339
• Title: Comparing YOLO11 and YOLOv8 for instance segmentation of occluded and non-occluded immature green fruits in complex orchard environment
• Title（参考訳）: 複雑な果樹園環境における未熟未熟果実の接種例におけるYOLO11とYOLOv8の比較
• Authors: Ranjan Sapkota, Manoj Karkee,
• Abstract要約: 本研究は、果樹園における未成熟リンゴのYOLO11とYOLOv8のインスタンスセグメンテーション機能に焦点を当てた。 YOLO11n-セグはすべてのカテゴリーで最高のマスク精度を達成し、スコアは0.831であった。 YOLO11m-segは、ボックスとマスクのセグメンテーションで最高スコアを記録した。
• 参考スコア（独自算出の注目度）: 0.4143603294943439
• License:
• Abstract: This study conducted a comprehensive performance evaluation on YOLO11 and YOLOv8, the latest in the "You Only Look Once" (YOLO) series, focusing on their instance segmentation capabilities for immature green apples in orchard environments. YOLO11n-seg achieved the highest mask precision across all categories with a notable score of 0.831, highlighting its effectiveness in fruit detection. YOLO11m-seg and YOLO11l-seg excelled in non-occluded and occluded fruitlet segmentation with scores of 0.851 and 0.829, respectively. Additionally, YOLO11x-seg led in mask recall for all categories, achieving a score of 0.815, with YOLO11m-seg performing best for non-occluded immature green fruitlets at 0.858 and YOLOv8x-seg leading the occluded category with 0.800. In terms of mean average precision at a 50\% intersection over union (mAP@50), YOLO11m-seg consistently outperformed, registering the highest scores for both box and mask segmentation, at 0.876 and 0.860 for the "All" class and 0.908 and 0.909 for non-occluded immature fruitlets, respectively. YOLO11l-seg and YOLOv8l-seg shared the top box mAP@50 for occluded immature fruitlets at 0.847, while YOLO11m-seg achieved the highest mask mAP@50 of 0.810. Despite the advancements in YOLO11, YOLOv8n surpassed its counterparts in image processing speed, with an impressive inference speed of 3.3 milliseconds, compared to the fastest YOLO11 series model at 4.8 milliseconds, underscoring its suitability for real-time agricultural applications related to complex green fruit environments.
• Abstract（参考訳）: 本研究は「You Only Look Once」シリーズの最新版「YOLO11」と「YOLOv8」の総合的な性能評価を行い、果樹園環境における未熟リンゴのインスタンスセグメンテーション機能に着目した。 YOLO11n-segは、すべてのカテゴリーで最も高いマスク精度を達成し、0.831のスコアで、果実検出の有効性を強調した。 YOLO11m-segとYOLO11l-segはそれぞれ0.851と0.829のスコアで非閉塞および閉塞のフルーツレットセグメンテーションに優れていた。 さらに、YOLO11x-セグはすべてのカテゴリーでマスクリコールを行い、スコアは0.815、YOLO11m-セグは0.858、YOLOv8x-セグは0.800となった。 MAP@50の50 %の交差平均精度では、YOLO11m-seg はボックスとマスクのセグメンテーションで最高スコアが0.876 と 0.860 であり、「オール」クラスでは 0.908 と 0.909 である。 YOLO11l-seg と YOLOv8l-seg は 0.847 で、 YOLO11m-seg は 0.810 で最高のマスク mAP@50 を達成した。 YOLO11の進歩にもかかわらず、YOLOv8nはイメージ処理速度を3.3ミリ秒で上回り、4.8ミリ秒で最速のYOLO11シリーズモデルと比較すると、複雑なグリーンフルーツ環境に関連するリアルタイム農業用途に適していると評価された。

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)
• YOLO11 and Vision Transformers based 3D Pose Estimation of Immature Green Fruits in Commercial Apple Orchards for Robotic Thinning [0.4143603294943439]
  商業用果樹果樹における未熟リンゴ(フルーツレット)の3次元ポーズ推定法を開発した。 YOLO11オブジェクト検出とポーズ推定アルゴリズムとViT(Vision Transformers)を併用して深度推定を行う。 YOLO11nは、ボックス精度と精度の点で、YOLO11とYOLOv8のすべての構成を上回った。
  論文  参考訳（メタデータ） (2024-10-21T17:00:03Z)
• Adaptive Inference-Time Compute: LLMs Can Predict if They Can Do Better, Even Mid-Generation [51.127054971591924]
  本稿では,生成サンプル数を適応的に削減する新たな自己評価手法を提案する。 平均1.2サンプルだけで16サンプルの使用による改善の74%が達成できることを実証した。
  論文  参考訳（メタデータ） (2024-10-03T17:47:29Z)
• Performance Evaluation of YOLOv8 Model Configurations, for Instance Segmentation of Strawberry Fruit Development Stages in an Open Field Environment [0.0]
  本研究では, オープンフィールド環境下でイチゴを熟成・未熟成段階に分割するためのYOLOv8モデル構成の性能評価を行った。 YOLOv8nモデルは、平均平均精度 (mAP) が80.9%と優れたセグメンテーション精度を示し、他のYOLOv8構成よりも優れていた。
  論文  参考訳（メタデータ） (2024-08-11T00:33:45Z)
• Comprehensive Performance Evaluation of YOLO11, YOLOv10, YOLOv9 and YOLOv8 on Detecting and Counting Fruitlet in Complex Orchard Environments [0.9565934024763958]
  本研究は, 商業果樹園における緑果検出のためのYOLOv8, YOLOv9, YOLOv10, YOLO11の全構成(Total 22)を対象に, You Only Look Once (YOLO) オブジェクト検出アルゴリズムを広範囲に評価した。 この研究は、iPhoneとマシンビジョンセンサーを使って、Scifresh、Scilate、Honeycrisp、Cosmic Crispの4種類のリンゴをフィールドで数えたことも検証した。
  論文  参考訳（メタデータ） (2024-07-01T17:59:55Z)
• 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)
• Real-time Strawberry Detection Based on Improved YOLOv5s Architecture for Robotic Harvesting in open-field environment [0.0]
  本研究では, 屋外環境下でイチゴを検出するために, YOLOv5を用いたカスタムオブジェクト検出モデルを提案する。 最も高い平均精度は80.3%であり、提案されたアーキテクチャを用いて達成された。 このモデルは、リアルタイムのイチゴ検出とロボットピッキングのローカライズに十分高速である。
  論文  参考訳（メタデータ） (2023-08-08T02:28:48Z)
• High-Performance Fine Defect Detection in Artificial Leather Using Dual Feature Pool Object Detection [40.14938518877818]
  人工皮革の微細欠陥の特徴から, DFP, IFF, AMP, EOSの4つの革新的な構造が設計された。 これらの進歩により、YOLODという高性能な人工皮革微細欠陥検出モデルが提案された。 YOLODは人工皮革欠陥データセットに優れた性能を示し、YOLOv5と比較してAP_50の11.7%から13.5%の顕著な増加を達成した。 YOLODはまた、一般のMS-COCOデータセットでも顕著なパフォーマンスを示しており、YOLOv5と比較してAPでは0.4%から2.6%増加した。
  論文  参考訳（メタデータ） (2023-07-31T15:18:54Z)
• 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)

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。