論文の概要: YOLOv11 for Vehicle Detection: Advancements, Performance, and Applications in Intelligent Transportation Systems
- arxiv url: http://arxiv.org/abs/2410.22898v1
- Date: Wed, 30 Oct 2024 10:57:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-31 14:28:38.706773
- Title: YOLOv11 for Vehicle Detection: Advancements, Performance, and Applications in Intelligent Transportation Systems
- Title（参考訳）: 自動車検知用YOLOv11:インテリジェントトランスポーテーションシステムにおける進歩, 性能, 応用
- Authors: Mujadded Al Rabbani Alif,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Accurate vehicle detection is essential for the development of intelligent transportation systems, autonomous driving, and traffic monitoring. This paper presents a detailed analysis of YOLO11, the latest advancement in the YOLO series of deep learning models, focusing exclusively on vehicle detection tasks. Building upon the success of its predecessors, YOLO11 introduces architectural improvements designed to enhance detection speed, accuracy, and robustness in complex environments. Using a comprehensive dataset comprising multiple vehicle types-cars, trucks, buses, motorcycles, and bicycles we evaluate YOLO11's performance using metrics such as precision, recall, F1 score, and mean average precision (mAP). Our findings demonstrate that YOLO11 surpasses previous versions (YOLOv8 and YOLOv10) in detecting smaller and more occluded vehicles while maintaining a competitive inference time, making it well-suited for real-time applications. Comparative analysis shows significant improvements in the detection of complex vehicle geometries, further contributing to the development of efficient and scalable vehicle detection systems. This research highlights YOLO11's potential to enhance autonomous vehicle performance and traffic monitoring systems, offering insights for future developments in the field.
- Abstract（参考訳）: 正確な車両検出は、インテリジェント交通システム、自動運転、交通監視の開発に不可欠である。
本稿では,車両検出タスクに特化して,YOLOシリーズの最新技術であるYOLO11の詳細解析を行う。
前者の成功に基づいて、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た。
複数の車種、トラック、バス、オートバイ、自転車からなる総合データセットを用いて、精度、リコール、F1スコア、平均精度(mAP)などの指標を用いて、YOLO11のパフォーマンスを評価する。
その結果, YOLO11は従来型(YOLOv8, YOLOv10)を超越して, 小型・小型の車両を検知し, 競争時間を維持しつつ, リアルタイムアプリケーションに適していることがわかった。
比較分析は、複雑な車両ジオメトリの検出において顕著な改善を示し、さらに効率的でスケーラブルな車両検出システムの開発に寄与している。
この研究は、YOLO11が自律走行車の性能と交通監視システムを強化する可能性を強調し、この分野における将来の発展に対する洞察を提供する。
関連論文リスト
- YOLO-Vehicle-Pro: A Cloud-Edge Collaborative Framework for Object Detection in Autonomous Driving under Adverse Weather Conditions [8.820126303110545]
本稿では, YOLO-VehicleとYOLO-Vehicle-Proの2つの革新的なディープラーニングモデルを提案する。
YOLO-Vehicleは、自動運転シナリオに特化したオブジェクト検出モデルである。
YOLO-Vehicle-Proはこの基盤の上に構築されており、改良されたイメージデハージングアルゴリズムを導入している。
論文 参考訳（メタデータ） (2024-10-23T10:07:13Z) - YOLO-PPA based Efficient Traffic Sign Detection for Cruise Control in Autonomous Driving [10.103731437332693]
自律運転システムにおいて,交通標識を効率的にかつ正確に検出することが重要である。
既存のオブジェクト検出アルゴリズムでは、これらの小さなスケールの兆候をほとんど検出できない。
本稿では, YOLO PPAに基づく交通標識検出アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-09-05T07:49:21Z) - 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) - YOLO9tr: A Lightweight Model for Pavement Damage Detection Utilizing a Generalized Efficient Layer Aggregation Network and Attention Mechanism [0.0]
本稿では,舗装損傷検出のための軽量物体検出モデルYOLO9trを提案する。
YOLO9trはYOLOv9アーキテクチャに基づいており、機能抽出とアテンション機構を強化する部分的なアテンションブロックを備えている。
このモデルは、最大136FPSのフレームレートを実現し、ビデオ監視や自動検査システムなどのリアルタイムアプリケーションに適合する。
論文 参考訳（メタデータ） (2024-06-17T06:31:43Z) - 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) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳（メタデータ） (2023-09-21T15:00:31Z) - Unsupervised Driving Event Discovery Based on Vehicle CAN-data [62.997667081978825]
本研究は,車両CANデータのクラスタリングとセグメンテーションを同時に行うことで,一般的な運転イベントを教師なしで識別する手法である。
我々は、実際のTesla Model 3車載CANデータと、異なる運転イベントをアノテートした2時間の運転セッションのデータセットを用いて、アプローチを評価した。
論文 参考訳（メタデータ） (2023-01-12T13:10:47Z) - 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) - Unified Automatic Control of Vehicular Systems with Reinforcement
Learning [64.63619662693068]
本稿では,車載マイクロシミュレーションの合理化手法について述べる。
最小限の手動設計で高性能な制御戦略を発見する。
この研究は、波動緩和、交通信号、ランプ計測に類似した多くの創発的挙動を明らかにしている。
論文 参考訳（メタデータ） (2022-07-30T16:23:45Z) - 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) - SODA10M: Towards Large-Scale Object Detection Benchmark for Autonomous
Driving [94.11868795445798]
我々は,SODA10Mという名の自律走行用大規模物体検出ベンチマークをリリースし,1000万枚の未ラベル画像と6つの代表対象カテゴリをラベル付けした20K画像を含む。
多様性を向上させるために、画像は32の異なる都市で、1フレームあたり10秒毎に異なる気象条件、期間、場所のシーンで収集される。
我々は、既存の教師付き最先端検出モデル、一般的な自己監督型および半教師付きアプローチ、および将来のモデルの開発方法に関するいくつかの知見について、広範な実験と詳細な分析を行った。
論文 参考訳（メタデータ） (2021-06-21T13:55:57Z)
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。