論文の概要: Comparative Analysis of YOLOv9, YOLOv10 and RT-DETR for Real-Time Weed Detection

• arxiv url: http://arxiv.org/abs/2412.13490v1
• Date: Wed, 18 Dec 2024 04:15:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-19 16:48:19.503427
• Title: Comparative Analysis of YOLOv9, YOLOv10 and RT-DETR for Real-Time Weed Detection
• Title（参考訳）: リアルタイム雑草検出のためのYOLOv9, YOLOv10, RT-DETRの比較解析
• Authors: Ahmet Oğuz Saltık, Alicia Allmendinger, Anthony Stein,
• Abstract要約: 本稿では,スマートスパレイティングアプリケーションにおける雑草検出のためのオブジェクト検出モデルであるYOLOv9,YOLOv10,RT-DETRの総合評価について述べる。 これらのモデルの性能は、GPUデバイスの平均平均精度(mAP)スコアと推論時間に基づいて比較される。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: This paper presents a comprehensive evaluation of state-of-the-art object detection models, including YOLOv9, YOLOv10, and RT-DETR, for the task of weed detection in smart-spraying applications focusing on three classes: Sugarbeet, Monocot, and Dicot. The performance of these models is compared based on mean Average Precision (mAP) scores and inference times on different GPU devices. We consider various model variations, such as nano, small, medium, large alongside different image resolutions (320px, 480px, 640px, 800px, 960px). The results highlight the trade-offs between inference time and detection accuracy, providing valuable insights for selecting the most suitable model for real-time weed detection. This study aims to guide the development of efficient and effective smart spraying systems, enhancing agricultural productivity through precise weed management.
• Abstract（参考訳）: 本稿では,3つのクラス(Sugarbeet,Monocot,Dicot)に着目したスマートスプレイティングアプリケーションにおける雑草検出の課題に対して,YOLOv9,YOLOv10,RT-DETRを含む最先端オブジェクト検出モデルの総合評価を行う。 これらのモデルの性能は、GPUデバイスの平均平均精度(mAP)スコアと推論時間に基づいて比較される。 我々は,ナノ,小,中,大,画像解像度の相違(320px,480px,640px,800px,960px)など,様々なモデルバリエーションを検討する。 その結果,推定時間と検出精度のトレードオフが強調され,リアルタイム雑草検出に最適なモデルを選択する上で貴重な知見が得られた。 本研究の目的は,効率的なスマートスプレーシステムの開発を指導し,正確な雑草管理を通じて農業生産性を向上させることである。

関連論文リスト

• MCUBench: A Benchmark of Tiny Object Detectors on MCUs [36.77761421733794]
  MCUBenchは、7つの異なるMCUにわたるVOCデータセットで評価された100以上のYOLOベースのオブジェクト検出モデルを備えたベンチマークである。 このベンチマークは、さまざまな入力解像度とYOLOベースのワンステージ検出器に対する平均精度、レイテンシ、RAM、Flash使用率に関する詳細なデータを提供する。
  論文  参考訳（メタデータ） (2024-09-27T16:02:56Z)
• Study of Dropout in PointPillars with 3D Object Detection [0.0]
  ディープラーニング技術を活用してLiDARデータを解釈する。 本研究では,ポイントピラーモデルの性能を様々なドロップアウト率で向上させる手法を提案する。
  論文  参考訳（メタデータ） (2024-09-01T09:30:54Z)
• Replication Study and Benchmarking of Real-Time Object Detection Models [0.0]
  複数のグラフィクスカードにおける物体検出モデルの精度と推論速度を比較した。 本稿では,MMDetectionの機能に基づく統合トレーニングと評価パイプラインを提案し,モデルの比較を改良する。 結果は精度と速度の間に強いトレードオフを示し、アンカーフリーモデルが優勢である。
  論文  参考訳（メタデータ） (2024-05-11T04:47:50Z)
• Optimizing OOD Detection in Molecular Graphs: A Novel Approach with Diffusion Models [71.39421638547164]
  本稿では,入力分子と再構成グラフの類似性を比較する補助拡散モデルに基づくフレームワークを用いてOOD分子を検出することを提案する。 IDトレーニングサンプルの再構成に向けた生成バイアスのため、OOD分子の類似度スコアは検出を容易にするためにはるかに低い。 本研究は,PGR-MOOD(PGR-MOOD)とよばれる分子OOD検出のためのプロトタイプグラフ再構成のアプローチを開拓し,3つのイノベーションを生かした。
  論文  参考訳（メタデータ） (2024-04-24T03:25:53Z)
• Diffusion-based 3D Object Detection with Random Boxes [58.43022365393569]
  既存のアンカーベースの3D検出方法は、アンカーの実証的な設定に依存しており、アルゴリズムはエレガンスを欠いている。 提案するDiff3Detは,検出ボックスを生成対象として考慮し,拡散モデルから3次元オブジェクト検出のための提案生成へ移行する。 推論段階では、モデルは予測結果にランダムボックスのセットを徐々に洗練する。
  論文  参考訳（メタデータ） (2023-09-05T08:49:53Z)
• Exploring the Effectiveness of Dataset Synthesis: An application of Apple Detection in Orchards [68.95806641664713]
  本研究では,リンゴ樹の合成データセットを生成するための安定拡散2.1-baseの有用性について検討する。 我々は、現実世界のリンゴ検出データセットでリンゴを予測するために、YOLOv5mオブジェクト検出モデルを訓練する。 その結果、実世界の画像でトレーニングされたベースラインモデルと比較して、生成データでトレーニングされたモデルはわずかに性能が劣っていることがわかった。
  論文  参考訳（メタデータ） (2023-06-20T09:46:01Z)
• Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
  本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。 特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
  論文  参考訳（メタデータ） (2023-04-04T17:54:32Z)
• YOLO v3: Visual and Real-Time Object Detection Model for Smart Surveillance Systems(3s) [0.0]
  本稿では,スマートサーベイランスシステム(Smart Surveillance Systems, 3s)と呼ばれるサイバー物理システムの物体検出モデルを提案する。 本研究は, 学習時間と計算資源を削減するため, 転送学習手法を実装した。 提案モデルの結果は, 監視映像中の物体の検出において極めて良好であった。
  論文  参考訳（メタデータ） (2022-09-26T06:34:12Z)
• MetaRF: Differentiable Random Forest for Reaction Yield Prediction with a Few Trails [58.47364143304643]
  本稿では,反応収率予測問題に焦点をあてる。 筆者らはまず,数発の収量予測のために特別に設計された,注意に基づく識別可能なランダム森林モデルであるMetaRFを紹介した。 数発の学習性能を改善するために,さらに次元還元に基づくサンプリング手法を導入する。
  論文  参考訳（メタデータ） (2022-08-22T06:40:13Z)
• Fake It Till You Make It: Near-Distribution Novelty Detection by Score-Based Generative Models [54.182955830194445]
  既存のモデルは、いわゆる"近く分布"設定で失敗するか、劇的な低下に直面します。 本稿では, スコアに基づく生成モデルを用いて, 合成近分布異常データを生成することを提案する。 本手法は,9つのノベルティ検出ベンチマークにおいて,近分布ノベルティ検出を6%改善し,最先端のノベルティ検出を1%から5%パスする。
  論文  参考訳（メタデータ） (2022-05-28T02:02:53Z)
• A fast accurate fine-grain object detection model based on YOLOv4 deep neural network [0.0]
  商業農場や果樹園における植物病の早期発見と予防は、精密農業技術の重要な特徴である。 本稿では,植物病の検出におけるいくつかの障害に対処する高性能なリアルタイム微粒物検出フレームワークを提案する。 提案するモデルは、You Only Look Once (YOLOv4)アルゴリズムの改良版に基づいて構築されている。
  論文  参考訳（メタデータ） (2021-10-30T17:56:13Z)

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。