論文の概要: Lightweight Shrimp Disease Detection Research Based on YOLOv8n
- arxiv url: http://arxiv.org/abs/2507.02354v1
- Date: Thu, 03 Jul 2025 06:38:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-04 15:37:15.773187
- Title: Lightweight Shrimp Disease Detection Research Based on YOLOv8n
- Title（参考訳）: YOLOv8nを用いた軽量エビ病検出研究
- Authors: Fei Yuhuan, Wang Gengchen, Liu Fenghao, Zang Ran, Sun Xufei, Chang Hao,
- Abstract要約: エビ病はエビ養殖における経済的損失の主な原因の1つである。
本稿では,YOLOv8nに基づく軽量ネットワークアーキテクチャを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Shrimp diseases are one of the primary causes of economic losses in shrimp aquaculture. To prevent disease transmission and enhance intelligent detection efficiency in shrimp farming, this paper proposes a lightweight network architecture based on YOLOv8n. First, by designing the RLDD detection head and C2f-EMCM module, the model reduces computational complexity while maintaining detection accuracy, improving computational efficiency. Subsequently, an improved SegNext_Attention self-attention mechanism is introduced to further enhance the model's feature extraction capability, enabling more precise identification of disease characteristics. Extensive experiments, including ablation studies and comparative evaluations, are conducted on a self-constructed shrimp disease dataset, with generalization tests extended to the URPC2020 dataset. Results demonstrate that the proposed model achieves a 32.3% reduction in parameters compared to the original YOLOv8n, with a mAP@0.5 of 92.7% (3% improvement over YOLOv8n). Additionally, the model outperforms other lightweight YOLO-series models in mAP@0.5, parameter count, and model size. Generalization experiments on the URPC2020 dataset further validate the model's robustness, showing a 4.1% increase in mAP@0.5 compared to YOLOv8n. The proposed method achieves an optimal balance between accuracy and efficiency, providing reliable technical support for intelligent disease detection in shrimp aquaculture.
- Abstract（参考訳）: エビ病はエビ養殖における経済的損失の主な原因の1つである。
本論文は,エビ養殖における病気の伝染防止と知的検出効率の向上を目的として,YOLOv8nに基づく軽量ネットワークアーキテクチャを提案する。
まず、RLDD検出ヘッドとC2f-EMCMモジュールを設計することにより、検出精度を維持しながら計算複雑性を低減し、計算効率を向上させる。
改良されたSegNext_Attention自己注意機構を導入し、モデルの特徴抽出能力をさらに強化し、疾患特性のより正確な同定を可能にする。
アブレーション研究や比較評価を含む広範囲な実験は、自己構築型エビ病データセットで実施され、一般化テストはURPC2020データセットに拡張された。
その結果,提案モデルでは元のYOLOv8nに比べてパラメータが32.3%減少し,mAP@0.5は92.7%(YOLOv8nよりも3%改善)であった。
さらに、このモデルは、mAP@0.5、パラメータカウント、モデルサイズにおいて、他の軽量YOLOシリーズモデルよりも優れています。
URPC2020データセットの一般化実験はモデルの堅牢性をさらに検証し、YOLOv8nと比較してmAP@0.5が4.1%増加することを示した。
提案手法は,エビ養殖における知的疾患検出のための信頼性の高い技術サポートを提供するため,精度と効率の最適バランスを実現する。
関連論文リスト
- Research on Improving the High Precision and Lightweight Diabetic Retinopathy Detection of YOLOv8n [0.0]
糖尿病網膜症の早期発見と診断は、現在眼科に焦点を絞っている研究の1つである。
これらの課題に対処するため,YOLO-KFGと呼ばれる改良型YOLOv8nに基づく軽量かつ高精度な検出モデルを提案する。
YOLOv5nやYOLOv10nのような単一ステージの主流アルゴリズムと比較して、YOLO-KFGは検出精度と効率の両方において大きな利点を示す。
論文 参考訳（メタデータ） (2025-07-01T14:19:08Z) - Urinary Tract Infection Detection in Digital Remote Monitoring: Strategies for Managing Participant-Specific Prediction Complexity [43.108040967674185]
尿路感染症(UTIs)は特に認知症(PLWD)の患者にとって重要な健康上の問題である
この研究は、PLWDのUTIを検出する機械学習(ML)を利用した以前の研究に基づいている。
論文 参考訳（メタデータ） (2025-02-18T12:01:55Z) - CRTRE: Causal Rule Generation with Target Trial Emulation Framework [47.2836994469923]
ターゲットトライアルエミュレーションフレームワーク(CRTRE)を用いた因果ルール生成という新しい手法を提案する。
CRTREは、アソシエーションルールの因果効果を推定するためにランダム化トライアル設計原則を適用している。
次に、病気発症予測などの下流アプリケーションにそのような関連ルールを組み込む。
論文 参考訳（メタデータ） (2024-11-10T02:40:06Z) - Phikon-v2, A large and public feature extractor for biomarker prediction [42.52549987351643]
我々は、DINOv2を用いて視覚変換器を訓練し、このモデルの1つのイテレーションを公開して、Phikon-v2と呼ばれるさらなる実験を行う。
Phikon-v2は、公開されている組織学のスライドをトレーニングしながら、以前リリースしたモデル(Phikon)を上回り、プロプライエタリなデータでトレーニングされた他の病理学基盤モデル(FM)と同等に動作します。
論文 参考訳（メタデータ） (2024-09-13T20:12:29Z) - A method for detecting dead fish on large water surfaces based on improved YOLOv10 [0.6874745415692134]
死んだ魚は水質の悪化、生態系の損傷、病気の伝染などの重大な問題を引き起こす可能性がある。
本稿では,拡張YOLOv10フレームワーク上に構築したエンドツーエンド検出モデルを提案する。
論文 参考訳（メタデータ） (2024-08-31T08:43:37Z) - Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。
iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
論文 参考訳（メタデータ） (2024-07-10T19:17:23Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳（メタデータ） (2023-09-13T10:40:41Z) - 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) - DeepSeaNet: Improving Underwater Object Detection using EfficientDet [0.0]
このプロジェクトでは、注釈付き水中データセット上で様々な物体検出モデルを実装し、評価する。
このデータセットは、Limfjorden水中で捕獲された魚、カニ、ヒトデ、その他の水生動物の注釈画像からなる。
I compare the results of YOLOv3 (31.10% mean Average Precision (mAP)), YOLOv4 (83.72% mAP), YOLOv5 (97.6%), YOLOv8 (98.20%), EfficientDet (98.56% mAP) and Detectron2 (95.20% mAP) on the same dataset。
論文 参考訳（メタデータ） (2023-05-26T13:41:35Z)
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。