論文の概要: Real-Time Fish Detection in Indonesian Marine Ecosystems Using Lightweight YOLOv10-nano Architecture

• arxiv url: http://arxiv.org/abs/2509.17406v1
• Date: Mon, 22 Sep 2025 07:02:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:16.252034
• Title: Real-Time Fish Detection in Indonesian Marine Ecosystems Using Lightweight YOLOv10-nano Architecture
• Title（参考訳）: 軽量YOLOv10-nanoアーキテクチャによるインドネシア海洋生態系のリアルタイム魚検出
• Authors: Jonathan Wuntu, Muhamad Dwisnanto Putro, Rendy Syahputra,
• Abstract要約: 本研究では,インドネシア海域におけるリアルタイム海洋魚検出のための最先端の深層学習モデルであるYOLOv10-nanoの実装について検討した。 YOLOv10のアーキテクチャは、CSPNetバックボーン、機能融合のためのPAN、ピラミッド空間注意ブロックなどの改善を特徴とし、効率的で正確なオブジェクト検出を可能にしている。 その結果, YOLOv10-nano は 0.966 の mAP50 と 0.606 の mAP50:95 で高い検出精度を達成し, 計算要求の低さを維持した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Indonesia's marine ecosystems, part of the globally recognized Coral Triangle, are among the richest in biodiversity, requiring efficient monitoring tools to support conservation. Traditional fish detection methods are time-consuming and demand expert knowledge, prompting the need for automated solutions. This study explores the implementation of YOLOv10-nano, a state-of-the-art deep learning model, for real-time marine fish detection in Indonesian waters, using test data from Bunaken National Marine Park. YOLOv10's architecture, featuring improvements like the CSPNet backbone, PAN for feature fusion, and Pyramid Spatial Attention Block, enables efficient and accurate object detection even in complex environments. The model was evaluated on the DeepFish and OpenImages V7-Fish datasets. Results show that YOLOv10-nano achieves a high detection accuracy with mAP50 of 0.966 and mAP50:95 of 0.606 while maintaining low computational demand (2.7M parameters, 8.4 GFLOPs). It also delivered an average inference speed of 29.29 FPS on the CPU, making it suitable for real-time deployment. Although OpenImages V7-Fish alone provided lower accuracy, it complemented DeepFish in enhancing model robustness. Overall, this study demonstrates YOLOv10-nano's potential for efficient, scalable marine fish monitoring and conservation applications in data-limited environments.
• Abstract（参考訳）: インドネシアの海洋生態系は、世界的に認知されているコーラル・トライアングルの一部であり、生物多様性の富の1つであり、保護のために効率的なモニタリングツールを必要としている。 従来の魚検出手法は時間を要するため、専門家の知識を必要とするため、自動化されたソリューションの必要性が高まる。 本研究は,インドネシア海域におけるリアルタイム海洋魚検出のための最先端の深層学習モデルであるYOLOv10-nanoの実装について,Bunaken National Marine Parkの試験データを用いて検討した。 YOLOv10のアーキテクチャは、CSPNetのバックボーン、機能融合のためのPAN、複雑な環境においても効率的かつ正確なオブジェクト検出を可能にするピラミッド空間注意ブロックなどの改善を特徴としている。 このモデルはDeepFishとOpenImages V7-Fishデータセットで評価された。 その結果, YOLOv10-nano は 0.966 の mAP50 と 0.606 の mAP50:95 で高い検出精度を達成し, 計算要求の低さ (2.7M パラメータ, 8.4 GFLOPs) を維持した。 また、CPU上での平均推論速度は29.29 FPSであり、リアルタイムのデプロイメントに適している。 OpenImages V7-Fishだけで精度は低かったが、モデルの堅牢性を高めるためにDeepFishを補完した。 本研究は, ヨロブ10-ナノがデータ制限環境における効率よく, スケーラブルな海洋魚のモニタリングと保全に有効であることを示す。

関連論文リスト

• A Comparative Study of YOLOv8 to YOLOv11 Performance in Underwater Vision Tasks [0.0]
  YOLOファミリーの1段階検出器は、単一の低遅延ネットワークで局所化と分類を融合するため、魅力的である。 比較操作条件にまたがる2つのデータセットをキュレートする。コーラル病セット(4,480イメージ、18クラス)と魚種セット(7,500イメージ、20クラス)である。 YOLOvs, YOLOv9-s, YOLOv10-s, YOLOv11-sを同一のハイパー参照でトレーニングし, 精度, リコール, mAP50, mAP50-95, 画像毎の推論時間, フレーム毎秒(FPS)を評価する。
  論文  参考訳（メタデータ） (2025-09-16T05:12:59Z)
• AquaFeat: A Features-Based Image Enhancement Model for Underwater Object Detection [0.0]
  本稿では,タスク駆動機能拡張を行う新しいプラグイン・アンド・プレイモジュールであるAquaFeatを提案する。 提案手法は,マルチスケール機能強化ネットワークを訓練したエンドツーエンドと検出器の損失関数を統合する。 挑戦的な水中データセット上でYOLOv8mと統合されたAquaFeatは、最先端の精度(0.877)とリコール(0.624)を達成し、競争力のあるmAPスコア(0.677のmAP@0.5、mAP@[0.5:0.95]の0.421)を達成している。
  論文  参考訳（メタデータ） (2025-08-17T12:22:18Z)
• ReconMOST: Multi-Layer Sea Temperature Reconstruction with Observations-Guided Diffusion [48.540756751934836]
  ReconMOSTは多層水温再構築のためのデータ駆動誘導拡散モデルフレームワークである。 提案手法はMLベースのSST再構成をグローバルな多層設定に拡張し,92.5%以上の欠落データを処理する。
  論文  参考訳（メタデータ） (2025-06-12T06:27:22Z)
• EPBC-YOLOv8: An efficient and accurate improved YOLOv8 underwater detector based on an attention mechanism [4.081096260595706]
  YOLOv8の背骨にチャネルと空間的注意を組み込むことにより,水中目標検出の精度を高めた。 我々のフレームワークは水中画像の劣化に対処し、データセットで0.5のスコアが76.7%、79.0のmAPを達成した。 これらのスコアは元のYOLOv8よりも2.3%高く、0.7%高い。
  論文  参考訳（メタデータ） (2025-02-09T06:09:56Z)
• A Computer Vision Approach to Estimate the Localized Sea State [45.498315114762484]
  本研究は, 船橋に設置した静止カメラ1台が捉えた運用用封筒内の海像の活用に焦点を当てた。 収集した画像は、深層学習モデルを訓練し、ビューフォートスケールに基づいて海の状態を自動的に認識する。
  論文  参考訳（メタデータ） (2024-07-04T09:07:25Z)
• 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)
• EdgeYOLO: An Edge-Real-Time Object Detector [69.41688769991482]
  本稿では, 最先端のYOLOフレームワークをベースとした, 効率的で低複雑さかつアンカーフリーな物体検出器を提案する。 我々は,訓練中の過剰適合を効果的に抑制する拡張データ拡張法を開発し,小型物体の検出精度を向上させるためにハイブリッドランダム損失関数を設計する。 私たちのベースラインモデルは、MS 2017データセットで50.6%のAP50:95と69.8%のAP50、VisDrone 2019-DETデータセットで26.4%のAP50と44.8%のAP50に達し、エッジコンピューティングデバイスNvidia上でリアルタイム要求(FPS>=30)を満たす。
  論文  参考訳（メタデータ） (2023-02-15T06:05:14Z)
• TempNet: Temporal Attention Towards the Detection of Animal Behaviour in Videos [63.85815474157357]
  本稿では,映像中の生物学的行動を検出するための,効率的なコンピュータビジョンと深層学習に基づく手法を提案する。 TempNetはエンコーダブリッジと残留ブロックを使用して、2段階の空間的、そして時間的、エンコーダでモデル性能を維持する。 本研究では,サブルフィッシュ (Anoplopoma fimbria) 幼虫の検出への応用を実証する。
  論文  参考訳（メタデータ） (2022-11-17T23:55:12Z)
• 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)
• Real-Time target detection in maritime scenarios based on YOLOv3 model [65.35132992156942]
  ウェブスクレイピングによって収集された56k以上の海洋船舶の画像からなる、新しい船舶データセットが提案されている。 Keras APIをベースとしたYOLOv3シングルステージ検出器がこのデータセット上に構築されている。
  論文  参考訳（メタデータ） (2020-02-10T15:25:19Z)

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。