論文の概要: TinyEcoWeedNet: Edge Efficient Real-Time Aerial Agricultural Weed Detection

• arxiv url: http://arxiv.org/abs/2509.18193v1
• Date: Fri, 19 Sep 2025 13:57:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-24 20:41:27.47718
• Title: TinyEcoWeedNet: Edge Efficient Real-Time Aerial Agricultural Weed Detection
• Title（参考訳）: TinyEcoWeedNet:エッジ効率のよいリアルタイム農業雑草検出
• Authors: Omar H. Khater, Abdul Jabbar Siddiqui, Aiman El-Maleh, M. Shamim Hossain,
• Abstract要約: 本研究では、構造化チャネルプルーニング、量子化対応トレーニング(QAT)、Jetson Orin Nano上のNVIDIAのRTによるアクセラレーションを用いたEcoWeedNetの圧縮版を示す。 モデルサイズは68.5%まで減少し、計算量は3.2 GFLOPsに、推論速度はFP16で184 FPSに達し、ベースラインより28.7%速くなった。
• 参考スコア（独自算出の注目度）: 12.921021511107769
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deploying deep learning models in agriculture is difficult because edge devices have limited resources, but this work presents a compressed version of EcoWeedNet using structured channel pruning, quantization-aware training (QAT), and acceleration with NVIDIA's TensorRT on the Jetson Orin Nano. Despite the challenges of pruning complex architectures with residual shortcuts, attention mechanisms, concatenations, and CSP blocks, the model size was reduced by up to 68.5% and computations by 3.2 GFLOPs, while inference speed reached 184 FPS at FP16, 28.7% faster than the baseline. On the CottonWeedDet12 dataset, the pruned EcoWeedNet with a 39.5% pruning ratio outperformed YOLO11n and YOLO12n (with only 20% pruning), achieving 83.7% precision, 77.5% recall, and 85.9% mAP50, proving it to be both efficient and effective for precision agriculture.
• Abstract（参考訳）: エッジデバイスにはリソースが限られているため、農業にディープラーニングモデルをデプロイすることは難しいが、この研究は、構造化チャネルプルーニング、量子化対応トレーニング(QAT)、Jetson Orin Nano上のNVIDIAのTensorRTによるアクセラレーションを使用して、EcoWeedNetの圧縮バージョンを提示する。 余分なショートカット、アテンション機構、連結、CSPブロックで複雑なアーキテクチャを刈り取るという課題にもかかわらず、モデルのサイズは68.5%まで減少し、計算速度は3.2 GFLOPs、予測速度はFP16で184 FPSに達し、ベースラインよりも28.7%速くなった。 CottonWeedDet12データセットでは、39.5%のプルーニング比で、YOLO11nとYOLO12n(20%のプルーニング)を上回り、83.7%の精度、77.5%のリコール、85.9%のmAP50を達成した。

関連論文リスト

• A Novel Compression Framework for YOLOv8: Achieving Real-Time Aerial Object Detection on Edge Devices via Structured Pruning and Channel-Wise Distillation [0.0]
  YOLOv8オブジェクト検出モデルのための新しい3段階圧縮パイプラインを提案する。 スパシティ対応トレーニング、構造化チャネルプルーニング、CWD(Channel-Wise Knowledge Distillation)が使用されている。 VisDroneデータセットの実験では、複数のYOLOv8変種にまたがるアプローチの有効性が示されている。
  論文  参考訳（メタデータ） (2025-09-16T10:11:59Z)
• Cott-ADNet: Lightweight Real-Time Cotton Boll and Flower Detection Under Field Conditions [2.924203615782323]
  Cott-ADNetは、複雑なフィールド条件下での綿棒や花の認識に適した軽量リアルタイム検出器である。 YOLOv11n上に構築されたCott-ADNetは、畳み込み設計の改善を通じて空間表現とロバスト性を向上させる。 実験の結果、Cott-ADNetは91.5%の精度、89.8%のリコール、93.3%のmAP50、71.3%のmAP、90.6%のF1スコアを達成した。
  論文  参考訳（メタデータ） (2025-09-15T20:50:03Z)
• SenseExpo: Efficient Autonomous Exploration with Prediction Information from Lightweight Neural Networks [3.6404856388891793]
  SenseExpoは、軽量な予測ネットワークに基づく効率的な自律探査フレームワークである。 我々の最小モデルでは、U-netやLaMaよりもKTHデータセットの性能が向上している。
  論文  参考訳（メタデータ） (2025-03-20T10:07:51Z)
• Efficient Joint Optimization of Layer-Adaptive Weight Pruning in Deep Neural Networks [48.089501687522954]
  ディープニューラルネットワーク(DNN)のための新しい層適応型重み決定手法を提案する。 我々のアプローチは、レイヤ適応型プルーニングスキームを設計するためのすべてのレイヤの集団的影響を考慮に入れている。 我々の実験は、ImageNetとCIFAR-10データセット上の既存の手法よりも、我々のアプローチの方が優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-21T03:22:47Z)
• Ultra-low Power Deep Learning-based Monocular Relative Localization Onboard Nano-quadrotors [64.68349896377629]
  この研究は、2つのピアナノドロンのディープニューラルネットワーク(DNN)を介して、単分子の相対的な局所化に対処する、新しい自律的なエンドツーエンドシステムを示す。 超制約ナノドローンプラットフォームに対処するため,データセットの増大,量子化,システム最適化などを含む垂直統合フレームワークを提案する。 実験の結果,DNNは低分解能モノクローム画像のみを用いて最大2mの距離で10cmのターゲットナノドローンを正確に局在させることができることがわかった。
  論文  参考訳（メタデータ） (2023-03-03T14:14:08Z)
• 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)
• Pushing the Limits of Asynchronous Graph-based Object Detection with Event Cameras [62.70541164894224]
  低計算を維持しながら、そのようなモデルの深さと複雑さを拡大できるアーキテクチャ選択をいくつか導入する。 我々の手法は、密度の高いグラフニューラルネットワークよりも3.7倍高速に動作し、前方通過はわずか8.4msである。
  論文  参考訳（メタデータ） (2022-11-22T15:14:20Z)
• BottleFit: Learning Compressed Representations in Deep Neural Networks for Effective and Efficient Split Computing [48.11023234245863]
  圧縮速度が強い場合でも高い精度を達成するための新しいトレーニング戦略を含む,BottleFitと呼ばれる新しいフレームワークを提案する。 BottleFitは77.1%のデータ圧縮を実現し、ImageNetデータセットでは最大で0.6%の精度でロスする。 本稿では,BottleFitが消費電力とレイテンシを最大で49%,(w.r.t.)ローカルコンピューティングでは89%,エッジオフロードでは37%,W.r.t.エッジオフロードでは55%削減することを示した。
  論文  参考訳（メタデータ） (2022-01-07T22:08:07Z)
• Non-Parametric Adaptive Network Pruning [125.4414216272874]
  アルゴリズム設計を簡略化するノンパラメトリックモデリングを導入。 顔認識コミュニティに触発されて,メッセージパッシングアルゴリズムを用いて,適応的な例示数を求める。 EPrunerは「重要」フィルタを決定する際にトレーニングデータへの依存を壊します。
  論文  参考訳（メタデータ） (2021-01-20T06:18:38Z)
• Pre-defined Sparsity for Low-Complexity Convolutional Neural Networks [9.409651543514615]
  この研究は、フィルタ内で定期的に繰り返されるサポートセットを持つ、事前に定義されたスパース2Dカーネルを持つ畳み込みレイヤを導入している。 周期的なスパースカーネルの効率的な保存のため、パラメータの節約はエネルギー効率を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2020-01-29T07:10:56Z)

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。