論文の概要: A Novel Public Dataset for Strawberry (Fragaria x ananassa) Ripeness Detection and Comparative Evaluation of YOLO-Based Models

• arxiv url: http://arxiv.org/abs/2602.15656v1
• Date: Tue, 17 Feb 2026 15:30:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-18 16:03:18.111494
• Title: A Novel Public Dataset for Strawberry (Fragaria x ananassa) Ripeness Detection and Comparative Evaluation of YOLO-Based Models
• Title（参考訳）: キイチゴ(Fragaria x ananassa)の熟度検出のための新しい公開データセットとYOLOモデルの比較評価
• Authors: Mustafa Yurdakul, Zeynep Sena Bastug, Ali Emre Gok, Sakir Taşdemir,
• Abstract要約: 本研究では,566枚の画像と1,201枚のラベル付きオブジェクトからなるイチゴ熟成データセットを提案する。 最高精度はYOLOv8cモデルで90.94%、最高リコール値はYOLO11sモデルで83.74%であった。 その結果,このタイプのデータセットでは,小型モデルと中型モデルの方がバランスが良く,効率的に動作することがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The strawberry (Fragaria x ananassa), known worldwide for its economic value and nutritional richness, is a widely cultivated fruit. Determining the correct ripeness level during the harvest period is crucial for both preventing losses for producers and ensuring consumers receive a quality product. However, traditional methods, i.e., visual assessments alone, can be subjective and have a high margin of error. Therefore, computer-assisted systems are needed. However, the scarcity of comprehensive datasets accessible to everyone in the literature makes it difficult to compare studies in this field. In this study, a new and publicly available strawberry ripeness dataset, consisting of 566 images and 1,201 labeled objects, prepared under variable light and environmental conditions in two different greenhouses in Turkey, is presented to the literature. Comparative tests conducted on the data set using YOLOv8, YOLOv9, and YOLO11-based models showed that the highest precision value was 90.94% in the YOLOv9c model, while the highest recall value was 83.74% in the YOLO11s model. In terms of the general performance criterion mAP@50, YOLOv8s was the best performing model with a success rate of 86.09%. The results show that small and medium-sized models work more balanced and efficiently on this type of dataset, while also establishing a fundamental reference point for smart agriculture applications.
• Abstract（参考訳）: イチゴ(Fragaria x ananassa)は、その経済的価値と栄養豊かさで世界的に知られている果実である。 収穫期間中の適切な熟度を決定することは、生産者の損失を防止し、消費者が品質の高い製品を受け取ることを確実にするために重要である。 しかし、従来の手法、すなわち視覚的評価単独は主観的であり、エラーのマージンが高い。 そのため、コンピュータ支援システムが必要である。 しかし、文献のすべての人にアクセスできる包括的データセットの不足は、この分野の研究を比較するのを困難にしている。 本研究では,トルコの2つの異なる温室において,変光条件および環境条件下で調製された566枚の画像と1,201個のラベル付きオブジェクトからなる,新たに公開されたイチゴ熟成データセットについて報告する。 YOLOv8, YOLOv9, YOLO11モデルを用いたデータセットで行った比較試験の結果, YOLOv9cモデルでは90.94%, YOLO11sモデルでは83.74%であった。 一般的なパフォーマンス基準であるmAP@50では、YOLOv8sは86.09%の成功率で最高のパフォーマンスモデルであった。 その結果、このタイプのデータセットでは、小規模および中規模のモデルの方がよりバランスよく効率的に機能し、スマート農業応用の基本的な基準点を確立していることがわかった。

関連論文リスト

• Mam-App: A Novel Parameter-Efficient Mamba Model for Apple Leaf Disease Classification [0.8653321928148544]
  Mam-Appは特徴抽出と葉病分類のためのパラメータ効率のよいMambaベースのモデルである。 精度は99.58%、精度は99.30%、リコールは99.14%、F1スコアは99.22%、パラメータは0.051Mである。
  論文  参考訳（メタデータ） (2026-01-29T05:59:53Z)
• Beyond Correctness: Evaluating Subjective Writing Preferences Across Cultures [87.75098311090642]
  現在の選好学習法は、標準ベンチマークで高い精度を達成するが、客観的な品質信号を取り除いた場合、顕著な性能劣化を示す。 我々は、8つのクリエイティブな著作ジャンルにまたがる1,800の人手による好みペア(1,200の英語、600の中国語)のデータセットであるWriteingPreferenceBenchを紹介した。
  論文  参考訳（メタデータ） (2025-10-16T12:23:13Z)
• Assessing the Capability of YOLO- and Transformer-based Object Detectors for Real-time Weed Detection [0.0]
  YOLOv8, YOLOv9, YOLOv10, RT-DETRのすべての利用可能なモデルは、実地状況の画像を用いて訓練され、評価される。 その結果、評価された指標では、全てのモデルが等しくよく機能するのに対し、YOLOv9モデルは強いリコールスコアの点で際立っていることがわかった。 RT-DETRモデル、特にRT-DETR-lは、データセット1では82.44 %、データセット2では81.46 %の精度で優れている。
  論文  参考訳（メタデータ） (2025-01-29T02:39:57Z)
• 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)
• Performance Evaluation of YOLOv8 Model Configurations, for Instance Segmentation of Strawberry Fruit Development Stages in an Open Field Environment [0.0]
  本研究では, オープンフィールド環境下でイチゴを熟成・未熟成段階に分割するためのYOLOv8モデル構成の性能評価を行った。 YOLOv8nモデルは、平均平均精度 (mAP) が80.9%と優れたセグメンテーション精度を示し、他のYOLOv8構成よりも優れていた。
  論文  参考訳（メタデータ） (2024-08-11T00:33:45Z)
• Common 7B Language Models Already Possess Strong Math Capabilities [61.61442513067561]
  本稿では,LLaMA-2 7Bモデルと事前学習を併用したモデルが,すでに強力な数学的能力を示していることを示す。 拡張スケーリングの可能性は、公開されている数学の質問の不足によって制限されている。
  論文  参考訳（メタデータ） (2024-03-07T18:00:40Z)
• 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)
• Are Sample-Efficient NLP Models More Robust? [90.54786862811183]
  サンプル効率(所定のID精度に到達するために必要なデータ量)とロバスト性(OOD評価モデルの評価方法)の関係について検討する。 高いサンプル効率は、いくつかのモデリング介入やタスクにおいて、より平均的なOODロバスト性にのみ相関するが、それ以外は相関しない。 これらの結果から,サンプル効率向上のための汎用手法は,データセットとタスクに依存した汎用的なOODロバスト性向上をもたらす可能性が示唆された。
  論文  参考訳（メタデータ） (2022-10-12T17:54:59Z)
• Characterizing Fairness Over the Set of Good Models Under Selective Labels [69.64662540443162]
  同様の性能を実現するモデルセットに対して,予測公正性を特徴付けるフレームワークを開発する。 到達可能なグループレベルの予測格差の範囲を計算するためのトラクタブルアルゴリズムを提供します。 選択ラベル付きデータの実証的な課題に対処するために、我々のフレームワークを拡張します。
  論文  参考訳（メタデータ） (2021-01-02T02:11:37Z)

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。