論文の概要: Resource-Constrained UAV-Based Weed Detection for Site-Specific Management on Edge Devices

• arxiv url: http://arxiv.org/abs/2604.23442v1
• Date: Sat, 25 Apr 2026 20:58:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.340812
• Title: Resource-Constrained UAV-Based Weed Detection for Site-Specific Management on Edge Devices
• Title（参考訳）: エッジデバイス上でのサイト特化管理のための資源拘束型UAV雑草検出
• Authors: Linyuan Wang, Haibo Yao, Te-Ming Tseng, Kelvin Betitame, Xin Sun, Hanbo Huang, Dong Chen,
• Abstract要約: 本研究では,資源制約のあるエッジプラットフォーム上でのリアルタイムなUAV型雑草検出のためのデプロイ指向フレームワークを提案する。 畳み込みに基づくYOLOモデルを含む,最先端オブジェクト検出モデルの多種多様なセットを評価する。 軽量モデルは66%-71%のmAP50を実現し、レイテンシを大幅に低減し、リアルタイムのパフォーマンスを実現している。
• 参考スコア（独自算出の注目度）: 8.041496192545946
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Weeds compete with crops for light, water, and nutrients, reducing yield and crop quality. Efficient weed detection is essential for site-specific weed management (SSWM). Although deep learning models have been deployed on UAV-based edge systems, a systematic understanding of how different model architectures perform under real-world resource constraints is still lacking. To address this gap, this study proposes a deployment-oriented framework for real-time UAV-based weed detection on resource-constrained edge platforms. The framework integrates UAV data acquisition, model development, and on-device inference, with a focus on balancing detection accuracy and computational efficiency. A diverse set of state-of-the-art object detection models is evaluated, including convolution-based YOLO models (v8-v12) and transformer-based RT-DETR models (v1-v2). Experiments on three edge devices (Jetson Orin Nano, Jetson AGX Xavier, and Jetson AGX Orin) demonstrate clear trade-offs between accuracy and inference latency across models and hardware configurations. Results show that high-capacity models achieve up to 86.9% mAP50 but suffer from high latency, limiting real-time deployment. In contrast, lightweight models achieve 66%-71% mAP50 with significantly lower latency, enabling real-time performance. Among all models, RT-DETRv2-R50-M achieves competitive accuracy (79% mAP50) with improved efficiency, while YOLOv10n provides the fastest inference speed. YOLOv11s and RT-DETRv2-R50-M offer the best balance between accuracy and speed, making them strong candidates for real-time UAV deployment.
• Abstract（参考訳）: 雑草は、光、水、栄養のために作物と競合し、収量と作物の品質を低下させる。 サイト特異的雑草管理(SSWM)には,効率的な雑草検出が不可欠である。 ディープラーニングモデルは、UAVベースのエッジシステムにデプロイされているが、実際のリソース制約下で異なるモデルアーキテクチャがどのように機能するかについての体系的な理解はまだ不足している。 このギャップに対処するために,資源制約のあるエッジプラットフォーム上でのUAVによるリアルタイム雑草検出のためのデプロイ指向フレームワークを提案する。 このフレームワークは、UAVデータ取得、モデル開発、デバイス上の推論を統合し、検出精度と計算効率のバランスをとる。 畳み込みベースのYOLOモデル(v8-v12)やトランスフォーマーベースのRT-DETRモデル(v1-v2)など、最先端のオブジェクト検出モデルの多種多様なセットを評価する。 3つのエッジデバイス(Jetson Orin Nano、Jetson AGX Xavier、Jetson AGX Orin)の実験では、モデルとハードウェア構成間の精度と推論遅延の間に明確なトレードオフが示されている。 その結果、高容量モデルは86.9%のmAP50に達するが、レイテンシに悩まされ、リアルタイムデプロイメントが制限されることがわかった。 対照的に、軽量モデルは66%-71%のmAP50を実現し、レイテンシを大幅に低減し、リアルタイムのパフォーマンスを実現している。 すべてのモデルの中でRT-DETRv2-R50-Mは競争精度(79% mAP50)を向上し、YOLOv10nは最速の推論速度を提供する。 YOLOv11sとRT-DETRv2-R50-Mは精度と速度のバランスが良いため、UAVのリアルタイム展開に強い候補となる。

関連論文リスト

• MobileGeo: Exploring Hierarchical Knowledge Distillation for Resource-Efficient Cross-view Drone Geo-Localization [47.16612614191333]
  クロスビューなジオローカライゼーションにより、航空画像とジオタグ付き衛星データベースとのマッチングによるドローンのローカライゼーションが可能になる。 MobileGeoは、デバイス上の効率的なCVGL用に設計されたモバイルフレンドリーなフレームワークである。 MobileGeoはNVIDIA AGX Orinエッジデバイス上で251.5FPSで動作する。
  論文  参考訳（メタデータ） (2025-10-26T08:47:20Z)
• A Comprehensive Evaluation of YOLO-based Deer Detection Performance on Edge Devices [6.486957474966142]
  鹿の侵入による農業の経済的損失は、アメリカで毎年数億ドルに上っていると推定され、伝統的な緩和戦略の不適切さを浮き彫りにした。 このことは、リアルタイムの鹿検出と抑止能力を持つインテリジェントで自律的なソリューションに対する重要なニーズを浮き彫りにしている。 本研究では,シカ検出のための最先端深層学習モデルの総合的評価を行う。
  論文  参考訳（メタデータ） (2025-09-24T17:01:50Z)
• Efficient Federated Learning with Heterogeneous Data and Adaptive Dropout [62.73150122809138]
  Federated Learning(FL)は、複数のエッジデバイスを使用したグローバルモデルの協調トレーニングを可能にする、有望な分散機械学習アプローチである。 動的不均一モデルアグリゲーション(FedDH)と適応ドロップアウト(FedAD)の2つの新しい手法を備えたFedDHAD FLフレームワークを提案する。 これら2つの手法を組み合わせることで、FedDHADは精度(最大6.7%)、効率(最大2.02倍高速)、コスト(最大15.0%小型)で最先端のソリューションを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-07-14T16:19:00Z)
• Exploring Model Quantization in GenAI-based Image Inpainting and Detection of Arable Plants [0.0]
  安定ディフュージョンベースのインペインティングを利用して、10%のインクリメントでトレーニングデータを段階的に増加させ、最大200%まで増やすフレームワークを提案する。 本手法は,mAP50測定値を用いて,最先端物体検出モデルであるYOLO11(l)とRT-DETR(l)の2つを用いて評価を行った。 Jetson Orin Nano上での下流モデルの展開は、リソース制約のある環境での我々のフレームワークの実用可能性を示す。
  論文  参考訳（メタデータ） (2025-03-04T09:05:01Z)
• A Performance Analysis of You Only Look Once Models for Deployment on Constrained Computational Edge Devices in Drone Applications [0.0]
  本研究では,資源制約のあるエッジデバイスやクラウド環境へのオブジェクト検出モデルの展開を評価する。 NVIDIA Jetson Orin Nano、Orin NX、Raspberry Pi 5(RPI5)デバイスは、検出精度、推論速度、エネルギー消費を測定するためにテストされている。
  論文  参考訳（メタデータ） (2025-02-06T17:22:01Z)
• DEIM: DETR with Improved Matching for Fast Convergence [28.24665757155962]
  我々は,Transformer-based architectures (DETR) を用いたリアルタイムオブジェクト検出における収束の促進を目的としたトレーニングフレームワークDEIMを紹介する。 DETRモデルにおける1対1(O2O)マッチングに固有のスパース監督を緩和するため、DEIMはDense O2Oマッチング戦略を採用している。 Dense O2Oマッチングはコンバージェンスを高速化する一方、パフォーマンスに影響を与える可能性のある低品質のマッチも多数導入されている。
  論文  参考訳（メタデータ） (2024-12-05T15:10:13Z)
• FlowTS: Time Series Generation via Rectified Flow [67.41208519939626]
  FlowTSは、確率空間における直線輸送を伴う整流フローを利用するODEベースのモデルである。 非条件設定では、FlowTSは最先端のパフォーマンスを達成し、コンテキストFIDスコアはStockとETThデータセットで0.019と0.011である。 条件設定では、太陽予測において優れた性能を達成している。
  論文  参考訳（メタデータ） (2024-11-12T03:03:23Z)
• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• 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)

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。