論文の概要: A Comparative Evaluation of Deep Learning Object Detection Models on a Real-World Multi-Plant Dataset from Africa

• arxiv url: http://arxiv.org/abs/2608.11053v1
• Date: Tue, 11 Aug 2026 15:22:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:46.103454
• Title: A Comparative Evaluation of Deep Learning Object Detection Models on a Real-World Multi-Plant Dataset from Africa
• Title（参考訳）: アフリカにおける実世界マルチプランデータセットを用いたディープラーニング物体検出モデルの比較評価
• Abstract要約: 本研究では,6つのオブジェクト検出モデル YOLOv5, YOLOv8, YOLO11, YOLO26, Faster R-CNN, RT-DETRの比較評価を行った。 その結果,RT-DETRは0.768,mAP@0.5:0.95,0.624で最高性能を達成した。 YOLOベースのモデルは、より高速なR-CNNに比べて訓練効率が優れていた。
• 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: The application of computer vision in agriculture has shown significant potential for improving crop monitoring and precision farming. However, many existing approaches rely on controlled datasets that do not adequately represent realworld farming conditions, particularly in underrepresented regions such as Africa. This study presents a comparative evaluation of six object detection models YOLOv5, YOLOv8, YOLO11, YOLO26, Faster R-CNN, and RT-DETR using a real-world dataset, AgriAISeg 1 , collected manually from Nigerian farms. AgriAISeg comprises 3,382 images of sesame, cabbage, and tomato crops captured under varying environmental conditions, including changes in illumination, occlusion, and viewing perspectives. Models were trained, and performance was assessed using precision, recall, mAP@0.5, and mAP@0.5:0.95. The results show that RT-DETR achieved the highest overall performance with a precision of 0.768 and mAP@0.5:0.95 of 0.624, while YOLOv8 and YOLO11 also demonstrated strong and consistent performance. In contrast, Faster R-CNN recorded significantly lower accuracy, with an overall mAP@0.5 of 0.466, indicating reduced effectiveness under complex field conditions. In addition, YOLO-based models exhibited superior training efficiency compared to Faster R-CNN.These findings demonstrate that modern one-stage and transformer-based detectors provide more reliable and efficient solutions for plant detection in realworld agricultural environments.
• Abstract（参考訳）: 農業におけるコンピュータビジョンの適用は、作物のモニタリングと精密農業を改善する大きな可能性を示している。 しかし、既存の多くのアプローチは、現実世界の農業条件を適切に表現しない制御されたデータセットに依存している。 本研究では,ナイジェリアの農場から手動で収集した実世界のデータセットAgriAISeg 1を用いて, YOLOv5, YOLOv8, YOLO11, YOLO26, YOLO26, Faster R-CNN, RT-DETRの6つの物体検出モデルの比較評価を行った。 AgriAISegは, 環境条件の異なるゴマ, キャベツ, トマトの3,382枚の画像から成っている。 モデルは訓練され、精度、リコール、mAP@0.5、mAP@0.5:0.95で評価された。 その結果,RT-DETRは0.768,mAP@0.5:0.95の0.624,YOLOv8,YOLO11は強い一貫した性能を示した。 対照的に、Faster R-CNNはmAP@0.5の0.466の精度を示し、複雑な場条件下での有効性を低下させた。 さらに, YOLOをベースとしたモデルでは, より高速なR-CNNに比べて訓練効率が優れており, 現代の一段式および変圧器型検出器は, 実環境における植物検出の信頼性と効率的なソリューションを提供することを示した。

関連論文リスト

• OccuBench: Evaluating AI Agents on Real-World Professional Tasks via Language Environment Simulation [57.505743202759646]
  OccuBenchは10の業界カテゴリと65の専門ドメインにわたる100の現実のプロフェッショナルタスクシナリオをカバーするベンチマークである。 我々のマルチエージェント合成パイプラインは, 可溶性, 校正困難, 文書基底の多様性を保証した評価インスタンスを自動生成する。
  論文  参考訳（メタデータ） (2026-04-13T00:27:32Z)
• AgriPath: A Systematic Exploration of Architectural Trade-offs for Crop Disease Classification [45.52399819498234]
  本研究は、細粒度作物病分類のための3つのモデルパラダイムの体系的比較を示す。 我々は16の作物と41の病気にまたがる111kの画像を含むベンチマークであるAgriPath-LF16を紹介する。 CNNは画像の精度が最も高いが、ドメインシフトによって劣化する。 対照的なVLMは、競合するクロスドメイン性能を持つ堅牢でパラメータ効率の良い代替手段を提供する。
  論文  参考訳（メタデータ） (2026-03-08T17:28:01Z)
• Detection of On-Ground Chestnuts Using Artificial Intelligence Toward Automated Picking [0.09176056742068812]
  伝統的な機械化された栗の収穫は、小さな生産者にとっては高価すぎる。 オーチャードフロアにおけるクリの正確な検出は、低コストで視覚誘導型自動収穫技術の開発に不可欠である。 本研究は,6524個の注釈付き栗を含む果樹園床の栗の319枚の画像を収集した。
  論文  参考訳（メタデータ） (2026-02-15T13:28:23Z)
• Facial Expression Recognition with YOLOv11 and YOLOv12: A Comparative Study [0.0]
  本研究では, FER の統一検出・分類フレームワークにおいて, YOLOv11n と YOLOv12n の2つの軽量モデルの性能について検討した。
  論文  参考訳（メタデータ） (2025-11-14T03:57:21Z)
• RF-DETR Object Detection vs YOLOv12 : A Study of Transformer-based and CNN-based Architectures for Single-Class and Multi-Class Greenfruit Detection in Complex Orchard Environments Under Label Ambiguity [0.8488322025656239]
  本研究では,RF-DETRオブジェクト検出ベースモデルとYOLOv12オブジェクト検出モデル構成の詳細な比較を行う。 単一クラス (greenfruit) とマルチクラス (occluded and non-ococuded greenfruits) アノテーションを備えたカスタムデータセットが開発された。 DINOv2のバックボーンと変形可能なアテンションを利用するRF-DETRモデルは、グローバルなコンテキストモデリングにおいて優れている。 YOLOv12はCNNベースの注意をローカル特徴抽出の強化に利用し、計算効率とエッジデプロイメントに最適化した。
  論文  参考訳（メタデータ） (2025-04-17T17:08:11Z)
• 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)
• Domain Generalization in Autonomous Driving: Evaluating YOLOv8s, RT-DETR, and YOLO-NAS with the ROAD-Almaty Dataset [0.0]
  本研究では,カザフスタンのユニークな運転環境における3つの最先端物体検出モデル(YOLOv8s, RT-DETR, YOLO-NAS)の領域一般化能力について検討した。 モデルの性能を再トレーニングせずに評価する。
  論文  参考訳（メタデータ） (2024-12-16T20:42:26Z)
• 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)
• 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)
• 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)
• A CNN Approach to Simultaneously Count Plants and Detect Plantation-Rows from UAV Imagery [56.10033255997329]
  畳み込みニューラルネットワーク(CNN)を用いた新しい深層学習手法を提案する。 高度に乾燥したプランテーション構成を考慮した植物を数えながら、同時にプランテーション・ロウを検出し、配置する。 提案手法は、異なる種類の作物のUAV画像において、植物と植物をカウントおよびジオロケートするための最先端の性能を達成した。
  論文  参考訳（メタデータ） (2020-12-31T18:51:17Z)

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。