論文の概要: Bee Detection and Tracking at Hive Entrance using YOLO11 and ByteTrack

• arxiv url: http://arxiv.org/abs/2608.23213v1
• Date: Mon, 24 Aug 2026 13:05:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:44.111702
• Title: Bee Detection and Tracking at Hive Entrance using YOLO11 and ByteTrack
• Title（参考訳）: YOLO11とByteTrackを用いたHive Entranceにおける蜂検出と追跡
• Abstract要約: 本研究は,データ増強,背骨凍結,トラッカーパラメータ最適化がミツバチの検出と数に及ぼす影響について検討した。 進行性背骨凍結戦略を持つ検出器は97.0%の精度と98.7%のmAP50を達成し、完全な微調整よりも安定した収束を実現した。
• 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: This work presents an automatic bee entrance monitoring system based on YOLO11 transfer learning and the ByteTrack tracking algorithm. The study investigates the influence of data augmentation, backbone freezing, and tracker parameter optimization on the detection and counting of small, fast-moving bees. The detector with progressive backbone unfreezing strategy achieved about 97.0% precision and 98.7% mAP50, while providing more stable convergence than full fine-tuning. Experiments also showed that light augmentation outperformed heavy augmentation. For tracking, ByteTrack parameters were optimized to improve trajectory continuity under low-confidence detections. On an independent 25 FPS side-view video, the optimized YOLO11-ByteTrack system correctly counted 43 of 47 incoming bees (91.5%) and 7 of 30 outgoing bees (23.3%). Error analysis showed that most counting errors were caused by missed detections due to rapid bee motion and motion blur, while tracking failures became less frequent after parameter optimization. Overall, the results indicate that moderate augmentation, progressive backbone unfreezing, and ByteTrack tuning improve the reliability of automatic bee entrance monitoring under realistic recording conditions.
• Abstract（参考訳）: 本研究は、YOLO11転送学習とByteTrack追跡アルゴリズムに基づく自動蜂侵入監視システムを提案する。 本研究は,データ増強,背骨凍結,トラッカーパラメータ最適化がミツバチの検出と数に及ぼす影響について検討した。 進行性背骨凍結戦略を持つ検出器は97.0%の精度と98.7%のmAP50を達成し、完全な微調整よりも安定した収束を実現した。 実験の結果、光の増光は大きな増光よりも優れていた。 トラッキングのためにByteTrackパラメータは、低信頼度検出下での軌道継続性を改善するために最適化された。 独立の25FPSのサイドビュービデオでは、最適化されたYOLO11-ByteTrackシステムは47羽のミツバチ(91.5%)と30羽のミツバチ(23.3%)の7羽のミツバチ(23.3%)の43羽のミツバチを正確にカウントした。 誤差解析の結果、ほとんどのカウントエラーは、急激な蜂の動きや動きのぼかしによる検出の欠落によって発生し、一方、パラメータ最適化後に障害の追跡頻度が低下した。 以上の結果から,緩やかな拡張,進行性背骨凍結,ByteTrackチューニングにより,現実的な記録条件下での自動侵入監視の信頼性が向上することが示唆された。

関連論文リスト

• End-to-End Real-Time Drone-Based Person Detection Framework Using Deep Learning [0.0]
  本研究は、無線ライブドローンビデオフィードを介してターゲットを検出するための統合リアルタイム検出パイプラインを提案する。 VisDrone 2019データセットに基づいてトレーニングされたYOLOv8-nanoモデルは、それぞれ57.4%、41%、44.8%、20.3%の精度、リコール、mAP50:95を達成した。 本研究の目的は、無線通信による空中プラットフォームからのリアルタイム人検出を可能にすることである。
  論文  参考訳（メタデータ） (2026-07-12T06:55:26Z)
• Scaling Closed-Loop Feature Channel Configuration with LLMs [48.83701310501069]
  この分析では,8サイクルから2000件の候補が生成され,タスクおよびメタデータフィルタリング後のCIFAR-100の評価結果が462件得られた。 最良のモデルは11.8Mパラメータで0.3676に達し、初期のハイパフォーマンスモデルは0.3144で166.5Mパラメータである。 検証された候補の41.8%で2つのチャネル幅の非パワーが発生し、最強のモデルではチャネル配置パターンが共有される。
  論文  参考訳（メタデータ） (2026-07-07T22:31:53Z)
• Detecting Object Tracking Failure via Sequential Hypothesis Testing [80.7891291021747]
  ビデオにおけるリアルタイムのオンラインオブジェクト追跡は、コンピュータビジョンにおける中核的なタスクである。 本稿では,物体追跡を逐次的仮説テストとして解釈することを提案する。 本研究では,地中追跡情報と内部追跡情報の両方を活用することにより,教師なしと教師なしの両方の変種を提案する。
  論文  参考訳（メタデータ） (2026-02-13T14:57:15Z)
• HGO-YOLO: Advancing Anomaly Behavior Detection with Hierarchical Features and Lightweight Optimized Detection [0.0]
  HGO-YOLOはGhostHGNetv2と最適化されたパラメータ共有ヘッド(OptiConvDetect)を組み合わせた軽量検出器である。 3つの異常データセット上では、HGO-YOLOは87.4%のmAP@0.5と81.1%のリコールを、たった4.3 GFLOPsと4.6MBのYOLOv8nを+3.0% mAP、-51.7% FLOPs、1.7*の速度で1つのCPU上で56 FPSで達成している。
  論文  参考訳（メタデータ） (2025-03-10T14:29:12Z)
• A Wearable Gait Monitoring System for 17 Gait Parameters Based on Computer Vision [4.318964235548601]
  このシステムは、片方の靴に取り付けられたステレオカメラを使って、反対側の靴のマーカーを追跡する。 靴のヒールに付着したFSR(Force Sensitive Resistor)と、カスタム設計のアルゴリズムを組み合わせることで、時間的歩行パラメータを測定する。 このシステムは費用対効果が高く、ユーザフレンドリで、実生活の計測に適している。
  論文  参考訳（メタデータ） (2024-11-16T08:25:22Z)
• RTracker: Recoverable Tracking via PN Tree Structured Memory [71.05904715104411]
  本稿では,木構造メモリを用いてトラッカーと検出器を動的に関連付け,自己回復を可能にするRTrackerを提案する。 具体的には,正負と負のターゲットサンプルを時系列に保存し,維持する正負のツリー構造メモリを提案する。 我々の中核となる考え方は、正と負の目標カテゴリーの支持サンプルを用いて、目標損失の信頼性評価のための相対的距離に基づく基準を確立することである。
  論文  参考訳（メタデータ） (2024-03-28T08:54:40Z)
• BEVTrack: A Simple and Strong Baseline for 3D Single Object Tracking in Bird's-Eye View [54.48052449493636]
  3Dシングルオブジェクトトラッキング(SOT)はコンピュータビジョンの基本課題であり、自律運転のようなアプリケーションにおいて重要な役割を果たす。 BEVTrackは、シンプルだが効果的な動きに基づくトラッキング手法である。 我々は,BEVTrackが200FPSで動作しながら最先端の結果を達成し,リアルタイム適用性を実現していることを示す。
  論文  参考訳（メタデータ） (2023-09-05T12:42:26Z)
• High-temporal-resolution event-based vehicle detection and tracking [0.0]
  イベントベースのビジョンは、その高時間分解能(1us)、高ダイナミックレンジ(>120dB)、わずか数マイクロ秒の出力遅延によって、近年急速に成長している。 この研究は、最先端のフレームベースの検出器とイベントベースの手法を活用する、オブジェクト検出と追跡のためのハイブリッドでマルチモーダルなアプローチを探求する。
  論文  参考訳（メタデータ） (2022-12-29T12:45:06Z)
• VariabilityTrack:Multi-Object Tracking with Variable Speed Object Movement [1.6385815610837167]
  マルチオブジェクトトラッキング(MOT)は、ビデオ内のオブジェクトのバウンディングボックスとIDを推定することを目的としている。 環境フィードバックに基づく可変速度カルマンフィルタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-03-12T12:39:41Z)
• Cascaded Regression Tracking: Towards Online Hard Distractor Discrimination [202.2562153608092]
  本稿では,2段階の逐次回帰トラッカーを提案する。 第1段階では, 容易に同定可能な負の候補を抽出する。 第2段階では、残留するあいまいな硬質試料をダブルチェックするために、離散サンプリングに基づくリッジ回帰を設計する。
  論文  参考訳（メタデータ） (2020-06-18T07:48:01Z)
• Tracking Objects as Points [83.9217787335878]
  同時に検出と追跡を同時に行うアルゴリズムは,最先端技術よりもシンプルで,高速で,高精度である。 トラッカーであるCenterTrackは、前のフレームから一対のイメージと検出に検出モデルを適用します。 CenterTrackはシンプルで、オンライン(未来を覗くことはない)で、リアルタイムだ。
  論文  参考訳（メタデータ） (2020-04-02T17:58:40Z)

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。