論文の概要: Cross-Generation Optimization of YOLOv26, YOLOv11, and YOLOv8 for Fine-Grained Small-Object Detection and Instance Segmentation in Complex Orchards
- arxiv url: http://arxiv.org/abs/2608.23636v1
- Date: Sun, 23 Aug 2026 17:00:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-26 14:09:34.434138
- Title: Cross-Generation Optimization of YOLOv26, YOLOv11, and YOLOv8 for Fine-Grained Small-Object Detection and Instance Segmentation in Complex Orchards
- Title（参考訳）: 複合オーチャードにおける細粒小物体検出とインスタンス分割のためのYOLOv26, YOLOv11, YOLOv8のクロスジェネレーション最適化
- Abstract要約: 本研究は, リンゴ果実, カリックス, ペプンクル構造を検出, 分別するUltralytics YOLOv8, YOLOv11, YOLOv26のクロスジェネレーションベンチマークを提案する。
Peduncleは、最も難しいクラスにとどまった。全体としては、小さなオブジェクトに焦点を絞った、コンパクトでモデレートなYOLOモデルは、精度の高いトレードオフを提供する。
- 参考スコア（独自算出の注目度）: 3.2882817259131403
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Small-object detection and instance segmentation remain challenging in orchard environments because of green-on-green similarity, occlusion, and limited pixel representation of fine fruit anatomy. This study presents a cross-generation benchmark of Ultralytics YOLOv8, YOLOv11, and YOLOv26 for detecting and segmenting apple fruitlet, calyx, and peduncle structures for robotic orchard perception. Five model scales (n, s, m, l, and x) were evaluated under conventional 640 x 640 and small-object focused 960 x 960 training configurations, yielding 30 experiments. Increasing model capacity did not consistently improve accuracy. YOLOv11s-960 achieved the highest observed mask mAP@50:95 (0.402) and box mAP@50:95 (0.426), while YOLOv26s-960 achieved comparable values of 0.397 and 0.425 with only 10.37 M parameters and 34.1 GFLOPs. Peduncle remained the most challenging class. Overall, compact-to-moderate YOLO models with small-object-focused training provided favorable accuracy efficiency trade-offs, establishing a practical benchmark for fine-grained agricultural robotics and orchard perception. Github Link: https://github.com/rnjnspkt/Optimizing-and-Comparing-Ultralytics-YOLOv26-YOLOv11-and-YOLOv8-for-Smal l-Object-Detection-and-Seg
- Abstract（参考訳）: 果樹園環境における小物検出とインスタンス分割は, 緑と緑との類似性, 閉塞性, 微細果実解剖のピクセル表現が限定的であるため, 依然として困難である。
本研究は, 人工果樹知覚のためのリンゴ果実, カリックス, ペプンクル構造の検出・分画のための超解像 YOLOv8, YOLOv11, YOLOv26 のクロスジェネレーションベンチマークを提案する。
5つのモデルスケール (n, s, m, l, x) を従来の640 x 640および小対象に焦点を絞った960 x 960のトレーニング構成で評価し, 30実験を行った。
モデル容量の増大は、常に精度を向上しなかった。
YOLOv11s-960は最も観測されたマスクmAP@50:95 (0.402)とボックスmAP@50:95 (0.426)を達成し、YOLOv26s-960は10.37Mパラメータと34.1GFLOPで0.397と0.425を達成した。
ペドゥンクルは最も挑戦的なクラスだった。
全体として、小型で目標に焦点を絞ったYOLOモデルは、精度のよいトレードオフを提供し、きめ細かい農業ロボティクスと果樹園の知覚のための実用的なベンチマークを確立した。
Githubリンク:https://github.com/rnjnspkt/Optimizing-and-comparing-Ultralytics-YOLOv26-YOLOv11-and-YOLOv8-for-Sma ll-Object-detection-and-Seg
関連論文リスト
- Does YOLO26 Truly Offer Advantages Over Its Predecessors for Edge Deployment? A Benchmark Study in Aquaculture [10.984180846607808]
最近導入されたYOLO26アーキテクチャは、NMSのないエンドツーエンドの推論を取り入れており、リソース制約のあるCPUベースのデバイスへのデプロイに最適化されている。
本研究は,魚の死亡診断のためのナノモデル,小型モデル,中型の3種類のUltralytics前駆体に対するYOLO26のベンチマークを示す。
論文 参考訳（メタデータ） (2026-07-10T15:38:04Z) - Generalization vs. Specialization: Evaluating Segment Anything Model (SAM3) Zero-Shot Segmentation Against Fine-Tuned YOLO Detectors [3.5648679864643573]
この研究は、ゼロショットモードで動作するSAM3(Segment Anything Model, SAMv3)とインスタンスセグメンテーションのために微調整された3種類のUltralytics YOLO11の比較を示す。
YOLOはIoU範囲で48-50点の急激な劣化を示し、SAM3はわずか4点の低下を示し、SAM3の12倍の安定性を示した。
論文 参考訳（メタデータ） (2025-12-09T01:54:04Z) - YOLOv13: Real-Time Object Detection with Hypergraph-Enhanced Adaptive Visual Perception [58.06752127687312]
高精度で軽量な物体検出器YOLOv13を提案する。
ハイパーグラフに基づく適応相関強化(HyperACE)機構を提案する。
また,FullPAD(Full-Pipeline Aggregation-and-Distribution)パラダイムを提案する。
論文 参考訳（メタデータ） (2025-06-21T15:15:03Z) - YOLO Evolution: A Comprehensive Benchmark and Architectural Review of YOLOv12, YOLO11, and Their Previous Versions [0.0]
本研究は, YOLOv3から最新のYOLOv12への包括的実験評価である。
考慮すべき課題は、さまざまなオブジェクトサイズ、多様なアスペクト比、単一クラスの小さなオブジェクトである。
分析では各YOLOバージョンの特徴的長所と短所を強調した。
論文 参考訳（メタデータ） (2024-10-31T20:45:00Z) - YOLO11 and Vision Transformers based 3D Pose Estimation of Immature Green Fruits in Commercial Apple Orchards for Robotic Thinning [0.4143603294943439]
商業用果樹果樹における未熟リンゴ(フルーツレット)の3次元ポーズ推定法を開発した。
YOLO11(またはYOLOv11)オブジェクト検出とポーズ推定アルゴリズムとViT(Vision Transformers)を併用して深度推定を行う。
YOLO11nは、ボックス精度と精度の点で、YOLO11とYOLOv8のすべての構成を上回った。
論文 参考訳（メタデータ） (2024-10-21T17:00:03Z) - Quantizing YOLOv7: A Comprehensive Study [0.0]
本稿では,最先端のYOLOv7モデルの事前学習重みに対する様々な量子化スキームの有効性について検討する。
その結果、4ビット量子化と異なる粒度の組合せを組み合わせることで、均一な量子化と非一様量子化のための3.92倍と3.86倍のメモリ節約が得られることがわかった。
論文 参考訳（メタデータ） (2024-07-06T03:23:04Z) - YOLOv10: Real-Time End-to-End Object Detection [68.28699631793967]
リアルタイムオブジェクト検出の分野では,YOLOが主流のパラダイムとして浮上している。
非最大抑圧(NMS)による処理後ハマーによるYOLOのエンドツーエンドデプロイメントへの依存。
YOLOの総合的効率-精度駆動型モデル設計戦略を紹介する。
論文 参考訳（メタデータ） (2024-05-23T11:44:29Z) - YOLO-World: Real-Time Open-Vocabulary Object Detection [87.08732047660058]
オープン語彙検出機能でYOLOを強化する革新的なアプローチであるYOLO-Worldを紹介する。
提案手法は,ゼロショット方式で広範囲の物体を高効率で検出する。
YOLO-WorldはV100上で52.0 FPSの35.4 APを達成した。
論文 参考訳（メタデータ） (2024-01-30T18:59:38Z) - YOLO-MS: Rethinking Multi-Scale Representation Learning for Real-time Object Detection [63.36722419180875]
YOLO-MSと呼ばれる効率的かつ高性能な物体検出器を提供する。
私たちは、他の大規模なデータセットに頼ることなく、MS COCOデータセット上でYOLO-MSをスクラッチからトレーニングします。
私たちの作業は、他のYOLOモデルのプラグイン・アンド・プレイモジュールとしても機能します。
論文 参考訳（メタデータ） (2023-08-10T10:12:27Z) - Real-time Strawberry Detection Based on Improved YOLOv5s Architecture
for Robotic Harvesting in open-field environment [0.0]
本研究では, 屋外環境下でイチゴを検出するために, YOLOv5を用いたカスタムオブジェクト検出モデルを提案する。
最も高い平均精度は80.3%であり、提案されたアーキテクチャを用いて達成された。
このモデルは、リアルタイムのイチゴ検出とロボットピッキングのローカライズに十分高速である。
論文 参考訳（メタデータ） (2023-08-08T02:28:48Z) - 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) - 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)
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。