論文の概要: A Multi-Dataset Benchmark of YOLO-Based Weed Detection in Precision Agriculture
- arxiv url: http://arxiv.org/abs/2609.33991v1
- Date: Sun, 27 Sep 2026 22:44:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-04 07:57:21.134103
- Title: A Multi-Dataset Benchmark of YOLO-Based Weed Detection in Precision Agriculture
- Title（参考訳）: 精密農業におけるYOLOを用いた雑草検出のマルチデータセットベンチマーク
- Abstract要約: 本稿では,精密農業における雑草検出のための深度物体検出装置のマルチデータセットベンチマークを提案する。
7つの公共雑草検出データセットを用いて,ナノ,小型,中型の評価を行った。
その結果,YOLO26mは平均精度が最も高く,YOLO26sは実用的精度・効率のトレードオフとして優れていることがわかった。
- 参考スコア（独自算出の注目度）: 0.815557531820863
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Weed detection is an important component of precision agriculture, enabling site-specific weed management and reducing unnecessary herbicide use. Although deep learning methods have achieved strong results for crop and weed detection, many studies rely on single-dataset evaluation, making it difficult to assess robustness across different agricultural domains. This paper presents a multi-dataset benchmark of deep object detectors for weed detection in precision agriculture, with a focused evaluation of YOLO26 models. We evaluate nano, small, and medium variants on seven public weed-detection datasets covering different crops, weed species, field conditions, acquisition setups, and annotation protocols. The models are compared in terms of detection accuracy, model complexity, inference latency, FPS, and model size. In addition to in-dataset evaluation, we investigate cross-domain generalization using a unified one-class weed setup and evaluate multi-source training using the combined training subsets from all datasets. The results show that YOLO26 achieves strong in-dataset performance, with YOLO26m obtaining the highest average accuracy and YOLO26s providing the best practical accuracy-efficiency trade-off. However, cross-domain performance decreases substantially, with YOLO26s dropping from an average in-domain mAP$_{50:95}$ of 0.603 to 0.148 in the off-domain setting. Multi-source training improves performance on several datasets, but does not fully eliminate domain shift. Overall, the benchmark highlights the importance of dataset diversity, domain similarity, and target-domain adaptation for robust weed detection in real-world precision agriculture applications.
- Abstract（参考訳）: 雑草検出は、精密農業の重要な要素であり、現場固有の雑草管理を可能にし、不必要な除草剤の使用を減らすことができる。
深層学習は作物や雑草の検出に強い成果を上げてきたが、多くの研究は単一データセットの評価に依存しており、異なる農業領域における堅牢性を評価することは困難である。
本稿では, 精密農業における雑草検出のための深度物体検出装置のマルチデータセットベンチマークを行い, YOLO26モデルを用いた評価を行った。
本研究では, 異なる作物, 雑草種, 畑条件, 取得条件, アノテーションプロトコルをカバーする7つの公共雑草検出データセットについて, ナノ, 小型および中小の変異体の評価を行った。
モデルは、検出精度、モデル複雑性、推論遅延、FPS、モデルサイズの観点から比較される。
In-dataset の評価に加えて,統合された一級雑草設定を用いたクロスドメインの一般化について検討し,すべてのデータセットから組み合わせたトレーニングサブセットを用いてマルチソーストレーニングを評価する。
その結果,YOLO26mは平均精度が最も高く,YOLO26sは実用的精度・効率のトレードオフとして優れていることがわかった。
しかし、クロスドメインのパフォーマンスは大幅に低下し、YOLO26はオフドメイン設定で平均的なmAP$_{50:95}$0.603から0.148に低下する。
マルチソーストレーニングは、いくつかのデータセットのパフォーマンスを改善するが、ドメインシフトを完全に排除するわけではない。
全体として、このベンチマークは、現実の精密農業アプリケーションにおける堅牢な雑草検出のためのデータセットの多様性、ドメイン類似性、およびターゲットドメイン適応の重要性を強調している。
関連論文リスト
- On the Transferability of Agricultural Weed Detection Under Cross-Field Distribution Shift [13.021915223605681]
マルチデータセットの雑草局在化性能が低下し,どのモデル選択が回復するかを特徴付ける。
本研究では,ある作物に訓練された検出器を別の作物に移すためのいくつかの方法の評価を行った。
論文 参考訳（メタデータ） (2026-08-21T16:06:09Z) - DIDS: Domain Impact-aware Data Sampling for Large Language Model Training [61.10643823069603]
大規模言語モデルに対するドメインインパクト対応データサンプリング(DIDS)を提案する。
学習効果に基づくDIDSグループトレーニングデータでは、プロキシ言語モデルと次元削減が使用される。
同等のトレーニング効率を維持しながら平均パフォーマンスを3.4%向上させる。
論文 参考訳（メタデータ） (2025-04-17T13:09:38Z) - WeedsGalore: A Multispectral and Multitemporal UAV-based Dataset for Crop and Weed Segmentation in Agricultural Maize Fields [0.7421845364041001]
雑草は作物の収穫が減少する主な原因の1つであるが、現在の雑草の慣行は、効率的で標的とした方法で雑草を管理するのに失敗している。
農作物畑における作物と雑草のセマンティックスとインスタンスセグメンテーションのための新しいデータセットを提案する。
論文 参考訳（メタデータ） (2025-02-18T18:13:19Z) - 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) - From Web Data to Real Fields: Low-Cost Unsupervised Domain Adaptation for Agricultural Robots [3.7619101673213664]
本稿では,Unsupervised Domain Adaptation (UDA) を用いて,特定分野への適応を低コストで行うことを目的とする。
我々は、多様なインターネットソースデータのプールから、特定の場所でロボットが収集した小さなデータセットへの、新たなドメインシフトを探求する。
我々は,マルチレベル注意に基づく適応識別器(MAAD)という新しいモジュールを導入し,任意の検出モデルの特徴抽出器レベルで統合する。
論文 参考訳（メタデータ） (2024-10-31T13:11:09Z) - 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) - MADAv2: Advanced Multi-Anchor Based Active Domain Adaptation
Segmentation [98.09845149258972]
セマンティックセグメンテーションタスクに関するドメイン適応を支援するために,アクティブなサンプル選択を導入する。
これらのサンプルを手動でアノテートする作業量が少ないため、ターゲット領域分布の歪みを効果的に緩和することができる。
長期分布問題を緩和するために、強力な半教師付きドメイン適応戦略を提案する。
論文 参考訳（メタデータ） (2023-01-18T07:55:22Z) - A Novel Dataset for Evaluating and Alleviating Domain Shift for Human
Detection in Agricultural Fields [59.035813796601055]
トレーニングセットの分布外のデータに展開した場合、ドメインシフトが、よく知られたオブジェクト検出データセット上で訓練された人間の検出モデルに与える影響を評価する。
我々は、ロボットティプラットフォームを用いて、農業ロボット応用の文脈で収集されたOpenDR Humans in Fieldデータセットを紹介した。
論文 参考訳（メタデータ） (2022-09-27T07:04:28Z) - Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。
本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。
本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文 参考訳（メタデータ） (2022-01-11T23:01:12Z) - Collaborative Training between Region Proposal Localization and
Classification for Domain Adaptive Object Detection [121.28769542994664]
オブジェクト検出のためのドメイン適応は、ラベル付きデータセットからラベル付きデータセットへの検出を適応させようとする。
本稿では,地域提案ネットワーク (RPN) と地域提案分類器 (RPC) が,大きなドメインギャップに直面した場合の転送可能性が大きく異なることを初めて明らかにする。
論文 参考訳（メタデータ） (2020-09-17T07:39:52Z)
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。