يتطلب اشتراك JoVE لعرض هذا المحتوى. تسجيل الدخول أو ابدأ نسخة تجريبية مجانية

مقالة منهجية

قياس معماريات YOLOv8-v13 لمراقبة الماشية الذكية في الوقت الفعلي وإدارة المزرعة المستندة إلى البيانات في تربية الماشية الدقيقة

959 مشاهدات

⸱

DOI:

10.3791/69490

⸱

نوفمبر 14, 2025

 ,  ,  ,  ,  , 
1School of Economics and Management, Quanzhou Ocean Institute, 2School of Electronic and Electrical Engineering, Minnan University of Science and Technology, 3School of Electrical and Electronic Engineering, Universiti Sains Malaysia, 4School of Information Engineering, Quanzhou Ocean Institute

في هذه المقالة

ملخص

يقيس هذا البروتوكول ستة نماذج YOLO للكشف عن سلوك الماشية في الوقت الفعلي لدعم تحسين الرفاهية وإدارة المزرعة.

الملخص

يعد الكشف الدقيق عن سلوك الماشية في الوقت الفعلي أمرا بالغ الأهمية لتحسين رفاهية وتحسين إدارة الثروة الحيوانية. لمعالجة هذا الأمر ، تقوم هذه الدراسة بتقييم شامل لستة نماذج خفيفة الوزن YOLO (تنظر مرة واحدة فقط) - YOLOv8n و YOLOv9t و YOLOv10n و YOLOv11n و YOLOv12n و YOLOv13n - للتعرف على خمسة سلوكيات رئيسية للماشية (الوقوف والكذب والبحث عن الطعام والشرب والاجترار) باستخدام مجموعة بيانات CBVD-5 المخصصة. تتضمن مجموعة البيانات ظروف إضاءة متنوعة وبيئات حظائر طبيعية لتعكس سيناريوهات المراقبة في العالم الحقيقي. تم تقييم جميع النماذج باستخدام مقاييس الكشف عن الكائنات القياسية (الدقة ، والاستدعاء ، و mAP@50 ، و mAP@50-95) والمؤشرات الموجهة نحو النشر بما في ذلك وقت الاستدلال ، والأطر في الثانية (FPS) ، وحجم النموذج ، ومدة التدريب لتوفير تقييم متوازن للدقة والكفاءة. حقق YOLOv13n أعلى mAP@50-95 (0.712) ، بينما وصل YOLOv11n إلى أعلى mAP@50 (0.967) وأظهر تقاربا مستقرا مع مقايضة جيدة بين دقة الكشف وسرعة الاستدلال. أظهر YOLOv10n أسرع سرعة استدلال (1.2 مللي ثانية / إطار ، ~ 833 إطارا في الثانية) ، مما يجعله مناسبا تماما للتطبيقات الحساسة لزمن الوصول مثل المراقبة المستمرة للحظيرة. حافظت جميع الطرز على أحجام صغيرة أقل من 6 ميجابايت وإنتاجية في الوقت الفعلي تتجاوز ~ 300 إطارا في الثانية ، مما يؤكد عمليتها لنشر الحافة. تضع النتائج إطارا معياريا قابلا للتكرار لتقييم متغيرات YOLO الحديثة ، مما يوفر رؤى حول اختيار النموذج لأنظمة مراقبة الثروة الحيوانية الفعالة والقابلة للتطوير والموجهة نحو الرفاهية.

المقدمة

تعد المراقبة الفعالة لسلوك الماشية أمرا ضروريا في تربية الماشية الدقيقة ، ودعم إدارة الرفاهية ، والكشف عن الأمراض ، والتحسين التشغيلي. تعتبر الأساليب غير الغازية القائمة على الرؤية واعدة بشكل خاص نظرا لقابليتها للتوسع وتعدد استخداماتها. توفر مجموعات البيانات القياسية مثل CBVD-5 (مجموعة بيانات فيديو سلوك البقر مع 5 فئات) تعليقات توضيحية سلوكية متنوعة عبر ظروف الإضاءة المتنوعة ، مما يجعلها معايير قيمة في هذا المجال1. في معظم إعدادات المزرعة العملية ، يتم تثبيت الكاميرات على ارتفاع معتدل مع إضاءة مستقرة نسبيا ، على الرغم من أن الانسداد العرضي بين الماشية قد يؤثر على أداء الكشف. لا يزال التعرف على السلوك في الثروة الحيوانية يواجه تحديات مثل الانسداد وتقلب الحركة وبيانات التدريب المتناثرة. لمواجهة هذه التحديات ، استكشفت الأعمال السابقة الأساليب القائمة على المستشعر2 ، ونمذجة نمط الصورة3 ، واستراتيجيات التعلم العميق4. تتميز أطر عمل اكتشاف الكائنات مثل YOLO (You Look Only Once) ، التي قدمها Redmon et al.5 لأول مرة ، ونسختها الأكثر تقدما YOLOv76 ، بقدرتها على تحقيق التوازن بين دقة الكشف وزمن الوصول والكفاءة الحسابية. في هذه الدراسة ، يشير الأداء في الوقت الفعلي إلى تحقيق سرعة استدلال أعلى من 30 إطارا في الثانية (FPS) ، مما يضمن تتبع السلوك القائم على الفيديو بشكل سلس ومستمر في إعدادات المزرعة العملية. تقوم هذه الدراسة بتقييم أداء YOLOv8n من خلال YOLOv13n بشكل منهجي على مجموعة بيانات CBVD-5 ، مع التركيز على قيود الكشف عن السلوك والنشر في الوقت الفعلي. أدخلت التطورات الحديثة في بنية YOLO ، بما في ذلك إصدارات المجتمع المفتوح YOLOv87 و YOLOv98 و YOLOv109 و YOLOv1110 و YOLOv1211 و YOLOv1312 ، تحسينات في دقة الكشف والكفاءة الحسابية. تستفيد هذه النماذج من الابتكارات مثل التعلم متعدد المهام ، والرؤوس الخالية من المرساة ، والتعلم المحسن للنقل ، مما يجعلها أكثر ملاءمة للبيئات المحدودة الموارد التي تتم مواجهتها عادة في مزارع الثروة الحيوانية واسعة النطاق. ومع ذلك ، على حد علمنا ، لم تكن هناك دراسة شاملة لتقييم هذه النماذج خصيصا للتعرف على سلوك الماشية. لسد هذه الفجوة ، نجري تقييما مقارنا لنماذج YOLO الحديثة (v8n-v13n) للكشف عن سلوك الماشية باستخدام مجموعة بيانات مصممة لمحاكاة بيئات المزارع في العالم الحقيقي. يتم تقييم النماذج باستخدام مقاييس الكشف القياسية مثل متوسط متوسط الدقة (mAP) ، والدقة ، والاستدعاء ، ووقت الاستدلال ، و FPS لتحديد المتغير الأنسب لتطبيقات مراقبة الماشية في الوقت الفعلي في ظروف الزراعة. بدلا من اقتراح بنية جديدة ، تضع هذه الدراسة إطارا معياريا منهجيا وقابلا للتكرار لمتغيرات YOLO الحديثة في سياق مراقبة سلوك الثروة الحيوانية ، ومعالجة فجوة في الأدبيات الحالية حيث لا يزال أدائها المقارن غير مستكشف إلى حد كبير.

تتمتع عائلة YOLO من أجهزة الكشف عن الكائنات برؤية حاسوبية متقدمة بشكل كبير في الوقت الفعلي ، خاصة في التطبيقات التي تتطلب السرعة والدقة. في التعرف على سلوك الماشية ، حيث تكون المراقبة في الوقت الفعلي لحركات الماشية أمرا ضروريا ، فإن توازن YOLO لهذه السمات يجعلها فعالة للغاية. توضح هذه المراجعة تطور نماذج YOLO ، من الإصدارات المبكرة إلى الأحدث ، مع تسليط الضوء على الابتكارات الرئيسية ذات الصلة باكتشاف سلوك الماشية. أدخل كل تكرار تحسينات في سرعة الكشف والدقة والمتانة في ظل ظروف المزرعة ، مما يجعل نماذج YOLO مناسبة بشكل متزايد لمراقبة الماشية في البيئات الديناميكية.

أرست الأجيال الأولى من YOLO (v1-v3) الأساس للكشف عن الكائنات من مرحلة واحدة من خلال توحيد التصنيف والتوطين في إطار انحدار واحد. قامت هذه الإصدارات بتحسين سرعة الاستدلال والدقة المكانية والقدرة على الكشف متعدد المقاييس بشكل تدريجي ، مما وضع الأساس لتطبيق YOLO في تحليل سلوك الثروة الحيوانية والسيناريوهات الزراعية الأخرى في الوقت الفعلي13،14،15،16. مع إصدار YOLOv4 في عام 2020 ، شهدت البنية مزيدا من التحسينات ، بما في ذلك اعتماد العمود الفقري الجزئي عبر المراحل (CSP) ، وتنشيط Mish ، وتقنيات تجميع الميزات المتقدمة17،18،19. أدت هذه التحديثات إلى تحسين أداء النموذج على مجموعات البيانات الأصغر ، وهو سيناريو شائع في اكتشاف سلوك الثروة الحيوانية بسبب العينات المشروحة المحدودة للأحداث النادرة. اكتسب مشروع YOLOv5 الذي يحركه المجتمع ، والذي أطلقته Ultralytics في عام 2020 ، اعتمادا على نطاق واسع لتصميمه المعياري وسهولة نشره عبر إطار عمل PyTorch20. على الرغم من عدم رفقها بورقة تمت مراجعتها من قبل الأقران ، إلا أن YOLOv5 أصبح خط أساس فعلي في مهام الكشف عن الماشية في الوقت الفعلي نظرا لتوازنه القوي بين الدقة ومرونة النشر. أعطى YOLOv6 ، الذي تم إصداره في عام 2022 ، الأولوية للتصميم الصديق للأجهزة مع العمود الفقري ل EfficientRep وعنق Rep-PAN21,22. من خلال دمج الكشف الخالي من المرساة ، قام النموذج بتحسين المتانة في السيناريوهات التي تنطوي على انسداد ورؤية جزئية ، وهي ظروف تتم مواجهتها بشكل متكرر في بيئات الماشية المزدحمة. قام YOLOv7 بتحسين الكفاءة الحسابية من خلال بنية E-ELAN ، مما يتيح تدريبا أسرع وأداء محسنا عبر مقاييس الكشف المتعددة23. في الوقت نفسه ، فإن النماذج البديلة مثل YOLOX24 و YOLOR25 تتقدم سرعة الكشف والتعميم ، وكلاهما سمتان أساسيتان لأنظمة مراقبة الثروة الحيوانية في الهواء الطلق. قدم إصدار 2023 من YOLOv8 بواسطة Ultralytics العديد من التعديلات المعمارية ، بما في ذلك الرؤوس الخالية من المرساة ، وإعادة المعلمات الهيكلية ، واستراتيجيات الزيادة الأقوى. حققت هذه التحديثات مكاسب كبيرة في كل من دقة الكشف وسرعة الاستدلال ، مما جعل YOLOv8 خيارا تنافسيا لتحليل سلوك الماشية في الوقت الفعلي. استمر التطور مع ظهور YOLOv9 و YOLOv10 و YOLOv11 و YOLOv12 و YOLOv13. YOLOv9 دمج التعلم متعدد المهام لتعزيز التصنيف والتوطين والمهام المساعدة بشكل مشترك مثل اكتشاف النقاط الرئيسية. تم بناء YOLOv10 على هذا الأساس من خلال تضمين وحدات تكييف المجال وآليات الانتباه المدركة للتجزئة. قدم YOLOv11 بروتوكولات تدريب خاضعة للإشراف الذاتي قللت من الاعتماد على البيانات المصنفة بالكامل ، مما يوفر مزايا في التطبيقات المتناثرة للبيانات مثل مراقبة سلوك الماشية. أكد YOLOv12 على تحسين اندماج الميزات وإعادة المعلمات الديناميكية. أخيرا ، قام YOLOv13 بدمج وحدات قائمة على المحولات واهتمام مكاني وزماني ، مما يوفر أداء فائقا للكشف عالي السرعة وزمن انتقال منخفض في سيناريوهات زراعية معقدة في الوقت الفعلي.

في السنوات الأخيرة ، أصبحت نماذج التعلم العميق المستندة إلى YOLO مستخدمة على نطاق واسع لمراقبة سلوك الماشية الآلي وفي الوقت الفعلي بسبب كفاءتها ودقتها. قبل اعتماد أجهزة الكشف القائمة على YOLO ، أثبتت العديد من الأنظمة المبكرة القائمة على الرؤية جدوى مراقبة الثروة الحيوانية التي تعتمد على الصور. على سبيل المثال ، Sumi et al. طور نظام مراقبة الأبقار للكشف عن الولادة باستخدام تحليل ميزة الحركة26 ، بينما اقترح Zin et al. إطارا قائما على التعلم العميق لتحديد الأبقار يحقق دقة التعرف بنسبة 97٪27. أرست هذه الأعمال الأساس لمناهج الكشف عن الأشياء اللاحقة في تربية الماشية الدقيقة. طبقت العديد من الدراسات متغيرات YOLO المختلفة لتصنيف السلوك وتتبع الحركة والتعرف على الموقف في ظل ظروف متنوعة. على سبيل المثال ، Mu et al. اقترح نموذجا محسنا للتعرف على سلوك الماشية خفيف الوزن - YOLO28 (CBR-YOLO) يعتمد على YOLOv8 ، محسن للتكيف مع الطقس متعدد المشاهد. حقق النموذج متوسط دقة 90.2٪ مع تقليل عدد المعلمات بشكل كبير. قدم Tong et al. نموذج YOLO-BoT29 ، الذي يدمج الوحدات القائمة على الانتباه والمحولات في YOLOv8 للكشف عن سلوك الماشية وتتبعها في البيئات المعقدة ، مما يحقق mAP للكشف بنسبة 91.7٪ بمعدل 31.2 إطارا في الثانية. Hao et al. دمج آلية الانتباه الفعال متعدد النطاقات (EMA) في YOLOv530 (YOLOv5-EMA) ، مما عزز أداء الكشف عن أجزاء جسم الماشية (مثل الرأس والساقين) ، ووصل إلى قيم mAP بين 94.8٪ و 95.5٪. قام Guarnido-Lopez et al.31 بتقييم YOLOv8 و YOLOv10 للتعرف على السلوكيات المتعلقة بالتغذية (على سبيل المثال ، المضغ ، والعض ، والاقتراب) في ثيران Charolais ، وأفادوا أن YOLOv10 تفوق قليلا على YOLOv8 في mAP@50 و mAP@50-95 والدقة والاستدعاء ، بينما أظهر YOLOv8 تقارب أسرع وانخفاض الإفراط في التركيب. في حين أن YOLOv1 إلى YOLOv8 قد تم اعتمادها على نطاق واسع والتحقق من صحتها للمهام المتعلقة بالثروة الحيوانية ، فإن قابلية تطبيق YOLOv9 إلى YOLOv13 في هذا المجال لا تزال غير مستكشفة. حتى الآن ، لم يكن هناك تقييم شامل لهذه النماذج الأحدث للكشف عن سلوك الماشية ، مما يسلط الضوء على فجوة حرجة في الأبحاث الحالية ويحفز مزيدا من التحقيق في أدائها في العالم الحقيقي.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

البروتوكول

1. إعداد مجموعة البيانات

ملاحظة: لم تتضمن هذه الدراسة تجارب حيوانية جديدة. تم الحصول على جميع البيانات من مجموعة بيانات CBVD-5 المتاحة للجمهور ، والتي تم جمعها وإصدارها وفقا للمبادئ التوجيهية المؤسسية لرعاية من قبل مؤلفيها الأصليين. لذلك ، لم تكن هناك حاجة إلى موافقة أخلاقية إضافية لهذا العمل.

  1. تشتمل مجموعة البيانات على تسجيلات مراقبة مستمرة تم التقاطها بواسطة سبع كاميرات داهوا (عدسات 2.8 ملم و 3.6 ملم ، موديل M / K) متصلة من خلال مفاتيح جيجابت ومسجلات فيديو شبكية ، تغطي 5 أيام من المراقبة المتواصلة في ظل ظروف إضاءة الحظيرة القياسية.
  2. استخراج الإطارات التمثيلية للحصول على 25,000 إطار رئيسي مشروح، مما يضمن التنوع الزمني عبر أنواع السلوك. قم بالتعليق على خمس فئات سلوكية ، الوقوف ، والكذب ، والبحث عن الطعام ، والشرب ، والاجترار ، باستخدام VGG Image Annotator (VIA v3.0.11) باتباع تنسيق المربع المحيط AVA. قم بإنشاء مشروع VIA موحد باستخدام مخطط التسمية {الوقوف ، الكذب ، البحث عن الطعام ، الشرب ، الاجترار}. ثم قم بتصدير التعليقات التوضيحية كملفات JSON وتحويلها إلى تنسيق TXT متوافق مع YOLO باستخدام Roboflow (قم بتعيين التسوية = True وفئة واحدة لكل سطر في إعدادات المشروع).
  3. قم بتغيير حجم جميع الصور إلى 640 × 640 بكسل وقم بتطبيق الاتجاه التلقائي.
  4. قم بإجراء زيادة البيانات في Roboflow ، وتطبيق التقلبات الأفقية العشوائية (p = 0.5) ، والدورات في ±10 ، وتباين السطوع / التباين في حدود ±15٪ لتعزيز تعميم النموذج.
  5. قسم مجموعة البيانات إلى مجموعات فرعية للتدريب والتحقق من الصحة والاختبار بنسبة 70/20/10 (2049/585/293 صورة).

2. اختيار النموذج والإعداد

  1. حدد ست بنى YOLO خفيفة الوزن: YOLOv8n و YOLOv9t و YOLOv10n و YOLOv11n و YOLOv12n و YOLOv13n.
  2. سجل مواصفات النموذج ، بما في ذلك العدد الإجمالي للطبقات ، وعدد المعلمات ، و GFLOPs لمقارنة المتطلبات الحسابية ، كما هو موضح في الجدول 1.
  3. يتم سرد بيئة الحوسبة ومواصفات الأجهزة والبرامج المستخدمة في هذه الدراسة في جدول المواد. تم تثبيت البذور العشوائية الحتمية على 0 ، 42 ، 1337 من أجل التكاثر.
  4. قم بتهيئة كل نموذج بأوزان رسمية مدربة مسبقا (على سبيل المثال ، yolov10n.pt ، yolov13n.pt).

3. تدريب النموذج

  1. قم بتدريب جميع طرازات YOLO في ظل إعدادات تجريبية متطابقة باستخدام إطار عمل Ultralytics YOLO (v8.3.63).
  2. قم بإصلاح دقة الإدخال عند 640 × 640 بكسل ، مع حجم الدفعة = 128 ومعدل تعلم أولي يبلغ 0.01 (محسن SGD ، جدولة جيب التمام).
  3. أمر التدريب التمثيلي لكل نموذج (على سبيل المثال: YOLOv8n):
    النتائج = model.train (
    data=f'{dataset.location}/data.yaml',
    حقب = 800 ،
    الصبر = 30 ،
    دفعة = 128 ،
    IMGSZ = 640 ،
    name='yolov8n_test_800_epoch',
    save_period = 100 ،
    مدرب مسبقا = صحيح ،
    amp=صواب,
    العمال = 16 ،
    البذور = 1337
    )
  4. تطبيق التوقف المبكر عندما يستقر مقياس ملاءمة التحقق الداخلي (مركب مرجح من الدقة والاستدعاء و mAP@50-95) لمدة 30 حقبة متتالية.
  5. حدد أفضل نقطة تفتيش لكل تشغيل بناء على أعلى تحقق من الصحة mAP@50-95 ، ومتوسط القيم النهائية عبر ثلاث بذور (0 ، 42 ، 1337) لضمان قابلية التكرار.
  6. استبعاد المتغيرات الأكبر حجما (على سبيل المثال ، YOLOv10m ، YOLOv11l) بسبب المتطلبات العالية للموارد ، لضمان الجدوى على الأجهزة المتطورة32.

4. تقييم النموذج

  1. تم تقييم أداء النموذج باستخدام وظيفة التحقق من الصحة المضمنة في Ultralytics:
    المقاييس = model.val (البيانات = f'{dataset.location}/data.yaml'، split='test')
  2. احسب mAP@50 و mAP@50-95.
  3. قم بإنشاء مصفوفات الارتباك لفحص الأداء الطبقي.
  4. تم تسجيل المقاييس المتعلقة بالكفاءة ، بما في ذلك زمن الوصول (مللي ثانية / إطار) ، و FPS ، وحجم الطراز (MB) ، ومدة التدريب ، تلقائيا. هنا ، تم حساب FPS على أنه مقلوب إجمالي وقت التنفيذ لكل إطار ، والذي تضمن مراحل المعالجة المسبقة واستدلال النموذج والمعالجة اللاحقة.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

النتائج

يعرض هذا القسم نتائج تقييم YOLOv8 من خلال نماذج YOLOv13 على مجموعة بيانات CBVD-5 للتعرف على الماشية متعددة السلوكيات. يركز التحليل على دقة الاكتشاف وتقارب التدريب والتوزيع السلوكي وملاءمة النشر في البيئات محدودة الموارد. تتبع جودة مجموعة البيانات وتوازن الفصل الانقسامات الموضحة في البروتوكول (70/20/10) ، مما يضمن تمثيلا متسقا لجميع السلوكيات الخمسة عبر مجموعات التدريب والتحقق من الصحة والاختبار. يوضح الشكل 1 أن سلوكيات الماشية المشروحة تتمحور بشكل عام بشكل جيد داخل الإطار. يكون إحداثي المركز...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المناقشة

يعتمد النجاح العام للإطار المقارن المقترح بشكل حاسم على العديد من خطوات البروتوكول ، بما في ذلك التعليقات التوضيحية للسلوك عالي الجودة ، وزيادة البيانات المتنوعة ، ومراقبة التقارب المستقر أثناء التدريب. تضمن هذه العوامل أن الاختلافات في أداء النموذج تعكس التباين المعماري الحقيقي بدلا من البيانات أو ضوضاء التدريب. قامت هذه الدراسة بتقييم ستة متغيرات YOLO خفيفة الوزن بشكل منهجي (v8n إلى v13n) للكشف عن سلوك الماشية متعدد الفئات باستخدام مجموعة بيانات CBVD-5. من بين الموديلات ، حقق YOLOv11n ...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الإفصاحات

يعلن المؤلفون أنه ليس لديهم مصالح متضاربة.

شكر وتقدير

تم تمويل هذا العمل من قبل منحة Universiti Sains Malaysia Bridging Grant ، رقم المشروع: R501-LR-RND003-0000001342-0000.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
مسجل داهوا DH-NVR2216-HDS3تكنولوجيا داهواhttps://www.dahuasecurity.com/
مفتاح داهوا DH-S3000C-16GT جيجابتتكنولوجيا داهواhttps://www.dahuasecurity.com/
كاميرا داهوا M/K للمراقبة (عدسة 2.8 مم / 3.6 مم)تكنولوجيا داهواhttps://www.dahuasecurity.com/
جوجل كولاب بروجوجلhttps://colab.research.google.com/
ماتبلوتليبمجتمع ماتبلوتليبhttps://matplotlib.org/
بطاقة رسومات NVIDIA A100NVIDIAhttps://www.nvidia.com/en-us/data-center/a100/
نومبايمجتمع نومبيhttps://numpy.org/
OpenCVOpenCV.orghttps://opencv.org/
أوبتونا (تحسين المعاملات الفائقة)Optuna.orghttps://optuna.org/
الباندامجتمع البانداhttps://pandas.pydata.org/
PyTorch (الإصدار 2.0+)مؤسسة بايتورشhttps://pytorch.org/
بايثون (الإصدار 3.10)مؤسسة بايثون للبرمجياتhttps://www.python.org/
مجموعة بيانات روبوفلو TSLروبوفلوhttps://roboflow.com/
أوبونتو 20.04 LTSقانونيhttps://ubuntu.com/
كود فيجوال ستوديومايكروسوفتhttps://code.visualstudio.com/
YOLOv13التحليل الفائقhttps://github.com/ultralytics/YOLOv13
YOLOv9التحليل الفائقhttps://github.com/ultralytics/YOLOv9

المراجع

  1. Li, K., Fan, D., Wu, H., Zhao, A. A new dataset for video-based cow behavior recognition. Sci Rep. 14 (1), 821-830 (2024).
  2. Tran, D. N., et al. Cows' behavior classification using acceleration data: a new, effective, and simple approach. J Comput Sci Cybern. 41 (1), 33-48 (2025).
  3. Bello, R. W., Talib, A., Mohamed, A. S. A. Deep learning-based architectures for recognition of cow using cow nose image pattern. Gazi Univ J Sci. 33 (2), 202-213 (2020).
  4. Ozella, L., et al. A computer vision approach for the automatic detection of social interactions of dairy cows in automatic milking systems. Acta IMEKO. 13 (3), 202-212 (2024).
  5. You only look once: unified, real-time object detection. Redmon, J., Divvala, S., Girshick, R., Farhadi, A. Proc IEEE Conf Comput Vis Pattern Recognit (CVPR), , (2016).
  6. Wang, C. Y., Bochkovskiy, A., Liao, H. Y. YOLOv7: trainable bag-of-freebies sets new state-of-the-art for real-time object detectors. arXiv. , (2022).
  7. Reis, D., Kupec, J., Hong, J., Daoudi, A. Real-time flying object detection with YOLOv8. arXiv. , (2023).
  8. Wang, C. Y., Yeh, I. H., Liao, H. Y. YOLOv9: learning what you want to learn using programmable gradient information. Lect Notes Comput Sci. 14640 (1), 1-21 (2024).
  9. Wang, A., et al. YOLOv10: real-time end-to-end object detection. arXiv. , (2024).
  10. Khanam, R., Hussain, M. YOLOv11: an overview of the key architectural enhancements. arXiv. , (2024).
  11. Ye, Q., Doermann, D. YOLOv12: attention-centric real-time object detectors. arXiv. , (2025).
  12. Lei, M., et al. YOLOv13: real-time object detection with hypergraph-enhanced adaptive visual perception. arXiv. , (2025).
  13. Object detection using YOLO: a survey. Tripathi, P., Gupta, M., Srivastava, C., Dixit, P., Pandey, S. Int Conf Softw Eng Technol (ICSET), 12 (1), 747-752 (2022).
  14. YOLO9000better: better, faster, stronger. Redmon, J., Farhadi, A. Proc IEEE Conf Comput Vis Pattern Recognit (CVPR), , (2017).
  15. Batch normalization: accelerating deep network training by reducing internal covariate shift. Ioffe, S., Szegedy, C. Proc Int Conf Mach Learn (ICML), , (2015).
  16. Redmon, J., Farhadi, A. YOLOv3: an incremental improvement. arXiv. , (2018).
  17. Bochkovskiy, A., Wang, C. Y., Liao, H. Y. YOLOv4: optimal speed and accuracy of object detection. arXiv. , (2020).
  18. Misra, D. Mish: a self-regularized non-monotonic neural activation function. arXiv. , (2019).
  19. Zhang, Z., et al. Bag of freebies for training object detection neural networks. arXiv. , (2019).
  20. Khanam, R., Hussain, M. What is YOLOv5? a deep look into the internal features of the popular object detector. arXiv. , (2024).
  21. Li, C., et al. YOLOv6: a single-stage object detection framework for industrial applications. arXiv. , (2022).
  22. Ding, X., et al. RepVGG: making VGG-style ConvNets great again. arXiv. , (2021).
  23. Jiao, L., Abdullah, M. I. YOLO series algorithms in object detection of unmanned aerial vehicles: a survey. Serv Oriented Comput Appl. 18 (1), 269-298 (2024).
  24. Ge, Z., Liu, S., Wang, F., Li, Z., Sun, J. YOLOX: exceeding YOLO series in 2021. arXiv. , (2021).
  25. Wang, C. Y., Yeh, I. H., Liao, H. Y. You only learn one representation: unified network for multiple tasks. arXiv. , (2021).
  26. A study on cow monitoring system for calving process. Sumi, K., Zin, T. T., Kobayashi, I., Horii, Y. Proc IEEE Glob Conf Consum Electron (GCCE), , (2017).
  27. Image technology-based cow identification system using deep learning. Zin, T. T., Phyo, C. N., Tin, P., Hama, H., Kobayashi, I. Proc Int Multiconf Eng Comput Sci (IMECS), 1, 236-247 (2018).
  28. Mu, Y., et al. Research on the behavior recognition of beef cattle based on the improved lightweight CBR-YOLO model derived from YOLOv8 in multi-scene weather. Animals. 14 (19), 2800(2024).
  29. Tong, L., Fang, J., Wang, X., Zhao, Y. Research on cattle behavior recognition and multi-object tracking algorithm based on YOLO-BoT. Animals. 14 (20), 2993(2024).
  30. Hao, W., et al. Cattle body detection based on YOLOv5-EMA for precision livestock farming. Animals. 13 (23), 3535(2023).
  31. Guarnido, P., Ramirez-Agudelo, J. F., Denimal, E., Benaouda, M. Programming and setting up the object detection algorithm YOLO to determine feeding activities of beef cattle: a comparison between YOLOv8m and YOLOv10m. Animals. 14 (19), 2821(2024).
  32. Liang, S., et al. Edge YOLO: real-time intelligent object detection system based on edge-cloud cooperation in autonomous vehicles. IEEE Trans Intell Transp Syst. 22 (12), 1-16 (2022).
  33. Rey, L., et al. A performance analysis of You Only Look Once models for deployment on constrained computational edge devices in drone applications. Electronics. 14 (3), 638(2025).
  34. Sen, A., Mishra, T., Dash, R. Novel human-machine interface via robust hand gesture recognition system using channel-pruned YOLOv5s model. arXiv. , (2024).
  35. Chen, R., Tian, X. Gesture detection and recognition based on object detection in complex background. Appl Sci. 13 (7), 4480(2023).
  36. Raj, R. R., Turuk, M., Jagdale, J., Anish, M. Performance comparison of different versions of YOLO for Indian sign language captioning in real time of multiple signers. Procedia Comput Sci. , 991-1000 (2025).
  37. Binti Aziz, A., et al. YOLO-V4 based detection of varied hand gestures in heterogeneous settings. Adv Intell Syst Comput. , Springer. Cham. (2024).
  38. Zhuang, H., Xia, Y., Wang, N., Dong, L. High inclusiveness and accuracy motion blur real-time gesture recognition based on YOLOv4 model combined attention mechanism and DeblurGanv2. Appl Sci. 11 (21), 9982(2021).
  39. Li, G., et al. Design and development of a broiler mortality removal robot. Appl Eng Agric. 38 (3), 401-409 (2022).
  40. Hao, H., et al. A dead broiler inspection system for large-scale breeding farms based on deep learning. Agriculture. 12 (8), 1176(2022).
  41. Yang, J., et al. A detection method for dead caged hens based on improved YOLOv7. Comput Electron Agric. 226, 109388(2024).
  42. Bist, R., Subedi, S., Yang, X., Chai, L. Automatic detection of cage-free dead hens with deep learning methods. AgriEngineering. 5 (2), 1020-1038 (2023).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

إعادة الطباعة والأذونات

الوسوم

YOLO
اتصل بنا
أوصِ بها للمكتبة

الخصوصية

شروط الاستخدام

السياسات

2026 © حقوق الطبع والنشر MyJoVE Corporation. جميع الحقوق محفوظة.